Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bisindo adalah bahasa isyarat yang banyak digunakan oleh komunitas tuli di Indonesia untuk berinteraksi secara nonverbal. Struktur bahasa pada Bisindo sangat berbeda dengan Bahasa Indonesia yang biasa digunakan oleh orang dengar. Hal ini menyebabkan adanya gap antara komunitas tuli dengan orang dengar dalam berkomunikasi. Penelitian ini mengembangkan model pengenal dan penerjemah bahasa isyarat (SLRT) untuk Bisindo dengan menerapkan arsitektur Single Stream Network dan Two Stream Network yang sukses digunakan pada German Sign Language (DGS). Model ini dilatih pada dataset Bisindo-2024 yang berisikan 96 kalimat yang mengandung kata kerja berarah. Penelitian ini menghasilkan model SLRT yang meraih skor 62.30 pada BLEU-4 dan 71.00 pada ROUGE. Hasil penelitian ini menunjukkan bahwa performa Two Stream Network mengungguli Single Stream Network sejauh 10.86 pada BLEU-4 dan 7.01 pada ROUGE. Selain itu, penelitian ini juga membuktikan bahwa pendekatan transfer learning berhasil meningkatkan performa model secara signifikan. Melalui penelitian ini juga dibuktikan bahwa model yang dilatih secara end-to-end memiliki performa yang lebih baik dibanding model pipeline. Penelitian ini adalah yang pertama menerapkan model SLRT pada Bisindo, sehingga memberikan kontribusi baru dalam bidang ini.

---

Bisindo is a sign language widely used by the deaf community in Indonesia to interact nonverbally. The language structure of Bisindo is very different from the Indonesian language commonly used by hearing people. This causes a gap in communication between the deaf community and hearing people. This research develops a sign language recognition and translation model (SLRT) for Bisindo by applying the Single Stream Network and Two Stream Network architectures successfully used in German Sign Language (DGS). This model is trained on the Bisindo-2024 dataset containing 96 sentences with verb agreement. This research produced an SLRT model that achieved scores of 62.30 on BLEU-4 and 71.00 on ROUGE. The results of this research show that the performance of the Two Stream Network outperformed the Single Stream Network by 10.86 on BLEU-4 and 7.01 on ROUGE. Additionally, this research also proves that the transfer learning approach significantly improved the model's performance. This research also demonstrates that an end-to-end trained model performs better than a pipeline model. This research is the first to apply the SLRT model to Bisindo, thus providing a new contribution to this field."

"Bisindo adalah bahasa isyarat yang banyak digunakan oleh komunitas tuli di Indonesia untuk berinteraksi secara nonverbal. Struktur bahasa pada Bisindo sangat berbeda dengan Bahasa Indonesia yang biasa digunakan oleh orang dengar. Hal ini menyebabkan adanya gap antara komunitas tuli dengan orang dengar dalam berkomunikasi. Penelitian ini mengembangkan model pengenal dan penerjemah bahasa isyarat (SLRT) untuk Bisindo dengan menerapkan arsitektur Single Stream Network dan Two Stream Network yang sukses digunakan pada German Sign Language (DGS). Model ini dilatih pada dataset Bisindo-2024 yang berisikan 96 kalimat yang mengandung kata kerja berarah. Penelitian ini menghasilkan model SLRT yang meraih skor 62.30 pada BLEU-4 dan 71.00 pada ROUGE. Hasil penelitian ini menunjukkan bahwa performa Two Stream Network mengungguli Single Stream Network sejauh 10.86 pada BLEU-4 dan 7.01 pada ROUGE. Selain itu, penelitian ini juga membuktikan bahwa pendekatan transfer learning berhasil meningkatkan performa model secara signifikan. Melalui penelitian ini juga dibuktikan bahwa model yang dilatih secara end-to-end memiliki performa yang lebih baik dibanding model pipeline. Penelitian ini adalah yang pertama menerapkan model SLRT pada Bisindo, sehingga memberikan kontribusi baru dalam bidang ini.

---

Bisindo is a sign language widely used by the deaf community in Indonesia to interact nonverbally. The language structure of Bisindo is very different from the Indonesian language commonly used by hearing people. This causes a gap in communication between the deaf community and hearing people. This research develops a sign language recognition and translation model (SLRT) for Bisindo by applying the Single Stream Network and Two Stream Network architectures successfully used in German Sign Language (DGS). This model is trained on the Bisindo-2024 dataset containing 96 sentences with verb agreement. This research produced an SLRT model that achieved scores of 62.30 on BLEU-4 and 71.00 on ROUGE. The results of this research show that the performance of the Two Stream Network outperformed the Single Stream Network by 10.86 on BLEU-4 and 7.01 on ROUGE. Additionally, this research also proves that the transfer learning approach significantly improved the model's performance. This research also demonstrates that an end-to-end trained model performs better than a pipeline model. This research is the first to apply the SLRT model to Bisindo, thus providing a new contribution to this field."

"Bahasa Isyarat Indonesia (BISINDO) merupakan salah satu bahasa isyarat yang banyak digunakan kaum Tuli di Indonesia karena dianggap lebih alami sehingga lebih mudah digunakan. BISINDO digunakan kaum Tuli untuk berkomunikasi dengan orang lain dalam kegiatan sehari-harinya. Namun, pada kenyataannya, masih banyak orang yang belum mengerti bahasa isyarat. Hal tersebut menjadi kendala bagi orang Tuli untuk berkomunikasi dengan orang dengar dan sebaliknya. Perkembangan teknologi yang semakin maju memberikan suatu solusi untuk masalah tersebut. Pada penelitian ini akan dikembangkan model untuk mengenali gerakan isyarat BISINDO dengan menggunakan MobileNetV2 dan Long Short-Term Memory (LSTM). MobileNetV2 digunakan pada tahap feature extraction sedangkan LSTM digunakan pada tahap klasifikasi gerakan isyarat. Dataset yang digunakan pada penelitian ini berupa video 40 kalimat yang direkam dengan menggunakan kamera smartphone dan diperagakan oleh empat orang Tuli dari Laboratorium Riset Bahasa Isyarat FIB UI (LRBI FIB UI). Terdapat tahapan preprocessing untuk mendapatkan bagian tangan dan wajah yang merupakan fitur penting untuk membedakan gerakan isyarat. Penelitian ini menghasilkan model LSTM 1-layer bidirectional sebagai model terbaik dengan akurasi tertinggi sebesar 91,53%.

---

Indonesian Sign Language (BISINDO) is a sign language that is widely used by deaf people in Indonesia because it is a natural language and therefore it is easier to use. BISINDO is used by deaf people to communicate in their daily activities. However, in reality, there are many people who do not understand sign language. This becomes a problem for deaf people to communicate with hearing people and vice versa. Nowadays, the development of technology is more advanced give a solution to this problem. In this research, a model will be developed to recognize BISINDO gestures using MobileNetV2 and Long Short-Term Memory (LSTM). MobileNetV2 will be used in a feature extraction stage while LSTM will be used in the gesture classification stage. The dataset used in this study is a video recording of 40 sentences recorded using a smartphone camera and it was demonstrated by four deaf people from the research laboratory of sign language FIB UI (LRBI FIB UI). There is a preprocessing stage to get the hand and facial parts which are important features for distinguishing the gesture of sign language. Then, the result of this study is a model LSTM 1-Layer Bidirectional as the best model with the highest accuracy is 91,53%."

"

Sistem Isyarat Bahasa Indonesia (SIBI) adalah sistem bahasa isyarat yang diakui secara resmi oleh Departemen Pendidikan dan Kebudayaan Indonesia dan digunakan sebagai salah satu media komunikasi dalam proses pembelajaran di SLB (Sekolah Luar Biasa) bagi kaum tunarungu. Bagi kaum awam yang sama sekali tidak mengetahui gerakan isyarat SIBI tentunya akan mengalami kesulitan ketika harus berkomunikasi dengan kaum tunarungu. Berangkat dari hal tersebut, diperlukan suatu sistem penerjemah dari gerakan SIBI ke teks Bahasa Indonesia, ataupun sebaliknya dari teks Bahasa Indonesia ke gerakan SIBI. Penelitian ini merupakan tahapan awal dari sistem penerjemah dari teks Bahasa Indonesia ke bahasa isyarat yang memiliki fokus untuk melakukan proses pembangkitan gerakan isyarat dari suatu kalimat menjadi isyarat SIBI dalam bentuk animasi tiga dimensi gerakan tangan dan jari pada platform telepon pintar. Proses pembangkitan gerakan dimulai dari proses dekonstruksi kalimat menjadi komponen-komponen kata penyusunnya menggunakan look-up table kata berimbuhan, kata dasar, dan kamus slang. Komponen-komponen kata lalu direferensikan dengan animasi gerakannya. Data gerakan didapat melalui proses perekaman menggunakan sensor motion-capture perception neuron v2 yang mengacu pada kamus SIBI. Dalam proses penyusunan gerakan-gerakan SIBI, akan terdapat jeda antara gerakan awal menuju gerakan selanjutnya. Sehingga diperlukan beberapa gerakan transisi yang dibangkitkan menggunakan interpolasi cross-fading. Berdasarkan hasil evaluasi yang telah dilakukan, gerakan yang dibangkitkan dapat merepresentasikan gerakan SIBI yang benar dengan nilai akurasi terbesar 97.56%, dan 84% hasil pembangkitan dinyatakan Sangat Puas, 14% Puas, serta 2% Cukup.

---

Sign System for Bahasa Indonesia (SIBI) is the official sign language authorized by The Ministry of Education and Culture of Indonesia and being used as one of the communication media by School for Children with Special Needs (SLB) for people with hearing impairments in the process of learning. For people who have a lack of knowledge about SIBI gestures certainly will have difficulty to communicate with people with hearing impairments. Thus, a translation system from SIBI gestures to sentences in Bahasa Indonesia or vice versa is needed. This research is the initial stage of a translation system from sentences in Bahasa Indonesia to SIBI Gestures. The focus of this research is to generate sign gestures in the form of 3D Animation from a sentence input in text format and deployed on the smartphone device. The generation process started from deconstructing the input sentence into its word components using a look-up table that consists of affixes, root words, and a slang dictionary. Then, this word components referred to their gesture animations. The gesture data were recorded with motion-capture sensor Perception Neuron v2 and using the official SIBI Dictionary as reference. In the process of combining the SIBI gestures, a pause between the initial gesture and the next gesture has occurred. Thus, transition gestures also needed to be generated using the cross-fading interpolation. Based on evaluation results, generated gestures correctly represent smooth SIBI gestures with the largest accuracy score of 97.56% with a level of Very Satisfied 84%, Satisfied 14%, Fair 2%.

"

"Perkembangan teknologi saat ini sudah mampu menunjang kegiatan belajar mengajar secara daring. Salah satu metode yang digunakan untuk melakukan kegiatan tersebut adalah secara asinkronus. Umumnya, materi yang disampaikan secara asinkronus menggunakan video pemelajaran. Pengajar mengunggah video pemelajaran pada sebuah layanan Learning Management System (LMS) dan siswa menggunakan video tersebut sebagai bahan belajar. Siswa tunarungu mengalami kesulitan mengikuti kegiatan pemelajaran dengan media tersebut karena kurangnya fitur aksesibilitas pada LMS yang digunakan. Fasilkom UI sebelumnya sudah mengembangkan modul pengubah suara menjadi teks dengan Automatic Speech Recognition (ASR) dan pengubah teks menjadi animasi bahasa isyarat (Text-to-Gesture). LMS yang digunakan adalah Moodle. Pada penelitian ini, dikembangkan suatu layanan yang bisa mengintegrasikan modul ASR dengan aplikasi Text-to-Gesture. Penelitian ini mengembangkan sebuah Application Programming Interface (API) yang bisa menerima hasil ASR dan mengirimkannya ke aplikasi Text-to-Gesture. Animasi dibangkitkan dengan aplikasi Text-to-Gesture yang di saat bersamaan direkam dan kemudian diproses menggunakan FFmpeg. Hasil prosesnya kemudian dikirimkan kembali ke Moodle untuk disajikan sebagai bahan ajar. Pada penelitian ini disimpulkan pengembang dapat membuat sebuah API yang bisa menghubungkan modul ASR pada Moodle dengan aplikasi Text-to-Gesture. API yang dibuat juga bisa dihubungkan dengan aplikasi lain selain Moodle selama mengikuti format yang sama dengan modul ASR.

---

The current technology development has been able to support online learning activities. One of the methods used for such activities is asynchronous learning. Typically, asynchronous learning materials utilize instructional videos. Educators upload instructional videos to a Learning Management System (LMS), and students use these videos as learning materials. Deaf students face difficulties in following the learning activities with these media due to the lack of accessibility features in the LMS being used. Previously, Fasilkom UI has developed modules to convert speech into text using Automatic Speech Recognition (ASR) and to convert text into sign language animations (Text-to-Gesture). The LMS used in this research is Moodle. In this study, a service was developed to integrate the ASR module with the Text-to-Gesture application. An Application Programming Interface (API) was developed to receive ASR results and send them to the Text-to-Gesture application. The animations that are generated using the Text-to-Gesture application are recorded and then processed using FFmpeg. The processed results are then sent back to Moodle to be presented as teaching materials. This research concludes that developers can create an API to connect the ASR module in Moodle with the Text-to-Gesture application. The created API can also be connected to other applications as long as they follow the same format as the ASR module."

"Kemampuan berkomunikasi menggunakan bahasa isyarat sangat penting bagi kaum tunarungu dan tunawicara. Rendahnya persentase rakyat Indonesia yang menguasai bahasa isyarat menjadi latar belakang pengembangan aplikasi penerjemah Sistem Isyarat Bahasa Indonesia (SIBI) menjadi teks. Sistem penerjemah bahasa isyarat menjadi teks dikembangkan menggunakan MediaPipe Hands dengan konfigurasi default dan Convolutional Neural Network (CNN) sebagai classifier hasil recognition MediaPipe. Sistem tersebut diimplementasikan menjadi aplikasi berbasis Android untuk menerjemahkan bahasa isyarat SIBI menjadi teks secara real-time. Dari hasil pengujian sistem penerjemah yang dikembangkan menggunakan 3.803 data landmark tangan dengan rasio training, validation, dan testing sebesar 70:15:15, diperoleh tingkat akurasi model training sebesar 98.57% dengan tingkat akurasi model testing sebesar 92.59%. Aplikasi penerjemah SIBI menjadi teks dapat dijalankan secara real-time dengan jumlah frame kamera yang dapat diproses sekitar 20 frame per detik. Pada pengujian aplikasi dalam menerjemahkan SIBI menjadi teks, diperoleh akurasi sebesar 96.92%. Perbedaan gestur tangan yang ditangkap oleh kamera ketika berbahasa isyarat menjadi kekurangan pada aplikasi yang menyebabkan teks yang diterjemahkan kadang tidak sesuai. Saran untuk pengembangan lebih lanjut yaitu meningkatkan performa model SIBI dan menambah jumlah bahasa isyarat yang dapat diterjemah.

---

The ability to communicate with sign language becomes very important for disabilities who cannot hear or speak. The low percentage of Indonesian societies who are not able to understand Indonesian sign language becomes the background of the SIBI recognizer application development. SIBI recognizer system is developed using MediaPipe Hands with default configuration and Convolutional Neural Network (CNN) as the classifier of MediaPipe recognition result. The system is implemented to an Android based application project for real-time SIBI sign language to text recognition. The SIBI recognizer system model developed with 3.803 data of hand landmarks with training, validation, and testing ratio of 70:15:15 achieves the training accuracy of 98.57% and testing accuracy of 92.59%. The SIBI recognizer application can perform in real-time with average number of 20 frames per second. The application testing results in accuracy of 96.92%. The hand gesture difference caught by the camera when performing sign language becomes the drawback of the application, hence the translated text sometimes mismatched. Suggestions for the future development include improving SIBI model performance and increasing the number of sign languages to be translated."

"Bahasa yang dapat diakses anak tunarungu secara natural adalah bahasa isyarat. Pada usia kritis, anak perlu secara reguler medapat pemaparan bahasa yang dapat diakses atau anak akan mengalami kendala dalam berbahasa yang berujung pada kendala lain. Namun, banyak orang tua mendengar yang belum menyadari sepenuhnya metode yang baik dalam mengajarkan dan berkomunikasi dengan bahasa isyarat. Penelitian ini bertujuan memberikan solusi bagi para orang tua anak tunarungu mempelajari bahasa isyarat agar dapat mendidik dan berkomunikasi dengan anak melalui bahasa yang dapat diakses anak tunarungu. Pengembangan desain antarmuka solusi aplikasi ini menggunakan metode user-centered design. Pengumpulan masalah dan kebutuhan dilakukan dengan melakukan wawancara dengan orang tua anak tunarungu dan wawancara dengan psikolog. Setelah desain antarmuka dibuat dalam bentuk prototipe, dilakukan evaluasi kualitatif dengan usability testing dan kuantitatif dengan System Usability Scale (SUS). Berdasarkan hasil evaluasi yang diberikan pengguna, aplikasi pembelajaran bahasa isyarat untuk orang tua memiliki usability yang cukup baik dan memiliki skor SUS yang cukup tinggi.

---

The language that deaf children can naturally access is sign language. At the critical age, children need to start learning their accessible language otherwise children will have language deprivation that can leads to other cognitive problems. However, many hearing parents do not understand good methods on how to teach children and communicating with sign language. This research provides a solution for parents of deaf children to learn basic of language that is accessible for deaf children, sign language. The interface of this application was designed using user-centered design approach. Requirement gathering was done by conducting interviews with parents of deaf children and interview with a psychologist. After the prototype was made, the design evaluated qualitatively by conducting usability testing and quantitatively using System Usability Scale (SUS). Based on the evaluation results, sign language learning application for parents have overall good usability and have a fairly high SUS score."

"Perbedaan media komunikasi yang digunakan antara komunitas tuli dengan masyarakat normal menjadi pembatas dalam menjalin komunikasi antar keduanya. Untuk mengatasi hal ini, diperlukan suatu alat penerjemah yang dapat menerjemahkan bahasa isyarat Indonesia (Bisindo) yang biasa digunakan oleh komunitas tuli di Indonesia ke bahasa lisan dan sebaliknya. Penelitian ini akan berkontribusi pada pembentukan alat penerjemah tersebut dengan menerjemahkan kalimat dalam format Bisindo menjadi kalimat bahasa Indonesia secara satu arah. Penerjemahan dilakukan dengan dua metode berbeda, yaitu penerjemahan berbasis statistik menggunakan model neural machine translation (NMT) dan penerjemahan berbasis aturan. Khusus untuk penerjemahan berbasis aturan, penelitian ini hanya akan berfokus pada sebuah tahapan saja yaitu penambahan preposisi. Selain itu, penelitian ini juga memaparkan metode pembentukan dataset yang menyerupai karakteristik Bisindo dari dataset Indonesia menggunakan aturan-aturan sederhana untuk mengatasi minimnya ketersediaan dataset tersebut. Model NMT terbaik pada eksperimen ini memperoleh peningkatan nilai SacreBLEU sekitar 56%, serta penurunan nilai WER sekitar 7% dari nilai awal yang diperoleh pada dataset testing secara langsung. Di sisi lain, penerjemahan berbasis aturan memperoleh peningkatan nilai SacreBLEU sekitar 1.1% serta penurunan nilai WER sekitar 9.7% dari nilai awal. Sebagai tambahan, model tersebut memperoleh nilai precision sebesar 0.436 dan nilai recall sebesar 0.340 pada performanya dalam menambahkan preposisi secara spesifik.

---

The difference of communication methods used by the deaf community and the society becomes a boundary that limits the communication between the two. In order to tackle this issue, we need a tool that can translate sign language (especially bahasa isyarat Indonesia or Bisindo which is commonly used by the deaf community in Indonesia) to oral language and vice versa. This experiment will contribute to such tool by building a tool to translate sentences in Bisindo format to Bahasa Indonesia in one direction. Translation is done using two different methods: statistic-based translation using neural machine translation (NMT) models and rule-based translation. Specific to the rule-based approach, we will only focus on one step of the translation process which is adding prepositions. Aside of that, we also propose a method in building Bisindo-like dataset from Bahasa Indonesia dataset in order to handle the low availability of it. The best NMT model in this experiment achieved an improvement around 56% in SacreBLEU and a decrease around 7% in WER compared to the initial metrics value that we got directly from the testing dataset. On the other side, rule-based translation achieved an improvement around 1.1% in SacreBLEU and a decrease around 9.7% in WER compared to the initial metrics value. In addition, the model achieved 0.436 precision score and 0.340 recall score specific to its performance in adding preposition."

"Perbedaan media komunikasi yang digunakan antara komunitas tuli dengan masyarakat normal menjadi pembatas dalam menjalin komunikasi antar keduanya. Untuk mengatasi hal ini, diperlukan suatu alat penerjemah yang dapat menerjemahkan bahasa isyarat Indonesia (Bisindo) yang biasa digunakan oleh komunitas tuli di Indonesia ke bahasa lisan dan sebaliknya. Penelitian ini akan berkontribusi pada pembentukan alat penerjemah tersebut dengan menerjemahkan kalimat dalam format Bisindo menjadi kalimat bahasa Indonesia secara satu arah. Penerjemahan dilakukan dengan dua metode berbeda, yaitu penerjemahan berbasis statistik menggunakan model neural machine translation (NMT) dan penerjemahan berbasis aturan. Khusus untuk penerjemahan berbasis aturan, penelitian ini hanya akan berfokus pada sebuah tahapan saja yaitu penambahan preposisi. Selain itu, penelitian ini juga memaparkan metode pembentukan dataset yang menyerupai karakteristik Bisindo dari dataset Indonesia menggunakan aturan-aturan sederhana untuk mengatasi minimnya ketersediaan dataset tersebut. Model NMT terbaik pada eksperimen ini memperoleh peningkatan nilai SacreBLEU sekitar 56%, serta penurunan nilai WER sekitar 7% dari nilai awal yang diperoleh pada dataset testing secara langsung. Di sisi lain, penerjemahan berbasis aturan memperoleh peningkatan nilai SacreBLEU sekitar 1.1% serta penurunan nilai WER sekitar 9.7% dari nilai awal. Sebagai tambahan, model tersebut memperoleh nilai precision sebesar 0.436 dan nilai recall sebesar 0.340 pada performanya dalam menambahkan preposisi secara spesifik.

---

The difference of communication methods used by the deaf community and the society becomes a boundary that limits the communication between the two. In order to tackle this issue, we need a tool that can translate sign language (especially bahasa isyarat Indonesia or Bisindo which is commonly used by the deaf community in Indonesia) to oral language and vice versa. This experiment will contribute to such tool by building a tool to translate sentences in Bisindo format to Bahasa Indonesia in one direction. Translation is done using two different methods: statistic-based translation using neural machine translation (NMT) models and rule-based translation. Specific to the rule-based approach, we will only focus on one step of the translation process which is adding prepositions. Aside of that, we also propose a method in building Bisindo-like dataset from Bahasa Indonesia dataset in order to handle the low availability of it. The best NMT model in this experiment achieved an improvement around 56% in SacreBLEU and a decrease around 7% in WER compared to the initial metrics value that we got directly from the testing dataset. On the other side, rule-based translation achieved an improvement around 1.1% in SacreBLEU and a decrease around 9.7% in WER compared to the initial metrics value. In addition, the model achieved 0.436 precision score and 0.340 recall score specific to its performance in adding preposition."

"Penelitian mengenai negasi dalam bahasa isyarat belum banyak dilakukan di Indonesia. Memperhatikan situasi tersebut, penelitian ini bertujuan untuk mendeskripsikan negasi dalam bahasa isyarat Indonesia (Bisindo) yang berfokus pada analisis terhadap bentuk penanda manual dan nonmanual serta pola susunan kata dari satu jenis kalimat, yaitu kalimat pernyataan. Penelitian ini menggunakan data berupa rekaman video berbahasa isyarat informan tuli yang berisi 60 kalimat pernyataan negasi dalam Bisindo. Data yang sudah dikumpulkan, selanjutnya ditranskripsi terlebih dahulu untuk mengetahui bentuk penanda manual, penanda nonmanual, serta pola susunan kata dalam kalimat pernyataan negasi Bisindo. Hasil penelitian memperlihatkan bahwa (1) kalimat pernyataan negasi pada Bisindo dominan menggunakan penanda manual untuk menyatakan negasi; (2) penanda manual yang digunakan untuk menegasikan kalimat adalah TIDAK/BUKAN, BELUM, TIDAK-ADA, TIDAK-MENGERTI, TIDAK-PERNAH/BELUM-PERNAH, TIDAK-SUKA, dan TIDAK-MAU yang cenderung muncul di akhir kalimat; (3) jenis gerakan penanda nonmanual yang digunakan dalam kalimat pernyataan negasi adalah alis naik, alis turun, dan kepala menggeleng, (4) gerakan nonmanual yang paling banyak muncul adalah alis naik, sedangkan penanda manual negasi yang paling banyak digunakan adalah TIDAK/BUKAN; (5) untuk pola susunan kata, ditemukan sebanyak 10 jenis/tipe dan pola SP-Neg muncul dengan jumlah yang paling signifikan.

---

Research on negation in sign language has not been extensively conducted in Indonesia. Recognizing this gap, this study aims to describe negation in Indonesian Sign Language (Bisindo) which focuses on analyzing the forms of manual and nonmanual markers, as well as word order patterns in one type of sentence: statement sentences. This study utilizes data in the form of video recordings of deaf informants using sign language, comprising 60 negation statement sentences in Bisindo. The collected data is transcribed to identify the forms of manual markers, nonmanual markers, and word order patterns in Bisindo negation statement sentences. The findings show that (1) negation statement sentences in Bisindo predominantly employ manual markers to express negation; (2) manual markers such as NOT/NOT, NOT-YET, NOTHING, NOT-UNDERSTAND, NEVER, NOT-LIKE, and NOT-WANT are used to negate sentences, often appearing at the end of the sentence; (3) the types of nonmanual marker gestures used in negation statement sentences include raising eyebrows, lowering eyebrows, and shaking the head; (4) the most prevalent nonmanual gesture is raising eyebrows, while the most frequently used negation manual marker is NOT/NOT; (5) concerning word order patterns, 9 types are identified, with the SP-Neg pattern being the most significant."