Sebagian besar pekerjaan sebelumnya terkait dengan pengenalan Bahasa isyarat memerlukan perangkat keras khusus, seperti. sensor kedalaman. Solusi lain tidak cukup ringan untuk dijalankan secara real time dan dengan demikian terbatas pada platform yang dilengkapi dengan sumber daya yang kuat. Oleh karena itu, penelitian ini mengusulkan klasifikasi bahasa isyarat secara realtime menggunakan mediapie hands untuk mengekstrak feature landmark dari gambar RGB tanpa alat tambahan dan 1D CNN yang dapat bekerja dengan kompleksitas komputasi yang lebih rendah serta nilai akurasi yang tinggi. Penelitian dimulai dengan mengekstraksi features 21 landmark tangan 3D pada gambar ASL oleh mediapipe hands kemudian dilakukan seleksi pada gambar dataset. Dilakukan cleaning data sehingga data yang digunakan selanjutnya adalah data yang memiliki bentuk landmark tangan sesuai dengan bentuk tangan pada gambar yang diberikan. Dilakukan penyesuaian dimensi pada data bersih yang diperoleh, kemudian  diklasifikasikan menggunakan algoritma 1D CNN. pada penelitian ini didapatkan hasil berupa tingkat akurasi dan nilai F1-Score yang sangat baik yaitu F1-Score sebesar 99,9881276 dan akurasi sebesar 0,99988129. pada data yang tidak disertakan pada proses pelatihan didapatkan hasil yang sangat baik yaitu F1-Score sebesar 99,1425085 dan akurasi sebesar 0,99153439. Dilakukan juga pengujian terhadap video untuk mensimulasikan penggunaan secara realtime. Didapatkan nilai F1-Score sebesar 99,3535477 dan akurasi sebesar 0,99444444.