Bahasa Isyarat Indonesia (BISINDO) menjadi media komunikasi penting bagi komunitas tuna rungu. Namun, masih banyak masyarakat yang tidak memahami bahasa isyarat. Beberapa penelitian mengenai Bahasa Isyarat Indonesia sebelumnya menggunakan pendekatan klasifikasi yang menerapkan model deep learning dengan bobot yang berat sehingga kurang cocok dalam implementasi secara real time. Penelitian ini bertujuan mendeteksi makna BISINDO secara real-time menggunakan transfer learning dengan model EfficientDet dan YOLOv8. EfficientDet dan YOLOv8 digunakan dalam penelitian ini karena bobot modelnya yang ringan sehingga sesuai dalam pengimplementasian secara real time. Dataset yang digunakan terdiri dari 3.242 gambar gestur kosakata dengan 30 kelas. Metode penelitian meliputi pra-pemrosesan data, pelabelan, dan pelatihan model dengan berbagai parameter. Hasil menunjukkan model EfficientDet terbaik mencapai mAP 83,7%, precision 95,6%, recall 87%, dan F1-score 96,29% dengan batch size 12 dan pembagian data 70:30. Model YOLOv8 dengan batch size 32 dan pembagian data 90:10 memberikan performa terbaik, dengan mAP 88,92%, precision 97,71%, recall 97,76%, dan F1-score 97,73%. Setelah proses denoise, performa YOLOv8 meningkat menjadi mAP 89,44%. Implementasi real-time menghasilkan akurasi 58,88% pada pengujian dengan kondisi jarak 0,5-1 meter, 1,5-2 meter, latar belakang polos, latar belakang berpola, tangan diam, dan tangan bergerak, lalu meningkat menjadi 68% setelah eliminasi kondisi jarak 1,5-2 meter.