Hambatan komunikasi antara masyarakat umum dan penyandang disabilitas tuna rungu-wicara memerlukan sistem penerjemah Bahasa Isyarat Indonesia (BISINDO) praktis dan dapat diakses melalui perangkat mobile. Penelitian terdahulu berbasis pendekatan deteksi objek (bounding box) kerap mengalami penurunan akurasi akibat bias latar belakang dan ambiguitas gerakan dinamis. Penelitian ini mengusulkan penerapan model YOLOv11 berbasis Keypoint Detection untuk mengenali 58 kosakata BISINDO dinamis pada platform mobile. Dataset berjumlah 34.800 gambar dibangun melalui proses pelabelan koordinat otomatis (automated labeling) memanfaatkan MediaPipe Holistic. Model dilatih menggunakan varian YOLOv11n-pose dengan transfer learning dan fine-tuning berlapis yang dievaluasi melalui variasi pembagian data serta jenis optimizer. Hasil eksperimen menunjukkan konfigurasi optimizer MuSGD dengan rasio data 80:10:10 memberikan performa tertinggi dengan nilai mean Average Precision (mAP@50) sebesar 98,24%, precision 98,8%, recall 98,79%, F1-Score 98,79%, dan kecepatan inferensi desktop mencapai 16,04 FPS. Setelah melalui tahapan kuantisasi menjadi format TensorFlow Lite, pengujian interaktif waktu nyata (real-time) pada perangkat mobile Android mencatatkan rata-rata pengujian dunia nyata sebesar 46,34% dengan kecepatan komputasi 0,71 FPS. Penurunan performa ini dipicu oleh efek kompresi arsitektur model serta variabilitas lingkungan fisik dan jumlah kelas yang lebih banyak dari penelitian sebelumnya. Meskipun demikian, sistem berhasil mendeteksi 29 kosakata pada perangkat mobile. Model mampu mempertahankan kapabilitas ekstraksi spasial dari 75 titik sendi anatomi tangan.