Keterbatasan pemahaman masyarakat umum terhadap Bahasa Isyarat Indonesia (BISINDO) menyebabkan kesenjangan komunikasi dengan penyandang tunarungu, khususnya dalam pelayanan publik, pendidikan, dan dunia kerja. Tantangan yang dihadapi meliputi keberagaman konfigurasi jari antar huruf yang secara geometris berdekatan, sensitivitas sistem berbasis citra terhadap kondisi lingkungan, serta kebutuhan komputasi tinggi pada pendekatan deep learning. Penelitian ini merancang dan mengevaluasi sistem deteksi huruf alfabet BISINDO (A–Z) secara real-time menggunakan kamera konvensional tanpa infrastruktur komputasi khusus, mengombinasikan ekstraksi fitur MediaPipe Hand Landmark (vektor 126 dimensi dari koordinat x, y, z dua tangan) dengan klasifikasi Support vector Machine (SVM). Dataset sebanyak 1.300 citra (50 citra/kelas) dikumpulkan mandiri, dinormalisasi agar translation dan scale invariant, serta dioptimasi melalui GridSearchCV 5-fold cross-validation, menghasilkan konfigurasi terbaik kernel RBF, C = 100, gamma = scale, dengan CV Accuracy 90,4808%. Model final diuji pada 260 sampel dan mencapai akurasi 94,6154% dengan F1-Score macro average 0,9456, dengan 9 dari 26 kelas mencapai skor sempurna. Confusion matrix mengidentifikasi pasangan huruf M,N dan B,E sebagai yang paling rentan tertukar. Pengujian real-time terhadap 12 huruf representatif menghasilkan akurasi yang baik pada 14,46 FPS. Hasil ini membuktikan kombinasi MediaPipe Hand Landmark dan SVM akurat, efisien secara komputasi, dan layak diimplementasikan sebagai teknologi bantu bagi penyandang tunarungu di Indonesia.