Klasifikasi Penulisan Huruf Hijaiyah Menggunakan Algoritma Convolutional Neural Network Pada TPQ I’anatut Tholibin
Abstract
This research was conducted due to difficulties in recognizing handwritten Hijaiyah letters at TPQ I’anatut Tholibin caused by variations in writing styles and similarities among letters. The study aims to develop a handwritten Hijaiyah letter classification system based on a Convolutional Neural Network (CNN) using the MobileNetV2 architecture. The research employed a Research and Development (R&D) approach, including real-time data collection from students’ handwritten samples, image preprocessing (resizing to 224×224, pixel normalization, and augmentation), model design using transfer learning, training, and testing. Model evaluation was performed using test data that were not involved in the training process, with performance assessed through a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The experimental results show that the model achieved an accuracy of 78.46% with a macro F1-score of 77.29%, indicating a reasonably good and balanced classification performance across classes. The system was implemented as a web-based application supporting real-time testing through direct writing on a digital canvas, enabling interactive classification. These findings demonstrate that MobileNetV2 is effective for handwritten Hijaiyah letter classification and has potential as an intelligent learning support tool.
Keywords: Hijaiyah letters; Convolutional neural network; MobileNetV2; Image classification; Real-time system
Abstrak
Penelitian ini dilakukan karena pengenalan tulisan tangan huruf hijaiyah di TPQ I’anatut Tholibin masih terkendala variasi bentuk tulisan dan kemiripan antar huruf. Penelitian ini bertujuan mengembangkan sistem klasifikasi tulisan tangan huruf hijaiyah berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Metode yang digunakan adalah Research and Development (R&D) dengan tahapan pengumpulan data tulisan tangan murid secara real-time, pra-pengolahan citra (resizing 224×224, normalisasi piksel, dan augmentasi), perancangan model dengan pendekatan transfer learning, pelatihan, dan pengujian. Pengujian dilakukan menggunakan data uji yang tidak dilibatkan dalam proses pelatihan, dengan evaluasi performa menggunakan confusion matrix dan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 78,46% dengan nilai macro F1-score 77,29%, yang menandakan performa klasifikasi yang cukup baik dan relatif seimbang antar kelas. Sistem diimplementasikan dalam aplikasi web dengan pengujian real-time melalui penulisan langsung pada kanvas digital sehingga klasifikasi dapat dilakukan secara interaktif. Temuan ini menunjukkan MobileNetV2 efektif untuk klasifikasi huruf hijaiyah tulisan tangan dan berpotensi sebagai alat bantu pembelajaran.
Kata Kunci: Huruf hijaiyah; Convolutional neural network; MobileNetV2; Klasifikasi citra; Sistem realtime
References
A. F. Febrian, M. Azim, R. N. Mal, and M. H. Arrasyid, “Deteksi pola huruf hijaiyah menggunakan metode Convolutional Neural Network (CNN) Berbasis Aplikasi Mobile,” J. Progres. Inform. Secur. Comput. Embed. Syst., vol. 03, no. 01, pp. 1–14, 2025.
M. F. Irawan, Evanita, and A. A. Riadi, “Analisis sentimen terhadap akun twitter terhadap akun twitter kedai kopi janji jiwa menggunakan metode naive bayes,” Digit. Innov. Technol. J. J. homepage, vol. 1, no. 1, pp. 1–5, 2024.
S. Ruhu Salamah and W. Apriandari, “Klasifikasi Sifat Huruf Hijaiyah Dengan Metode Convolutional Neural Network (CNN),” J. Ilm. Inform. Glob., vol. 16, no. 2, pp. 250–56, 2025.
A. A. Handoko, M. A. Rosid, and U. Indahyanti, “Implementasi Convolutional Neural Network (CNN) Untuk Pengenalan Tulisan Tangan Aksara Bima,” SMATIKA STIKI Inform. J., vol. 14, no. 112, pp. 96–110, 5793.
A. Prasetyo, Y. Litanianda, A. R. Yusuf, I. Abdurrozzaq, S. Sugianti, and A. Y. Astuti, “Pemanfaatan Convolutional Neural Network Untuk Monitoring Motorik Halus Menulis Huruf Hijaiyah Di Tpa Masjid Al-Falah Tonatan Ponorogo,” GANESHA J. Pengabdi. Masy., vol. 5, no. 2, pp. 618–624, 2025, doi: 10.36728/ganesha.v5i2.5123.
L. N. Cahaya Ardi, B. Krismono, and K. Hidjah, “Klasifikasi Bahasa Isyarat Huruf Hijaiyah Dengan GAN Dan CNN,” J. Sist. Inf. dan Teknol., vol. 5, no. 2, pp. 124–129, 2025, doi: 10.56995/sintek.v5i2.174.
S. I. Pradika, B. Nugroho, and E. Y. Puspaningrum, “Pengenalan Tulisan Tangan Huruf Hijaiyah Menggunakan Convolution Neural Network Dengan Augmentasi Data,” Pros. Semin. Nas. Inform. Bela Negara, vol. 1, pp. 129–136, 2020, doi: 10.33005/santika.v1i0.35.
A. Syarifah, A. A. Riadi, and A. Susanto, “Klasifikasi Tingkat Kematangan Jambu Bol Berbasis Pengolahan Citra Digital Menggunakan Metode K-Nearest Neighbor,” J. Inform. Merdeka Pasuruan, vol. 7, no. 1, pp. 27–35, 2022.
Y. Fitriani, Evanita, and A. A. Riadi, “Implementation Of Convolutional Neural Network Algorithm In Recyclable Waste Recognition To Support Environmental Management Penerapan Algoritma Convolutional Neural Network Dalam Pengenalan Sampah Daur Ulang,” J. INOVTEK POLBENG - SERI Inform., vol. 10, no. 2, pp. 825–835, 2025.
A. I. Syirojuddin, A. A. Riadi, and A. Susanto, “Klasifikasi Tingkat Kematangan Parijoto Berdasarkan Karakteristik Warna Menggunakan Algoritma K-Nearest Neighbor,” J. Digit, vol. 15, no. 01, pp. 30–40, 2025.
S. Nurazizah, Asriyanik, and F. F. Az-zahra, “Implementasi Convolutional Neural Network Dengan MobileNetV2 Untuk Deteksi Tokoh Wayang Golek Berdasarkan Citra Digital,” Progresif J. Ilm. Komput., vol. 21, no. 02, pp. 443–454, 2025.
A. A. Riadi, A. A. Chamid, and A. Sokhibi, “Analisis komparasi metode perbaikan kontras berbasis histogram equalization pada citra medis,” J. SIMETRIS, vol. 8, no. 1, pp. 383–388, 2017.
M. K. Ulla, S. T. Azizun, S. A. Virda, N. Rizka, and A. A. Chamid, “Digitalisasi UMKM dengan Optimalisasi Google Maps dan QRIS di Kelurahan Sunggingan,” SANDIMAS 3, pp. 292–297, 2025.
S. Achmad, N. Maulana, E. Wijayanti, and A. A. Chamid, “Utilization of Barcode Technology in Modern Inventory Systems to Enhance Accuracy and Operational Efficiency Pengunaan Barcode dalam Sistem Inventory Modern untuk Meningkatkan Akurasi dan Kecepatan Operasional,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 807–818, 2025.
A. A. Chamid, R. Nindyasari, N. Azizah, and A. Hariyadi, “Analysis of public opinion on the governor candidate debate using LDA and IndoBERT,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 10, no. 3, pp. 295–306, 2025.
A. A. Chamid, Widowati, and R. Kusumaningrum, “Ingénierie des Systèmes d ’ Information Labeling Consistency Test of Multi-Label Data for Aspect and Sentiment Classification Using the Cohen Kappa Method,” IIETA Int. Inf. Eng. Technol. Assoc., vol. 29, no. 1, pp. 161–167, 2024.
J.R.T. Baldi, Y. Yohannes, & S. Devella, "Penggunaan Convolutional Neural Network Sebagai Pengenalan Huruf Bahasa Ibrani. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 12, no. 1, pp. 177-191, 2023.
How To Cite This :
Refbacks
- There are currently no refbacks.
