PEMANFAATAN CONVOLUTIONAL NEURAL NETWORK UNTUK MONITORING MOTORIK HALUS MENULIS HURUF HIJAIYAH DI TPA MASJID AL-FALAH TONATAN PONOROGO

  • Angga Prasetyo Universitas Muhammadiyah Ponorogo
  • Yovi Litanianda Universitas Muhammadiyah Ponorogo
  • Arief Rahman Yusuf Universitas Muhammadiyah Ponorogo
  • Ismail Abdurrozzaq Universitas Muhammadiyah Ponorogo
  • Sugianti Sugianti Universitas Muhammadiyah Ponorogo
  • Arin Yuli Astuti Universitas Muhammadiyah Ponorogo
Kata Kunci: CNN, hijaiyah, TPA, monitoring,deteksi

Abstrak

Ketrampilan Menulis Huruf Hijaiyah memerlukan penguasaan gerakan motorik halus yang baik. Penguasaan motorik halus tidak hanya berdampak pada kemampuan kognitif anak dalam mengenal dan menghafal huruf, tetapi Juga berfungsi agar otot kecil seperti jari tangan saling berinteraksi. Permasalahan yang dialami mitra TPA yaitu, proses Pemantauan secara langsung ini memerlukan perhatian yang intensif, sehingga sulit bagi ustadz/ustadzah untuk secara efektif memantau seluruh anak–anak sekaligus. ini menyebabkan proses pembelajaran menjadi kurang optimal, karena perhatian ustadz/ustadzah cenderung terfokus pada beberapa santri saja, sehingga santri-santri lain tidak memperoleh pengawasan dan bimbingan yang cukup. Tim pengabdian membuat solusi menerapkan sistem dengan memanfaatkan algoritma Convolutional Neural Network (CNN). CNN terbukti efektif dalam menangkap pola dari citra tulisan hijaiyah serta mampu mendeteksi kemampuan motorik anak secara otomatis melalui analisis tulisan mereka dengan menggunakan pemrosesan citra huruf hijaiyah penilaian berdasarkan empat tingkat perkembangan motorik halus, yaitu Belum Berkembang (BB), Mulai Berkembang (MB),  Berkembang  Sesuai Harapan  (BSH),  dan Berkembang Sangat Baik (BSB). Metode pelaksanaan yaitu anak-anak diminta menulis huruf Hijaiyah menggunakan alat tulis pada kertas yang telah disediakan. Tulisan  tangan  dipindai  atau  difoto  untuk  menghasilkan  data berupa gambar digital. Gambar-gambar tersebut diklasifikasikan berdasarkan kategori kemampuan motorik (BB, MB, BSH, BSB). Hasil Model CNN melalui testing validation accuracy mengalami peningkatan selama proses pelatihan kondisi akurasi yang awalnya rendah diangka 0,7 kemudian mengalami kenaikan mendekati 1,0 seiring penambahan epoch pada rentan 5 iterasi sampai 40 iterasi menggambarkan pelatihan dan akurasi tinggi dengan pola model mampu melakukan pembelajaran tanpa overfitting.

Referensi

Aufar, Y., Abdillah, M. H., & Romadoni, J. (2023). Web-based CNN Application for Arabica Coffee Leaf Disease Prediction in Smart Agriculture. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 7(1), Article 1. https://doi.org/10.29207/resti.v7i1.4622

Fitriani, L., Tresnawati, D., & Sukriyansah, M. B. (2023). Image Classification On Garutan Batik Using Convolutional Neural Network with Data Augmentation. JUITA: Jurnal Informatika, 107–115. https://doi.org/10.30595/juita.v11i1.16166

Hybrid deep learning for detecting lung diseases from X-ray images. (n.d.). ResearchGate. Retrieved June 2, 2025, from https://www.researchgate.net/publication/342695564_Hybrid_deep_learning_for_detecting_lung_diseases_from_X-ray_images

Mulyana, D. I., & Pratama, A. (2023). Optimasi Deteksi Pengenalan Huruf Hijaiyah Dengan Metode Tepi Canny Dan Morfologi. INTECOMS: Journal of Information Technology and Computer Science, 6(2), 717–725. https://doi.org/10.31539/intecoms.v6i2.7663

Plant Leaf Disease Detection using Computer Vision and Machine Learning Algorithms. (n.d.). ResearchGate. Retrieved June 2, 2025, from https://www.researchgate.net/publication/359690037_Plant_Leaf_Disease_Detection_using_Computer_Vision_and_Machine_Learning_Algorithms

Rustandi, D., Wijaya, S. H., Mushthofa, & Damayanti, R. (2024). Anatomy Identification of Bamboo Stems with The Convolutional Neural Networks (CNN) Method. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 8(1), Article 1. https://doi.org/10.29207/resti.v8i1.5370

Sasongko, T. B., Haryoko, H., & Amrullah, A. (2024). Analisis Efek Augmentasi Dataset dan Fine Tune pada Algoritma Pre-Trained Convolutional Neural Network (CNN). Jurnal Teknologi Informasi dan Ilmu Komputer, 10(4), 763–768. https://doi.org/10.25126/jtiik.2024106583

Shen, R., Zhen, T., & Li, Z. (2023). Segmentation of Unsound Wheat Kernels Based on Improved Mask RCNN. Sensors, 23(7), Article 7. https://doi.org/10.3390/s23073379

TiaraSari, A., & Haryatmi, E. (2021). Penerapan Convolutional Neural Network Deep Learning dalam Pendeteksian Citra Biji Jagung Kering. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), Article 2. https://doi.org/10.29207/resti.v5i2.3040

Wijaya, V. D. T., Novianto, S., & Rosyidah, U. (2014). Deteksi Huruf Arab Menggunakan Metode Freeman Chain Code. Techno.Com, 13(4), Article 4. https://doi.org/10.33633/tc.v13i4.606

Diterbitkan
2025-07-10
Bagian
Articles