DETEKSI MOTORIK HALUS ANAK DARI TULISAN HURUF HIJAIYAH DENGAN CNN RESNET-50 (STUDI KASUS BA AISYIYAH PONOROGO)

Kemampuan motorik halus merupakan salah satu aspek penting dalam perkembangan anak usia dini, khususnya dalam kegiatan menulis huruf. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi kemampuan motorik halus anak berdasarkan tulisan huruf Hijaiyah menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet-50. Data diperoleh dari anak-anak BA Aisyiyah Tonatan Ponorogo berupa tulisan tangan huruf Hijaiyah, yang diklasifikasikan ke dalam empat kategori: Belum Berkembang (BB), Mulai Berkembang (MB), Berkembang Sesuai Harapan (BSH), dan Berkembang Sangat Baik (BSB). Model dilatih dengan menggunakan metode transfer learning, yaitu memanfaatkan model ResNet-50 yang sebelumnya sudah dilatih pada dataset besar bernama ImageNet. Kemudian, penyesuaian dilakukan pada 30 lapisan terakhir agar model bisa mengenali tulisan huruf Hijaiyah anak dengan lebih baik. Dataset terdiri dari 4.800 gambar untuk pelatihan dan validasi, serta 20 gambar uji untuk pengujian performa. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan tulisan dengan akurasi mencapai 80%. Sistem ini diimplementasikan dalam bentuk aplikasi web berbasis Flask, yang memungkinkan guru melakukan penilaian secara otomatis dan efisien. Penelitian ini menunjukkan bahwa teknologi deep learning dapat digunakan sebagai alat bantu objektif dalam mendeteksi dan mengevaluasi kemampuan motorik halus anak usia dini, khususnya melalui media tulisan huruf Hijaiyah.