KLASIFIKASI HURUF HIRAGANA DAN KATAKANA MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS DENGAN PENDEKATAN TRANSFER LEARNING PADA DATA TULIS TANGAN

Siswa di LPK Bina Taruna Sejahtera sering mengalami kesulitan dalam mengenali huruf Hiragana dan Katakana tulisan tangan. Tujuan dari penelitian ini adalah mengembangkan sistem klasifikasi huruf tulisan tangan Jepang menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Metode penelitian yang digunakan merupakan penelitian terapan, dengan menerapkan teknologi deep learning untuk menyelesaikan permasalahan nyata di bidang pendidikan. Model dibangun menggunakan arsitektur MobileNetV2 yang telah dilatih pada dataset gambar huruf Hiragana dan Katakana. Data diproses melalui augmentasi seperti rotasi, translasi, zoom, dan penyesuaian pencahayaan, kemudian dibagi secara stratified ke dalam data latih, validasi, dan uji. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan 92 kelas huruf dengan akurasi sebesar 89,95%. Nilai precision, recall, dan f1-score rata-rata berturut-turut sebesar 0.92, 0.90, dan 0.90. Confusion matrix menunjukkan sebagian besar prediksi berada pada diagonal utama, menandakan klasifikasi tepat. Beberapa kesalahan terjadi pada huruf dengan bentuk visual yang mirip. Sistem mampu bekerja secara stabil dan konsisten di berbagai kelas huruf. Kesimpulannya, pendekatan CNN dengan transfer learning terbukti efektif dalam mengenali huruf Hiragana dan Katakana tulisan tangan. Sistem ini dapat mendukung pembelajaran mandiri secara fleksibel dan efisien. Pengembangan lebih lanjut disarankan dengan menambahkan variasi gaya tulisan tangan.