45
JURNAL SISTEM DAN INFORMATIKA (JSI)
Penerapan Jaringan Syaraf Tiruan Backpropagation dalam Pengenalan Huruf Hijaiyah Sufi Vanitra1.
Barry Ceasar Oktariadi2.
Syarifah Putri Agustini Alkadri3 Universitas Muhammadiyah Pontianak e-mail: 1sufivanitra@gmail.
com, 2barry.
ceasaro@unmuhpnk.
id, 3agustini.
putri@unmuhpnk.
Diajukan: 2 Oktober 2025.
Direvisi: 19 Oktober 2025.
Diterima: 27 Oktober 2025 Abstrak Pemanfaatan teknologi dalam pembelajaran bahasa Arab dan Al-Qur'an masih kurang dan terkendala oleh minimnya sistem yang mampu mengenali huruf hijaiyah tulisan tangan secara akurat.
Penelitian ini bertujuan mengembangkan sistem klasifikasi huruf hijaiyah tulisan tangan menggunakan Jaringan Syaraf Tiruan (JST) algoritma backpropagation yang digabungkan dengan teknik ekstraksi ciri bentuk dan tekstur (GLCM).
Dataset terdiri dari 1200 data latih dan 300 data uji dengan citra huruf hijaiyah tulisan tangan bersumber dari Kaggle dan 150 data uji dengan citra huruf hijaiyah tulisan tangan secara langsung.
Tahapan penelitian meliputi preprocessing citra .
esize, grayscale.
Gaussian filter, binarisasi Ots.
, ekstraksi 24 fitur .
fitur bentuk dan 16 fitur GLCM), normalisasi, serta pelatihan dan pengujian model.
Hasil pelatihan model mencapai akurasi sempurna 100%, sedangkan hasil pengujian pada data tulisan tangan menggunakan data Kaggle sebesar 99,33%.
Sedangkan pengujian menggunakan tulisan tangan secara langsung sebesar 93%.
Namun, ketika diuji dengan data huruf font digital yang belum pernah dilihat sebelumnya, akurasi sistem menurun drastis menjadi 20%.
Hasil ini menyimpulkan bahwa metode backpropagation yang dipakai sangat efektif untuk mengenali pola spesifik dari dataset tulisan tangan yang dilatih, namun memiliki kemampuan generalisasi yang terbatas terhadap variasi bentuk huruf yang Kata kunci: huruf hijaiyah, tulisan tangan, jaringan syaraf tiruan, backpropagation Abstract The use of technology in learning Arabic and the Qur'an is still lacking and is hampered by the lack of systems that are able to recognize handwritten hijaiyah letters accurately.
This study aims to develop a classification system for handwritten hijaiyah letters using an Artificial Neural Network (ANN) backpropagation algorithm combined with the shape and texture feature extraction (GLCM) technique.
The dataset consists of 1200 training data and 300 test data with handwritten hijaiyah letter images sourced from Kaggle and 150 test data with handwritten hijaiyah letter images directly.
The research stages included image preprocessing .
esize, grayscale.
Gaussian filter.
Otsu binarizatio.
, extraction of 24 features .
shape features and 16 GLCM feature.
, normalization, and model training and testing.
The model training results achieved a perfect 100% accuracy, while the test results on handwriting data using Kaggle were 99.
The test results using live handwriting were 93%.
However, when tested with previously unseen digital font data, the system's accuracy dropped drastically to 20%.
These results conclude that the backpropagation method used is very effective in recognizing specific patterns from the trained handwriting dataset, but has limited generalization capabilities to new letterform variations.
Keywords: hijaiyah letters, handwriting, artificial neural networks, backpropagation Pendahuluan Dalam fase perkembangan anak, kemampuan mengenali dan membaca huruf merupakan fondasi penting dalam proses pembelajaran membaca, khususnya dalam membaca Al-QurAoan.
Namun, huruf hijaiyah memiliki bentuk yang kompleks dan kemiripan antar huruf yang tinggi, sehingga menyulitkan banyak anak untuk mengenalinya, terlebih jika huruf tersebut ditulis tangan.
Tulisan tangan memiliki variasi bentuk tergantung gaya masing-masing individu, yang membuat proses pembelajaran semakin menantang, terutama bagi anak-anak yang masih berada dalam tahap awal belajar membaca Al-QurAoan.
Oleh karena itu, diperlukan suatu alat bantu yang mampu membantu anak mengenali huruf dengan cara yang lebih efektif dan adaptif terhadap berbagai bentuk tulisan tangan.
Saat ini, pemanfaatan teknologi dalam dunia pendidikan semakin meningkat, termasuk dalam pembelajaran bahasa Arab dan Al-QurAoan.
Sayangnya, masih sedikit sistem yang mampu mengenali huruf hijaiyah tulisan p-ISSN: 1858-473X, e-ISSN: 2460-3732 tangan secara akurat.
Padahal, sistem pembelajaran berbasis teknologi dapat menjadi solusi praktis untuk membantu anak-anak belajar dengan lebih interaktif, menyenangkan, serta memberikan umpan balik secara Berbagai pendekatan telah dicoba untuk meningkatkan akurasi pengenalan huruf Hijaiyah.
Penelitian sebelumnya menunjukkan perkembangan metode yang digunakan.
Awalnya, teknik sederhana seperti pencocokan citra banyak dipakai, namun metode ini sangat kaku dan gagal menangani variasi tulisan Kemudian, pendekatan yang lebih kompleks seperti algoritma genetika dan pendekatan sintaktik juga diujicobakan.
Meskipun lebih fleksibel, metode-metode ini masih memiliki keterbatasan dalam mengenali pola tulisan tangan yang rumit dan non-linear, terutama untuk huruf Hijaiyah yang memiliki variasi bentuk yang sangat beragam.
Sebelumnya telah banyak penelitian mengenai pengolahan citra pada pengenalan pola menggunakan jaringan syaraf tiruan backpropagation.
Penelitian yang dilakukan oleh Asdar dengan metode Local Binary Pattern (LBP) dan Fuzzy K-Nearest Neighbor, metode ini telah terbukti berhasil dalam penelitian sejenis dan cocok untuk data citra dengan variasi bentuk dan rotasi keberhasilan mengenali huruf hijaiyah dengan akurasi 96,55%.
namun, capaian ini hanya berlaku pada huruf digital yang seragam .
eperti font kompute.
dan tidak diterapkan pada dataset tulisan tangan yang lebih variatif.
Sementara itu.
Lisa Amelia menggunakan algoritma Support Vector Machine (SVM) dengan hasil akurasi 99,16%.
Kemampuan SVM dalam menangani masalah non-linier melalui penggunaan kernel function membuatnya sangat cocok untuk membedakan bentuk-bentuk kompleks dan variasi dari huruf hijaiyah.
meski mengesankan, penelitian ini juga masih terbatas pada pengenalan huruf dari font digital yang standar, bukan dari tulisan tangan yang alami.
Keterbatasan ini menunjukkan bahwa diperlukan pendekatan yang lebih kuat untuk menangani kerumitan dan noise pada data tulisan tangan.
Alasan penggunaan Jaringan Saraf Tiruan (JST), khususnya algoritma backpropagation, dipilih sebagai solusi dalam penelitian ini karena kemampuannya yang unggul dalam mempelajari pola-pola yang kompleks dan non-linear.
Berbeda dengan metode konvensional yang memerlukan ekstraksi fitur manual yang sangat bergantung pada keahlian perancang.
JST dapat secara otomatis mempelajari dan mengekstraksi fitur-fitur penting dari data selama proses pelatihan.
Kemampuan ini membuat JST sangat robust dalam menghadapi variasi bentuk, ukuran, dan gaya tulisan tangan yang tidak terbatas.
Arsitektur multilayer pada JST backpropagation memungkinkan jaringan untuk membangun model internal yang sangat representatif untuk membedakan huruf-huruf yang mirip sekalipun.
Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma backpropagation dalam Jaringan Syaraf Tiruan.
Metode ini bekerja dengan menyesuaikan bobot berdasarkan nilai kesalahan yang didapatkan selama proses pelatihan, sehingga memungkinkan jaringan untuk secara bertahap meningkatkan akurasinya hingga menemukan bobot yang optimal untuk mengenali pola.
Dengan adanya sistem pengenalan otomatis berbasis Jaringan Syaraf Tiruan backpropagation ini, anak-anak dapat belajar secara mandiri sambil menerima umpan balik langsung, menjadikan proses pembelajaran lebih interaktif dan menarik.
Selain itu, sistem ini juga mendukung para pengajar dalam menyampaikan materi pembelajaran yang lebih inovatif dan berbasis teknologi, sehingga dapat menciptakan lingkungan belajar yang lebih adaptif dan sesuai dengan kebutuhan anak-anak di era digital.
Dengan demikian, penelitian ini tidak hanya memiliki urgensi dalam memecahkan masalah kesulitan anak-anak dalam mengenali huruf Hijaiyah, tetapi juga bertujuan untuk menciptakan solusi pembelajaran yang lebih modern, interaktif, dan efektif bagi generasi muda dalam mempelajari Al-Quran.
Backpropagation ditujukan untuk mengetahui bobot optimal pada jaringan saraf tiruan dengan arsitektur multilayer network.
Metode ini bekerja dengan menyesuaikan bobot berdasarkan nilai kesalahan yang didapatkan selama proses training, sehingga memungkinkan jaringan untuk secara bertahap meningkatkan akurasi dalam mengenali pola.
Metode Penelitian Metode yang digunakan dalam penelitian ini diantaranya pengumpulan data, preprocessing data, ekstraksi ciri, pelatihan data menggunakan algoritma backpropagation, menghitung akurasi.
Alur penelitian yang diterapkan dapat dilihat pada diagram alir Gambar 2.
1 dibawah ini:
JURNAL SISTEM DAN INFORMATIKA Vol.
No.
November 2025.
Gambar 2.
1 Diagram Alur Metodologi Penelitian Pengumpulan Data Data diperoleh dari sumber publik yang tersedia di platform Kaggle.
, data diperoleh dari sumber publik, yang dapat diakses melalui tautan berikut:
https://w.
com/datasets/kohaku99/tulisan-tangan-huruf-hijaiyah dan tulisan tangan secara Adapun data-data yang dikumpulkan berupa citra digital huruf hijaiyah tulisan tangan dengan jumlah huruf yang digunakan ada 1650 citra dengan 30 huruf hijaiyah yang dapat dilihat pada Tabel 2.
Berikut contoh data huruf hijaiyah pada Gambar 2.
Haa Penerapan Jaringan Syaraf Tiruan Backpropagation dalam Pengenalan Huruf Hijaiyah (Sufi Vanitra.
Barry Ceasar Oktariadi.
Syarifah Putri Agustini Alkadr.
48 Ghoin Mim Gambar 2.
2 tulisan tangan huruf hijaiyah Tabel 2.
1 jumlah huruf hijaiyah tiap kelas Nama huruf Jumlah huruf Preprocessing Data Preprocessing data bertujuan untuk meningkatkan kualitas dan penyempurnaan data sebelum data digunakan sekaligus untuk meningkatkan perhitungan akurasi.
Pada tahapan preprocessing yang dilakukan JURNAL SISTEM DAN INFORMATIKA Vol.
No.
November 2025.
di matlab yang pertama adalah memasukkan dataset gambar huruf hijaiyah, mengubah ukuran citra menjadi 300 x 300 piksel, proses konversi RGB menjadi grayscale, kemudian dilakukan penapisan menggunakan Filter Gausiian untuk membuang derau salt & pepper yang timbul ketika proses scan paper.
Masih dalam tahap pra-pengolahan, proses dilanjutkan dengan segmentasi menggunakan algoritma Otsu untuk mendapatkan bagian objek .
, yakni bagian huruf hijaiyah.
Kegiatan ini akan menghasilkan citra Lalu, hasil preprocessing di simpan dalam berbentuk .
Ekstraksi ciri Proses ekstraksi ciri dimulai dengan memuat data hasil preprocessing dari file .
mat, yang berisi gambar biner huruf hijaiyah.
Tahap ini menggabungkan dua jenis fitur: bentuk/geometris dan tekstur (GLCM).
bentuk, digunakan untuk mengekstrak 8 ciri seperti luas (Are.
, keliling (Perimete.
, kebulatan (Circularit.
, eksentrisitas (Eccentricit.
dan yang lainnya.
Sementara itu, fitur tekstur dihitung menggunakan Gray-Level Co-occurrence Matrix (GLCM) pada empat sudut .
A, 45A, 90A, 135A) dengan 4 properti GLCM: contrast, correlation, energy, dan homogeneity.
Algoritma Backpropagation Perancangan arsitektur jaringan syaraf tiruan backpropagation Jaringan syaraf tiruan dengan Backpropagation memiliki tiga lapisan utama:
Lapisan Input .
nput laye.
: Menerima fitur citra hasil preprocessing.
Lapisan Tersembunyi .
idden laye.
: Melakukan pemrosesan pola menggunakan bobot yang diperbarui saat pelatihan.
Lapisan Output .
utput laye.
: Menghasilkan output berupa prediksi huruf Hijaiyah yang sesuai.
Parameter JST yang ditentukan:
Jumlah neuron di hidden layer: Ditentukan berdasarkan eksperimen.
Fungsi aktivasi: Sigmoid biner.
Maksimum epoch .
terasi pelatiha.
: Ditentukan berdasarkan konvergensi model.
Pelatihan Data dengan Algoritma Backpropagation Sebelum memulai pelatihan, pertama yang dilakukan adalah memuat dataset yang telah diproses Dataset ini berisi fitur gambar huruf hijaiyah yang telah dikonversi ke dalam bentuk numerik agar bisa dipahami oleh JST.
Setelah dataset siap, kemudian mendesain struktur JST.
Ia memilih 24 neuron di lapisan tersembunyi, yang merupakan titik awal untuk menentukan kompleksitas model.
Algoritma pelatihan yang dipilih adalah trainlm (Levenberg-Marquard.
Setelah jaringan terbentuk, kita memilih fungsi aktivasi untuk setiap lapisan.
Lapisan tersembunyi menggunakan tansig (Tangens Sigmoi.
Lapisan output menggunakan purelin .
ungsi linea.
Agar pelatihan berjalan dengan baik, ilmuwan ini mengatur beberapa parameter penting seperti.
Epochs.
Goal.
Min Grad.
Max Fail.
JST mulai belajar dari dataset, model ini menerima input gambar hijaiyah, lalu mencoba memetakan ke huruf yang sesuai dengan menyesuaikan bobot dan bias pada neuron.
Setelah pelatihan selesai.
MSE (Mean Squared Erro.
dihitung untuk melihat tingkat kesalahan.
Semakin kecil nilai MSE, semakin baik model tersebut dalam mengenali huruf hijaiyah.
Backpropagation bekerja dalam tiga tahap utama:
Feedforward (Menyebarkan Input ke Outpu.
Input citra huruf Hijaiyah diberikan ke lapisan input.
Perhitungan dilakukan hingga mencapai lapisan output menggunakan bobot awal yang diinisialisasi secara random.
Output awal dibandingkan dengan target sebenarnya untuk menghitung error.
Backpropagation (Menghitung dan Menyesuaikan Bobo.
Menghitung error antara output yang diprediksi dan target sebenarnya.
Menggunakan turunan fungsi aktivasi .
dan metode gradient descent untuk memperbarui bobot.
Proses ini berulang hingga error menjadi minimal atau hingga batas epoch tercapai.
Updating Weights (Memperbarui Bobot di Setiap Lapisa.
Bobot diperbarui secara bertahap agar model lebih akurat dalam mengenali huruf.
Pengujian Data Tahapan pengujian yang pertama dilakukan adalah memuat model JST yang sudah dilatih, memilih gambar huruf hijaiyah untuk diuji, mengubah ukuran dan konversi ke grayscale, mengurangi noise dengan gausian Filter, lalu ke format numerik, segmentasi huruf dengan metode Otsu, operasi morfologi untuk pembersihan hasil binarisasi, mengonversi gambar ke format vektor untuk JST, melakukan prediksi huruf hijaiyah Penerapan Jaringan Syaraf Tiruan Backpropagation dalam Pengenalan Huruf Hijaiyah (Sufi Vanitra.
Barry Ceasar Oktariadi.
Syarifah Putri Agustini Alkadr.
50 dengan JST, menampilkan hasil prediksi.
Dengan langkah-langkah ini.
JST sekarang bisa membantu mengenali huruf hijaiyah secara otomatis, yang dapat digunakan untuk berbagai aplikasi seperti pembelajaran bahasa Arab atau sistem pengenalan tulisan tangan.
Menghitung akurasi Akurasi (Accurac.
adalah salah satu metrik evaluasi yang umum digunakan untuk mengukur sejauh mana model klasifikasi dapat melakukan prediksi dengan benar.
Akurasi dihitung dengan membandingkan jumlah prediksi yang benar dengan jumlah total prediksi yang dilakukan.
Rumus untuk mencari nilai akurasi pada penelitian ini adalah:
Akurasi = .
umlah data bena.
otal dat.
X 100% .
Hasil dan Pembahasan Penelitian ini berhasil membangun model penerapan jaringan syaraf tiruan backpropagation dalam pengenalan huruf hijaiyah.
Dataset yang digunakan terdiri dari 1650 citra huruf hijaiyah yang dibagi kedalam 30 kelas.
Data tersebut dibagi menjadi 2 yaitu data pelatihan 1200 citra dan data uji 300 citra dari Kaggle dan 150 dari tulisan secara langsung.
Hasil pelatihan Pada tahapan pelatihan menggunakan metode backpropagation ini struktur jaringan yang dibuat terdiri dari input layer 24 fitur, 3 hidden layer, dan 30 output layer.
Algoritma training Levenberg-Marquardt .
Berikut adalah hasil pelatihan pada Tabel 3.
1 menggunakan metode backpropagation sebanyak 10 kali.
Penelitian ini penulis melakukan trial and error untuk mendapatkan nilai performance yang baik dengan mendekati nilai goal 0.
0000001 dan akurasi pelatihan maximum 100%.
Tabel 3.
1 Hasil pelatihan backpropagation sebanyak 10 kali Hidden
Hidden
Hidden
Epoch
Mse
Waktu Akurasi
04:46
11:32
07:34
07:43
18:47
04:12
06:31
5:26
02:32
18:20
Dapat dilihat pada Tabel 3.
1 konfigurasi jaringan syaraf tiruan dengan 3 hidden layer ukuran 20, 25, 35.
Menggunakan fungsi aktivasi hidden layer tansig, tansig, tansig dan fungsi aktivasi output purelin.
Konfigurasi pelatihan epoch: 100, waktu 04:12 menit, nilai mse 1.
43e-07 atau 0.
000000143, dan mendapatkan nilai akurasi pelatihan 100%.
JURNAL SISTEM DAN INFORMATIKA Vol.
No.
November 2025.
Gambar 3.
1 Plot pelatihan neural network training Tabel 3.
1 menunjukkan pelatihan pengenalan huruf hijaiyah sebanyak 1200 huruf hijaiyah berhasil Sehingga akurasi pada pelatihan ini mendapat 100% dan pengujian pengenalan huruf hijaiyah sebanyak 450 huruf memperoleh 93,77%.
Pada pengujian menggunakan huruf hijaiyah font digital hanya memperoleh 20%.
Pada pengujian huruf hijaiyah font digital, gui hanya mampu mengenali 60 dari 300 citra karena semua citra uji merupakan citra yang sama sekali tidak diperkenalkan selama pelatihan.
KESIMPULAN
Sistem pengenalan huruf hijaiyah dengan metode backpropagation menunjukkan performa yang sangat baik pada data huruf hijaiyah tulis tangan.
Dari total 300 citra huruf yang diuji dari Kaggle, sebanyak 398 citra dikenali dengan benar, menghasilkan akurasi sebesar 99,33%.
Dan pengujian menggunakan 150 citra huruf yang diuji dari tulisan tangan secara langsung, 138 citra dikenali dengan menghasilkan akurasi 93%.
Hal ini menunjukkan bahwa metode backpropagation mampu mengenali pola huruf yang telah dilatih dengan sangat efektif.
Daftar Pustaka