Eksplorasi Pra-pemrosesan, Filter Konvolusi, SVM, LSTM, dan KAN untuk Rekognisi Karakter Tulisan Tangan Huruf Arab

Rahmania, Moh. Edi Wibowo, S.Kom., M.Kom., Ph. D.

2025 | Skripsi | ILMU KOMPUTER

Bahasa Arab merupakan salah satu bahasa terbesar di dunia dengan sekitar
300 juta penutur asli dan 60 juta penutur sebagai bahasa kedua. Pendidikan berbasis
bahasa Arab digunakan secara luas, sehingga digitalisasi pendidikan berbahasa Arab
semakin diperlukan untuk mendukung proses pembelajaran. Salah satu pendekatan
dalam digitalisasi ini adalah rekognisi tulisan tangan huruf Arab menggunakan
teknologi komputer. Meskipun metode Convolutional Neural Network (CNN) telah
banyak digunakan dalam rekognisi ini, tetapi eksplorasi lebih mendalam masih perlu
dilakukan.
Penelitian ini mengeksplorasi metode CNN untuk rekognisi karakter tulisan
tangan huruf Arab, dengan fokus pada variasi pra-pemrosesan seperti closing, filter
konvolusi, klasifikator (SVM dan LSTM), serta penggantian fully-connected layer
dengan Kolmogorov Arnold Network (KAN). Penelitian dilakukan menggunakan
dataset Hijja, yang berisi tulisan tangan huruf Arab dari anak-anak, untuk
mengevaluasi pengaruh berbagai modifikasi terhadap akurasi sistem. Hasil penelitian
menunjukkan bahwa modifikasi yang diterapkan tidak memberikan peningkatan
signifikan terhadap akurasi model. Akurasi tertinggi yang diperoleh adalah 79%,
baik pada model tanpa modifikasi maupun pada model dengan modifikasi terbaik.

Arabic is one of the world's largest languages, with approximately 300 million
native speakers and 60 million second-language speakers. Arabic-based education is
widely used, making the digitalization of Arabic language education increasingly
necessary to support the learning process. One approach to this digitalization is
handwritten Arabic character recognition using computer technology. Although CNN
methods have been widely applied in this field, deeper exploration is still needed.
This study explores the Convolutional Neural Network (CNN) method for
handwritten Arabic character recognition, focusing on variations in pre-processing
techniques such as closing, convolutional filters, classifiers (SVM and LSTM), and
replacing the fully connected layer with the Kolmogorov Arnold Network (KAN). The
research is conducted using the Hijja dataset, which consists of handwritten Arabic
characters written by children, to evaluate the impact of these modifications on system
accuracy. The results are expected to enhance recognition accuracy and reduce errors,
particularly in identifying similar characters, compared to standard CNN methods.
Performance evaluation is conducted using accuracy metrics to assess the
effectiveness of each proposed approach.

Kata Kunci : Rekognisi Karakter Tulisan Tangan, Bahasa Arab, Convolutional Neural Network (CNN), Pra-pemrosesan Closing, SVM, LSTM, Kolmogorov Arnold Network (KAN), Filter Konvolusi