<![CDATA[This research was conducted due to difficulties in recognizing handwritten Hijaiyah letters at TPQ I’anatut Tholibin caused by variations in writing styles and similarities among letters. The study aims to develop a handwritten Hijaiyah letter classification system based on a Convolutional Neural Network (CNN) using the MobileNetV2 architecture. The research employed a Research and Development (R&D) approach, including real-time data collection from students’ handwritten samples, image preprocessing (resizing to 224×224, pixel normalization, and augmentation), model design using transfer learning, training, and testing. Model evaluation was performed using test data that were not involved in the training process, with performance assessed through a confusion matrix and metrics such as accuracy, precision, recall, and F1-score. The experimental results show that the model achieved an accuracy of 78.46% with a macro F1-score of 77.29%, indicating a reasonably good and balanced classification performance across classes. The system was implemented as a web-based application supporting real-time testing through direct writing on a digital canvas, enabling interactive classification. These findings demonstrate that MobileNetV2 is effective for handwritten Hijaiyah letter classification and has potential as an intelligent learning support tool.Keywords: Hijaiyah letters; Convolutional neural network; MobileNetV2; Image classification; Real-time systemAbstrakPenelitian ini dilakukan karena pengenalan tulisan tangan huruf hijaiyah di TPQ I’anatut Tholibin masih terkendala variasi bentuk tulisan dan kemiripan antar huruf. Penelitian ini bertujuan mengembangkan sistem klasifikasi tulisan tangan huruf hijaiyah berbasis Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Metode yang digunakan adalah Research and Development (R&D) dengan tahapan pengumpulan data tulisan tangan murid secara real-time, pra-pengolahan citra (resizing 224×224, normalisasi piksel, dan augmentasi), perancangan model dengan pendekatan transfer learning, pelatihan, dan pengujian. Pengujian dilakukan menggunakan data uji yang tidak dilibatkan dalam proses pelatihan, dengan evaluasi performa menggunakan confusion matrix dan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 78,46% dengan nilai macro F1-score 77,29%, yang menandakan performa klasifikasi yang cukup baik dan relatif seimbang antar kelas. Sistem diimplementasikan dalam aplikasi web dengan pengujian real-time melalui penulisan langsung pada kanvas digital sehingga klasifikasi dapat dilakukan secara interaktif. Temuan ini menunjukkan MobileNetV2 efektif untuk klasifikasi huruf hijaiyah tulisan tangan dan berpotensi sebagai alat bantu pembelajaran.Kata Kunci: Huruf hijaiyah; Convolutional neural network; MobileNetV2; Klasifikasi citra; Sistem realtime]]>
