<![CDATA[Bahasa Isyarat Arab (Arabic Sign Language/ArSL) merupakan sarana komunikasi utama bagi penyandang tunarungu, termasuk dalam pembelajaran Al-Qur’an. Namun, keterbatasan teknologi dalam mengenali bahasa isyarat secara otomatis menjadi hambatan serius terhadap akses pendidikan agama yang inklusif. Penelitian ini bertujuan untuk mengenali pola huruf hijaiyyah dalam ArSL dengan memanfaatkan metode Convolutional Neural Network (CNN) melalui pendekatan transfer learning dan fine-tuning pada empat arsitektur pralatih, yaitu MobileNetV2, EfficientNetB0, VGG16, dan ResNet50. Dataset yang digunakan terdiri dari 7.856 citra RGB tangan yang mewakili 31 huruf hijaiyyah, yang dibagi menjadi data pelatihan, validasi, serta pengujian. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-score, serta efisiensi komputasi berdasarkan ukuran model dan waktu inferensi. Hasil penelitian memperlihatkan bahwa ResNet50 memperoleh akurasi tertinggi sebesar 98,35%, diikuti MobileNetV2 (97,84%), EfficientNetB0 (97,71%), dan VGG16 (97,07%). Meskipun demikian, MobileNetV2 memiliki ukuran model terkecil dan kecepatan inferensi tercepat, sehingga paling sesuai untuk implementasi pada perangkat dengan keterbatasan sumber daya. Analisis confusion matrix juga menunjukkan kesalahan klasifikasi terutama pada huruf yang memiliki kemiripan visual, seperti dal–dzal dan ta–tha. Penelitian ini menegaskan efektivitas CNN berbasis transfer learning dalam pengenalan huruf hijaiyyah bahasa isyarat Arab serta memberikan kontribusi nyata terhadap pengembangan sistem pembelajaran agama yang lebih inklusif bagi penyandang tunarungu.]]>
Copyrights © 2025
