Deteksi dan Klasifikasi Karakter Jepang (Hiragana dan Katakana) Menggunakan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.33795/jip.v12i4.10045Keywords:
klasifikasi citra, deep learning, convolutional neural network, hiragana, katakanaAbstract
Jepang memiliki budaya yang berpengaruh di Indonesia melalui anime, manga, dan kuliner, sehingga meningkatkan minat masyarakat untuk mempelajari bahasa Jepang. Namun, pembelajaran bahasa Jepang masih memiliki kendala, terutama dalam mengenali huruf hiragana dan katakana yang memiliki bentuk berbeda dan sulit diingat. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem deteksi serta klasifikasi karakter hiragana dan katakana menggunakan metode Convolutional Neural Network (CNN). Dataset diperoleh secara mandiri melalui proses konversi teks karakter Jepang menjadi citra menggunakan 45 variasi font bahasa Jepang. Selanjutnya, dilakukan augmentasi data untuk meningkatkan keragaman citra, sehingga diperoleh total 46.000 gambar dari 46 karakter dasar hiragana dan katakana. Tahapan penelitian meliputi pengumpulan data, preprocessing citra, pembagian dataset, perancangan arsitektur CNN, pelatihan model, evaluasi model, implementasi sistem berbasis Streamlit, serta pengujian usability menggunakan metode System Usability Scale (SUS). Hasil penelitian menunjukkan bahwa model CNN mampu mencapai akurasi sebesar 97,47% dengan validation accuracy tertinggi sebesar 98,00%. Sistem yang dikembangkan dapat melakukan prediksi karakter melalui dua fitur utama, yaitu upload gambar dan canvas. Hasil pengujian usability terhadap 18 responden memperoleh nilai rata-rata SUS sebesar 68,61 yang termasuk kategori marginal high, Grade C, dan berada pada rentang OK, sehingga sistem dinilai layak sebagai media pendukung pembelajaran karakter Jepang secara interaktif dan mandiri.
Downloads
References
Alfansuri, H. M., Putra, P. S., & Zunaidi, R. A. (2024). Innovative Design of ITTS Mart Application with Design Thinking & System Usability Scale Method. sinkron, 8(3), 1369–1383. https://doi.org/10.33395/sinkron.v8i3.13631
Ardi Wijaya, Daryono, B. R., Rozali Toyib, & Yovi Apridiansyah. (2024). Analisis Pengenalan Pola Pada Citra Digital Untuk Prediksi Berat Buah Sawit. Decode: Jurnal Pendidikan Teknologi Informasi, 4(3), 713–724. https://doi.org/10.51454/decode.v4i3.481
Handoko, A. A., Rosid, M. A., & Indahyanti, U. (2024). Implementasi Convolutional Neural Network (CNN) Untuk Pengenalan Tulisan Tangan Aksara Bima. SMATIKA JURNAL, 14(01), 96–110. https://doi.org/10.32664/smatika.v14i01.1196
Hidayanti, S. A., Sholikha, S. N. I., Abdurrahman, I. R., Feryanto, N. J., Saragih, B. C., Rachman, I. fadhila, Dinillah, H. F., & Lestari, H. R. (2024). Analisis Pengaruh Pembelajaran Bahasa Jepang Terhadap Minat Mahasiswa Bidang Informatika Untuk Bekerja Di Jepang. Jurnal Insan Pendidikan dan Sosial Humaniora, 2(3), 190–200. https://doi.org/10.59581/jipsoshum-widyakarya.v2i3.3340
Mutiara, K. M. S., Yeni, & Sadyana, I. W. (2025). Penerapan Model Pembelajaran Kooperatif Numbered Heads Together (NHT) Berbantuan Media Kartu Papan Interaktif untuk Meningkatkan Penguasaan Huruf Hiragana Siswa kelas X PH 1 SMK Pariwisata Banyuatis. Pustaka : Jurnal Ilmu-Ilmu Budaya, 25(2), 204–209. https://doi.org/10.24843/pjiib.2025.v25.i02.p06
Nie, Y., Chen, Y., Guo, J., Li, S., Xiao, Y., Gong, W., & Lan, R. (2025). An improved CNN model in image classification application on water turbidity. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-93521-4
Nurhidayat, A., Satriatama, F., Mayanti, E., & Samsinar, R. (2025). Pendeteksi Tulisan Bahasa Kanji Jepang dengan Metode Convolutional Neural Network (CNN). rosiding Seminar Nasional Hukum, Bisnis, Sains Dan Teknologi, 5, 314–321. https://www.ojs.udb.ac.id/HUBISINTEK/article/view/4762
Nurmaini, S., Darmawahyuni, A., Sapitri, A. I., Rachmatullah, M. N., Firdaus, & Tutuko, B. (2021). Pengenalan Deep Learning dan Implementasinya. Unsri Press.
Purnamasari, I. A. P. A., Suartini, N. N., & Mardani, D. M. S. (2023). Peningkatan Penguasaan Huruf Hiragana dan Katakana pada Siswa Kelas XI IBB di SMA Negeri 1 Singaraja Berbantuan Media Aplikasi Memory Hint dan Obenkyo. Jurnal Penelitian mahasiswa Indonesia, 3(2), 469–475. https://doi.org/10.36663/jpmi.v3i2.564
Putra, F. A. A., Waluyo, B., Faturohman, R., Purwoprasetyo, W. D., & Setiawan, I. (2025). Analisis Usability Testing Menggunakan Metode System Usability Scale terhadap Kepuasan Pengguna Website Kemahasiswaan Universitas Amikom Purwokerto. Uranus : Jurnal Ilmiah Teknik Elektro, Sains dan Informatika, 3(1), 121–130. https://doi.org/10.61132/uranus.v3i1.673
Rasyiq, F. R., Marsiani, E. S., & Ali, H. N. (2023). Aplikasi Pembelajaran Bahasa Jepang Dasar (Hiragana dan Katakana) untuk Pelajar Berbasis Android. Jurnal Rekayasa Komputasi Terapan, (2), 2776–5873. https://doi.org/10.30998/jrkt.v3i02.8598
Setiadi, I., Widianti, S., & Afratofani, A. A. (2024). Aplikasi Pengelanan Huruf Hiragana dan Katakana Jepang Berbasis Android Menggunakan Kodular. Jurnal Penelitian Sistem Informasi, 2, 20–35. https://doi.org/10.54066/jpsi.v2i2.2027
Tensorflow. (2026). TensorFlow: An end-to-end opensource platform for machine learning. https://www.tensorflow.org/
Willyanto, A., Alamsyah, D., & Irsyad, H. (2021). Identifikasi Tulisan Tangan Aksara Jepang Hiragana Menggunakan Metode CNN Arsitektur VGG-16. Jurnal Algoritme, 2(1), 1–11. https://doi.org/10.35957/algoritme.v2i1.1450
Wu, M., Zhou, J., Peng, Y., Wang, S., & Zhang, Y. (2024). Deep Learning for Image Classification: A Review (hlm. 352–362). https://doi.org/10.1007/978-981-97-1335-6_31
Zhou, M., Jie, W., Tang, F., Zhang, S., Mao, Q., Liu, C., & Hao, Y. (2024). Deep learning algorithms for classification and detection of recurrent aphthous ulcerations using oral clinical photographic images. Journal of Dental Sciences, 19(1), 254–260. https://doi.org/10.1016/j.jds.2023.04.022
