PENGENALAN GAMBAR UNTUK PELATIHAN BICARA BAGI ANAK DENGAN SPEECH DELAY MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Penelitian ini mengembangkan sistem pembelajaran interaktif berbasis web yang mengintegrasikan model Convolutional Neural Network (CNN) untuk mengenali gambar coretan tangan anak-anak, khususnya angka dan bentuk bangun datar. Sistem ini dirancang untuk mendukung pelatihan bicara bagi anak-anak dengan keterlambatan bicara (speech delay) melalui pendekatan media visual dan audio. Dataset yang digunakan merupakan kombinasi dari MNIST dan Google QuickDraw, terdiri dari 16 kelas gambar. Model CNN dibangun menggunakan arsitektur empat blok konvolusi dan dua fully connected layer, dilatih selama 30 epoch dengan teknik regularisasi dan normalisasi. Hasil pelatihan menunjukkan akurasi validasi tertinggi sebesar 98,14% dan loss minimum sebesar 0,1185. Evaluasi menggunakan precision, recall, dan f1-score menunjukkan rata-rata nilai sebesar 97,71%, 98,22%, dan 98,75%. Sistem juga dilengkapi dengan fitur permainan tebak gambar, perintah suara berbasis Google Text-to-Speech, dan umpan balik prediksi secara real-time. Dengan akurasi dan konsistensi yang tinggi, sistem ini menunjukkan potensi besar sebagai media bantu belajar visual adaptif bagi anak-anak dengan kebutuhan khusus.