PENGGUNAAN MOBILENET UNTUK INTELLIGENT CHARACTER RECOGNITION (ICR) PENILAIAN OTOMATIS OPERASI MATEMATIKA DASAR
Isi Artikel Utama
Abstrak
Matematika sering dikenal sebagai mata pelajaran yang sulit dan rumit, sehingga dibutuhkan media pembelajaran yang dapat memotivasi dan membantu siswa. Pembelajaran matematika yang terkesan membosankan dan kurang variasi dapat mengurangi daya tarik bagi siswa untuk belajar matematika. Tujuan penelitian ini adalah mengembangkan purwarupa awal berbasis ponsel dengan sistem operasi Android yang dapat mengenali ekspresi matematika dalam tulisan tangan dan dapat secara otomatis memberikan nilai (grading) terhadap ekspresi matematika yang dihasilkan dengan memanfaatkan intelligent character recognition (ICR). ICR adalah teknologi pengenalan karsakter yang dapat digunakan untuk mengonversi tulisan tangan atau tulisan digital menjadi teks digital yang dapat diproses oleh komputer dan dapat memperbaiki kesalahan pengenalan secara otomatis. Sistem Android dibangun menggunakan Teachable Machine yang disediakan oleh Google untuk pembuatan model dan pendukung pembelajaran mesin TensorFlow sebagai pendeteksi tulisan tangan pada perangkat mobile. Proses pengenalan tulisan akan menggunakan MobileNet yang merupakan arsitektur jaringan saraf tiruan yang disediakan oleh flutter_tflite. Hasil deteksi kemudian akan dilakukan kalkulasi untuk menentukan penulisan arikmatika yang dideteksi benar atau salah. Dari hasil pengujian terhadap 100 tulisasn tangan siswa SD kelas 3 didapatkan hasil pengujian penilaian otomatis dengan akurasi sebesar 46%. Rendahnya hasil akurasi ini dikarenakan tulisan tangan siswa yang memiliki variasi tinggi dan tidak ada dua karakter tulisan tangan yang identik. Pada Penelitian ini ditemukan masih banyak simbol sama dengan (=) diklasifikasikan sistem sebagai tanda kurang (-) dan angka 8 yang diklasifikasi sebagai angka 3.
Rincian Artikel
Referensi
D. H. Pertiwi et al., Literasi TIK dan Media Pembelajaran. Pradina Pustaka, 2022. [Online]. Available: https://books.google.co.id/books?id=zxJoEAAAQBAJ
R. Rahayu, S. Iskandar, and Y. Abidin, “Inovasi Pembelajaran Abad 21 dan Penerapannya di Indonesia,” Jurnal Basicedu, vol. 6, no. 2, pp. 2099–2104, Feb. 2022, doi: 10.31004/basicedu.v6i2.2082.
H. Rusyada and M. Nasir, “Efektivitas Penerapan Hybrid Learning Pasca Pandemi Covid-19 di Sekolah Dasar,” Jurnal Basicedu, vol. 6, no. 2, pp. 1714–1723, Feb. 2022, doi: 10.31004/basicedu.v6i2.2275.
M. R. Affandi, M. Widyawati, and Y. B. Bhakti, “ANALISIS EFEKTIVITAS MEDIA PEMBELAJARAN E-LEARNING DALAM MENINGKATKAN HASIL BELAJAR SISWA SMA PADA PELAJARAN FISIKA,” Jurnal Pendidikan Fisika, vol. 8, no. 2, p. 150, Sep. 2020, doi: 10.24127/jpf.v8i2.2910.
M. P. Dr. Mohamad Miftah, Studi kelayakan media pembelajaran TIK sebagai alat bantu mengajar guru. Publica Indonesia Utama, 2022. [Online]. Available: https://books.google.co.id/books?id=lTfTEAAAQBAJ
M. Miftah, PERAN, FUNGSI, DAN PEMANFAATAN MEDIA PEMBELAJARAN. Feniks Muda Sejahtera, 2022. [Online]. Available: https://books.google.co.id/books?id=hsldEAAAQBAJ
L. Efriyanti and F. Annas, “Aplikasi Mobile Learning Sebagai Sarana Pembelajaran Abad 21 bagi Pendidik dan Peserta Didik di era Revolusi Industri 4.0,” Journal Educative : Journal of Educational Studies, vol. 5, no. 1, p. 29, Jun. 2020, doi: 10.30983/educative.v5i1.3132.
I. A. Mastan, D. I. Sensuse, R. R. Suryono, and K. Kautsarina, “EVALUATION OF DISTANCE LEARNING SYSTEM (E-LEARNING): A SYSTEMATIC LITERATURE REVIEW,” Jurnal Teknoinfo, vol. 16, no. 1, p. 132, Jan. 2022, doi: 10.33365/jti.v16i1.1736.
L. Dias and A. Victor, “Teaching and Learning with Mobile Devices in the 21st Century Digital World: Benefits and Challenges,” European Journal of Multidisciplinary Studies, vol. 5, no. 1, p. 339, May 2017, doi: 10.26417/ejms.v5i1.p339-344.
S. Kurniasih, D. Darwan, and A. Muchyidin, “Menumbuhkan Kemandirian Belajar Matematika Siswa Melalui Mobile Learning Berbasis Android,” Jurnal Edukasi Matematika dan Sains, vol. 8, no. 2, p. 140, Sep. 2020, doi: 10.25273/jems.v8i2.7041.
M. T. Apriyanto and R. A. Hilmi, “MEDIA PEMBELAJARAN MATEMATIKA (MOBILE LEARNING) BERBASIS ANDROID,” in Seminar & Conference Proceedings of UMT, Tangerang: Universitas Muhammadiyah Tangerang, Apr. 2019.
A. Wahyudi, R. D. Agustin, and M. Ambarawati, “PENGEMBANGAN MEDIA APLIKASI GEOTRI PADA MATERI GEOMETRI BERBASIS MOBILE LEARNING,” Jurnal Ilmiah Matematika Realistik, vol. 2, no. 3, pp. 62–70, Dec. 2022.
A. Mewengkang, J. R. Batmetan, and H. Mosey, “PERANCANGAN APLIKASI PEMBELAJARAN MOBILE ANATOMI TUBUH MANUSIA UNTUK ANAK SEKOLAH DASAR,” Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi, vol. 1, no. 6, pp. 675–687, Dec. 2021, doi: 10.53682/edutik.v1i6.3293.
T. Rahardjo, N. Degeng, and Y. Soepriyanto, “PENGEMBANGAN MULTIMEDIA INTERAKTIF MOBILE LEARNING BERBASIS ANRDROID AKSARA JAWA KELAS X SMK NEGERI 5 MALANG,” Jurnal Kajian Teknologi Pendidikan, pp. 195–202, Aug. 2019, doi: 10.17977/um038v2i32019p195.
R. Kurnia, “Analisis Kelayakan Media Pembelajaran Berbasis Elektronik Untuk Pembelajaran Anak Usia Dini,” in Prosiding Seminar Nasional PGPAUD UPI Kampus Purwakarta, 2022, pp. 288–292.
J. Afrita, “Peran Artificial Intelligence dalam Meningkatkan Efisiensi dan Efektifitas Sistem Pendidikan,” COMSERVA : Jurnal Penelitian dan Pengabdian Masyarakat, vol. 2, no. 12, pp. 3181–3187, Apr. 2023, doi: 10.59141/comserva.v2i12.731.
L. Hakim, “Peranan Kecerdasan buatan (artificial intelligence) Dalam Pendidikan,” https://ppg.kemdikbud.go.id/news/peranan-kecerdasan-buatan-artificial-intelligence-dalam-pendidikan .
Z. Zakaria, T. Sukomardojo, S. Sugiyem, G. Razali, and I. Iskandar, “Menyiapkan Siswa untuk Karir Masa Depan Melalui Pendidikan Berbasis Teknologi: Meninjau Peran Penting Kecerdasan Buatan,” Journal on Education, vol. 5, no. 4, pp. 14141–14155, 2023.
V. E. Balas, G. R. Sinha, B. Agarwal, T. K. Sharma, P. Dadheech, and M. Mahrishi, “Emerging Technologies in Computer Engineering: Cognitive Computing and Intelligent IoT: 5th International Conference, ICETCE 2022, Jaipur, India, February 4–5, 2022, Revised Selected Papers,” 2022.
R. Ptucha, F. Petroski Such, S. Pillai, F. Brockler, V. Singh, and P. Hutkowski, “Intelligent character recognition using fully convolutional neural networks,” Pattern Recognit, vol. 88, pp. 604–613, Apr. 2019, doi: 10.1016/j.patcog.2018.12.017.
B. Pang, E. Nijkamp, and Y. N. Wu, “Deep Learning With TensorFlow: A Review,” Journal of Educational and Behavioral Statistics, vol. 45, no. 2, pp. 227–248, Apr. 2020, doi: 10.3102/1076998619872761.
M. Ramchandani et al., “Survey: Tensorflow in Machine Learning,” J Phys Conf Ser, vol. 2273, no. 1, p. 012008, May 2022, doi: 10.1088/1742-6596/2273/1/012008.
M. Rashidi, “Application of TensorFlow lite on embedded devices: A hands-on practice of TensorFlow model conversion to TensorFlow Lite model and its deployment on Smartphone to compare model’s performance.” 2022.
G. Demosthenous and V. Vassiliades, “Continual learning on the edge with tensorflow lite,” arXiv preprint arXiv:2105.01946, 2021.
S. Gupta and A. Gupta, “Dealing with Noise Problem in Machine Learning Data-sets: A Systematic Review,” Procedia Comput Sci, vol. 161, pp. 466–474, 2019, doi: 10.1016/j.procs.2019.11.146.
D. Bhattacharya and R. Mohalik, “Digital Mind Mapping Software: A New Horizon in the Modern Teaching-Learning Strategy,” Journal of Advances in Education and Philosophy, vol. 4, no. 10, pp. 400–406, Oct. 2020, doi: 10.36348/jaep.2020.v04i10.001.
A. Garg, “tflite_flutter 0.10.4.” Accessed: Jan. 25, 2024. [Online]. Available: https://pub.dev/packages/tflite_flutter
E. Yalcin and D. Yiltas-Kaplan, “Classification and Irrigation of Different Kinds of Plants with Mobile Application,” in 2021 6th International Conference on Computer Science and Engineering (UBMK), IEEE, Sep. 2021, pp. 233–238. doi: 10.1109/UBMK52708.2021.9559029.
Y. Zhou, “The Efficient Implementation of Face Mask Detection Using MobileNet,” J Phys Conf Ser, vol. 2181, no. 1, p. 012022, Jan. 2022, doi: 10.1088/1742-6596/2181/1/012022.
A. Tulasi, M. Subramani, and M. D. Pappu, A Review on MobileNet, ResNet and SqueezeNet for iOS & iPadOS for on Device Training and Prediction using CoreML. 2021. doi: 10.13140/RG.2.2.14059.67365.
A. Michele, V. Colin, and D. D. Santika, “MobileNet Convolutional Neural Networks and Support Vector Machines for Palmprint Recognition,” Procedia Comput Sci, vol. 157, pp. 110–117, 2019, doi: 10.1016/j.procs.2019.08.147.