Disgrafia, gangguan belajar yang mempengaruhi tulisan tangan, menimbulkan tantangan signifikan dalam pengaturan pendidikan. Metode tradisional untuk mendiagnosis disgrafia, seperti tes Brave Handwriting Kinder (BHK), seringkali subjektif dan memakan waktu. Namun, kemajuan teknologi baru-baru ini, terutama dalam pembelajaran mendalam dan pembelajaran mesin, telah mengarah pada pengembangan sistem otomatis yang menawarkan alternatif yang menjanjikan untuk mendiagnosis disgrafia pada anak-anak. Sistem ini menggunakan analisis tulisan tangan untuk mendeteksi disgrafia, memberikan cara diagnosis yang lebih efisien dan berpotensi lebih akurat. Di bawah ini adalah beberapa pendekatan dan teknologi utama yang digunakan dalam mendeteksi disgrafia.
Pendekatan Pembelajaran Mendalam
-
Jaringan Saraf Konvolusional (CNN) : Beberapa penelitian telah menggunakan CNN untuk mengklasifikasikan sampel tulisan tangan sebagai disgrafis atau non-disgrafis. Misalnya, model CNN khusus mencapai akurasi tes 91,8% dalam mengklasifikasikan sampel tulisan tangan dari anak-anak sekolah Malaysia, mengungguli model pra-terlatih seperti VGG16 dan ResNet50 (Vydeki et al., 2024)]. Studi lain menggunakan CNN untuk membedakan antara ‘Disgrafi Potensi Rendah’ dan ‘Disgrafi Potensi Tinggi’, mencapai akurasi pengujian sekitar 84% (Anand et al., 2023).
-
Pembelajaran Multimodal: Pendekatan baru menggabungkan data tulisan tangan online dan offline untuk meningkatkan akurasi diagnostik. Metode ini menggunakan pengklasifikasi SVM dan XGBoost dan mencapai akurasi 88,8%, mengungguli metode tradisional dengan margin yang signifikan (Kunhoth et al., 2024).
Sistem dan Kerangka Kerja Otomatis
-
Pena Cerdas dan Pemrosesan Gambar: Pena pintar dan teknik pemrosesan gambar telah digunakan untuk secara otomatis mengekstrak fitur visual dari sampel tulisan tangan, memberikan alternatif untuk metode penilaian manual seperti tes BHK (Gemelli et al., 2023). Teknik pemrosesan gambar juga telah diterapkan untuk mengevaluasi tes menulis untuk siswa muda, menilai kemampuan menulis dan persepsi alfabet mereka (Charoy-boon et al., 2023).
-
Interaksi Anak – Robot: Pendekatan inovatif melibatkan penggunaan robot humanoid sosial untuk melibatkan anak-anak dalam kegiatan tulisan tangan, mengumpulkan data untuk deteksi disgrafia. Metode ini mencapai akurasi klasifikasi 91% menggunakan CNN (Gouraguine et al., 2023).
Tantangan dan Pertimbangan
-
Pengumpulan Data dan Analisis Fitur: Efektivitas sistem otomatis ini sangat bergantung pada kualitas dan keragaman data yang dikumpulkan. Fitur tulisan tangan yang penting dan metode pengumpulan data sangat penting untuk diagnosis yang akurat (Kunhoth et al., 2024).
-
Integrasi Data Online dan Offline: Sementara banyak penelitian berfokus pada data tulisan tangan online atau offline, mengintegrasikan keduanya dapat memberikan analisis yang lebih komprehensif, seperti yang ditunjukkan oleh pendekatan pembelajaran multimodala (Kunhoth et al., 2024).
Sementara kemajuan teknologi ini menawarkan alat yang menjanjikan untuk deteksi disgrafia, penting untuk mempertimbangkan keterbatasan dan tantangan yang terkait dengan metode ini. Penilaian tradisional, terlepas dari kekurangannya, memberikan pemahaman komprehensif tentang kemampuan tulisan tangan anak, yang mungkin tidak sepenuhnya ditangkap oleh sistem otomatis. Selain itu, integrasi teknologi ini ke dalam pengaturan pendidikan dan klinis memerlukan pertimbangan yang cermat dari implikasi etika dan praktis, seperti privasi data dan kebutuhan personel terlatih untuk menafsirkan hasil. Meskipun demikian, pengembangan sistem otomatis ini merupakan langkah maju yang signifikan dalam membuat diagnosis disgrafia lebih mudah diakses dan efisien.
