A child writes 'I love you mom' on a card with pink and purple pens on a white table.

Bagaimana Cara Mengetahui Apakah Anak Mengalami Disgrafia Murni Atau Ada Gangguan Lain Seperti Disleksia Atau ADHD?

Menentukan apakah seorang anak memiliki disgrafia murni atau gangguan lain seperti disleksia atau ADHD melibatkan pendekatan multifaset yang mencakup metode diagnostik tradisional dan modern. Disgrafia terutama ditandai dengan kesulitan dalam tulisan tangan, yang dapat bermanifestasi sebagai tulisan tangan yang tidak teratur, penanganan alat tulis yang tidak tepat, dan penulisan yang lambat atau sulit. Namun, gejala-gejala ini dapat tumpang tindih dengan gangguan lain, membuat diagnosis yang akurat menjadi menantang. Kemajuan terbaru dalam teknologi, terutama dalam kecerdasan buatan dan pembelajaran mendalam, telah menyediakan alat baru untuk membedakan antara kondisi ini.

Metode Diagnostik Tradisional

  • Evaluasi Ahli Medis: Secara tradisional, disgrafia dan ketidakmampuan belajar lainnya didiagnosis melalui pemeriksaan yang dilakukan oleh para ahli medis. Ini melibatkan menganalisis dokumen tertulis anak dan mengamati proses penulisan mereka untuk mengidentifikasi gejala spesifik disgrafia, seperti tulisan tangan yang buruk dan masalah koherensi (Kunhoth et al., 2024)] (Gary et al., 2023).
  • Tes Standardisasi: Tes seperti tes Brave Handwriting Kinder (BHK) digunakan untuk menilai kualitas dan kecepatan tulisan tangan. Tes ini dapat membantu membedakan antara disgrafia dan gangguan lainnya dengan berfokus pada defisit tulisan tangan spesifik (Gemelli et al., 2023) (Jolly et al., 2024).

Kemajuan Teknologi dalam Diagnosis

  • Sistem Otomatis: Studi terbaru telah mengembangkan sistem otomatis menggunakan teknik pembelajaran mendalam untuk mendiagnosis disgrafia. Sistem ini menganalisis sampel tulisan tangan untuk mendeteksi pola yang menunjukkan disgrafia, menawarkan alternatif yang lebih objektif dan efisien untuk metode tradisional (Sharmila et al., 2023) (“An Automated System for the Early Detection of Dysgraphia using Deep Learning Algorithms”, 2023).
  • Jaringan Saraf Konvolusional (CNN): CNN telah digunakan untuk mengklasifikasikan sampel tulisan tangan dan mengidentifikasi disgrafia dengan akurasi tinggi. Misalnya, satu penelitian mencapai tingkat akurasi 91% dalam mengidentifikasi disgrafia menggunakan CNN, menyoroti potensi teknologi ini dalam membedakan antara disgrafia dan gangguan lainnya (Gouraguine et al., 2023) (Gupta et al., 2023).

Membedakan Disgrafia dari Gangguan Lain

  • Komorbiditas dengan Gangguan Lainnya: Disgrafia sering hidup berdampingan dengan gangguan lain seperti gangguan koordinasi perkembangan (DCD) dan gangguan membaca (RD). Penelitian menunjukkan bahwa sementara DCD terutama mempengaruhi kualitas tulisan tangan, RD mempengaruhi kecepatan dan kualitas penulisan. Memahami perbedaan ini dapat membantu dalam mendiagnosis disgrafia murni versus kondisi komorbidit (Jolly et al., 2024).
  • Analisis Tulisan Tangan Tangan: Analisis rinci tulisan tangan dapat mengungkapkan gangguan spesifik yang terkait dengan disgrafia, seperti gangguan pembentukan huruf dan ejaan, yang mungkin tidak ada pada disleksia atau ADHD. Analisis ini dapat ditingkatkan dengan menggunakan pena pintar dan tablet grafis untuk menangkap data tulisan tangan terperinci (Gemelli et al., 2023) (Jolly et al., 2024).

Tantangan dan Pertimbangan

Sementara kemajuan teknologi menawarkan alat yang menjanjikan untuk mendiagnosis disgrafia, mereka juga menghadirkan tantangan. Keakuratan sistem otomatis tergantung pada kualitas dan keragaman data yang digunakan untuk pelatihan. Selain itu, sistem ini harus divalidasi terhadap metode diagnostik tradisional untuk memastikan keandalan. Selain itu, tumpang tindih gejala antara disgrafia, disleksia, dan ADHD memerlukan evaluasi komprehensif yang mempertimbangkan keterampilan kognitif dan motorik anak secara keseluruhan. Pendekatan holistik ini dapat membantu membedakan antara disgrafia murni dan gangguan lainnya, memastikan bahwa anak-anak menerima intervensi dan dukungan yang tepat.

Kunhoth, J., Al-Maadeed, S., Kunhoth, S., Akbari, Y., & Saleh, M. (2024). Automated systems for diagnosis of dysgraphia in children: a survey and novel framework. International Journal on Document Analysis and Recognition. https://doi.org/10.1007/s10032-024-00464-z
Gary, A., Moore, A., Hilliard, W., Day, M., Boswell, B., & Barnhill, M. (2023). Understanding Dysgraphia. Nursing Made Incredibly Easy. https://doi.org/10.1097/01.nme.0000920520.26260.94
Gemelli, A., Marinai, S., Vivoli, E., & Zappaterra, T. (2023). Deep-learning for dysgraphia detection in children handwritings. https://doi.org/10.1145/3573128.3609351
Jolly, C., Jover, M., & Danna, J. (2024). Dysgraphia Differs Between Children With Developmental Coordination Disorder and/or Reading Disorder. Journal of Learning Disabilities. https://doi.org/10.1177/00222194231223528
Sharmila, C., Shanthi, N., Santhiya, S., & Sruthi, R. (2023). An Automated System for the Early Detection of Dysgraphia using Deep Learning Algorithms. https://doi.org/10.1109/ICSCDS56580.2023.10105022
An Automated System for the Early Detection of Dysgraphia using Deep Learning Algorithms. (2023). https://doi.org/10.1109/icscds56580.2023.10105022
Gouraguine, S., Riad, M., Qbadou, M., & Mansouri, K. (2023). Dysgraphia detection based on convolutional neural networks and child-robot interaction. International Journal of Electrical and Computer Engineering. https://doi.org/10.11591/ijece.v13i3.pp2999-3009
Gupta, R., Gunjan, N. A., Garg, R., Karwal, S., Goyal, A., & Singla, N. (2023). A framework for dysgraphia detection in children using convolutional neural network. International Journal of Bioinformatics Research and Applications. https://doi.org/10.1504/ijbra.2023.133697
Scroll to Top