Implementasi Convolutional Neural Network untuk Evaluasi Ketepatan Artikulasi Huruf Hijaiyah

⭐ Tristan Ajibrilyan Nandipinto, Muhammad (2026) Implementasi Convolutional Neural Network untuk Evaluasi Ketepatan Artikulasi Huruf Hijaiyah. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (875kB)
	PDF BAB_I.pdf Download (244kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (232kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (908kB)
	Archive (ZIP) 00000078653_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Ketepatan pelafalan makhraj huruf hijaiyah merupakan aspek fundamental dalam pembelajaran Al-Qur'an, namun metode evaluasi tradisional yang bergantung pada penilaian guru bersifat subjektif dan terbatas aksesnya. Penelitian ini mengembangkan sistem evaluasi akurasi artikulasi makhraj huruf hijaiyah berharakat fathah menggunakan dua metode yang berjalan secara independen dan saling mendukung, yaitu Metode A berbasis Mel-Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN), serta Metode B berbasis MFCC dan Dynamic Time Warping (DTW). Dataset yang digunakan adalah Muktabir Hijaiyah Fathah Dataset yang terdiri dari 4.032 sampel audio berformat .wav dengan durasi kurang dari satu detik, mencakup 28 huruf hijaiyah dengan 144 sampel per huruf. Masukan sistem berupa file audio yang diproses melalui silence trimming, normalisasi amplitudo, dan zero-padding, kemudian diekstraksi menjadi dua representasi fitur: 120 koefisien MFCC per frame (40 koefisien dasar beserta turunan pertama dan kedua) untuk Metode A, dan 13 koefisien MFCC per frame untuk Metode B. Hyperparameter model CNN dipilih melalui Grid Search dengan membandingkan empat konfigurasi pencarian, di mana konfigurasi Grid Search 20 epoch terpilih sebagai konfigurasi final karena menghasilkan konsistensi tertinggi dengan learning rate 1 × 10-4, dropout rate 0,3, val accuracy rata-rata 76,34% ± 2,07%, dan macro F1-Score 0,79. Pada evaluasi batch terhadap seluruh dataset, Metode A menghasilkan confusion matrix dengan akurasi klasifikasi 94,79%, sedangkan Metode B menghasilkan distance score dengan DTW pass rate 75,02% dan nearest neighbor accuracy 15,30%. Metode A unggul dalam klasifikasi spektral, sementara Metode B memberikan informasi distance score kesesuaian temporal pelafalan yang mendukung evaluasi CNN dan tidak dapat diukur oleh CNN secara langsung.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Tristan Ajibrilyan Nandipinto, Muhammad (00000078653)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	CNN, DTW, Grid Search, Makhraj, MFCC
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:16
URI:	https://kc.umn.ac.id/id/eprint/48440

Actions (login required)

View Item