APLIKASI PEMBELAJARAN TAJWID BERBASIS SPEECH RECOGNITION MENGGUNAKAN METODE CNN-LSTM

Abstract

Penelitian ini bertujuan untuk membangun sistem deteksi bacaan tajwid dengan menggunakan pendekatan deep learning berbasis speech recognition dengan arsitektur Convolutional Neural Network dan Long Short-Term Memory (CNN-LSTM). Sistem ini dirancang untuk mendeteksi apakah bacaan yang dilakukan pengguna termasuk "benar" atau "salah" berdasarkan karakteristik fitur suara yang diperoleh melalui ekstraksi Mel-Frequency Cepstral Coefficients (MFCC). Dataset yang digunakan terdiri dari lebih dari 350 file audio bacaan ayat pendek, kemudian diperluas menjadi 700 dataset melalui teknik augmentasi dan denoise untuk meningkatkan variasi dan kualitas data. Model CNN-LSTM dilatih menggunakan data MFCC berdimensi tetap dan dievaluasi berdasarkan tingkat akurasi serta confusion matrix pada data validasi. Hasil penelitian menunjukkan bahwa model memiliki performa yang baik dalam mengklasifikasikan bacaan dengan tingkat akurasi yang cukup baik. Evaluasi menggunakan uji model memberikan hasil akurasi pelatihan sebesar 90,83% dan akurasi validasi sebesar 77,78% yang bisa dibilang cukup akurat. Sistem ini diintegrasikan ke dalam aplikasi berbasis Flask dan Flutter, sehingga pengguna dapat mendapatkan hasil klasifikasi secara real-time. Diharapkan penelitian ini dapat menjadi kontribusi dalam pengembangan media pembelajaran Al-Qur'an yang adaptif dan berbasis teknologi suara.