PENGEMBANGAN MODEL DEEP LEARNING UNTUK KLASIFIKASI MAKHRAJ (CNN-BiGRU) SERTA TAJWID (CNN-TRANSFORMER) DALAM PEMBACAAN AL-QUR’AN

Agung Purwoto, Yunita Sari, S.Kom., M.Sc., Ph.D.

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Pembacaan Al-Qur'an memerlukan ketepatan dalam pelafalan huruf (makhraj) dan penerapan aturan tajwid yang benar, karena kesalahan dalam kedua aspek ini dapat mengubah makna dan mengurangi kesakralan teks. Oleh karena itu, penting untuk memastikan pembelajaran Al-Qur'an yang akurat dan efektif. Penelitian ini berfokus pada pengklasifikasian makhraj dan tajwid dalam pembacaan Al-Qur'an menggunakan pendekatan berbasis deep learning. Dataset yang digunakan merupakan rekaman audio Juz 1 Al-Qur'an yang dibacakan oleh qari Abdul Basit Abdus Samad dan Ali Al-Hudhaify dalam format .wav, dengan anotasi JSON untuk makhraj dan tajwid pada setiap ayat. dengan arsitektur CNN-BiGRU untuk makhraj dan CNN-Transformer untuk tajwid. Pada tugas klasifikasi makhraj, model CNN-BiGRU dirancang untuk memadukan kemampuan CNN dalam menangkap fitur spasial dari sinyal audio dan BiGRU untuk menangkap pola temporal serta konteks dari urutan fitur yang diekstraksi. Dengan penggunaan fungsi loss Categorical Cross-Entropy (CCE), model ini mencapai akurasi validasi sebesar 72,66%, dengan Character Error Rate (CER) sebesar 27.34%. Meskipun model ini cukup efektif dalam mengenali pola pelafalan huruf, kesalahan prediksi sering terjadi pada huruf-huruf dengan makhraj yang serupa, seperti huruf tenggorokan (halqi). Untuk tugas klasifikasi tajwid, arsitektur Transformer digunakan dengan mekanisme self-attention, yang memungkinkan model menangkap konteks linguistik yang kompleks antarhuruf dan antarayat. Model ini menunjukkan hasil evaluasi yang jauh lebih baik dibandingkan dengan model makhraj, dengan akurasi validasi mencapai 99.68?n CER yang sangat rendah. Hal ini menunjukkan kemampuan Transformer untuk memberikan klasifikasi tajwid dengan tingkat presisi yang hampir sempurna.

Recitation of the Qur'?n requires accuracy in the pronunciation of letters (makhraj) and the correct application of the rules of tajweed, as errors in these two aspects can alter the meaning and reduce the sacredness of the text. Therefore, it is important to ensure accurate and effective Qur'?nic learning. This research focuses on the classification of machraj and tajweed in Qur'an recitation using a deep learning-based approach. The dataset used is an audio recording of Juz 1 of the Qur'an recited by reciters Abdul Basit Abdus Samad and Ali Al-Hudhaify in .wav format, with JSON annotations for the machraj and tajweed of each verse. with CNN-BiGRU architecture for machraj and CNN-Transformer for tajweed. In the machraj classification task, the CNN-BiGRU model is designed to combine the ability of CNN to capture the spatial features of the audio signal and BiGRU to capture the temporal pattern and context of the extracted feature sequence. With the use of Categorical Cross-Entropy (CCE) loss function, this model achieves a validation accuracy of 72,66%, with a Character Error Rate (CER) of 27.34%. Although the model is quite effective in recognizing letter pronunciation patterns, prediction errors often occur for letters with similar makhraj, such as throat letters (halqi). For the tajweed classification task, the Transformer architecture is used with a self-attention mechanism, which allows the model to capture the complex linguistic context between letters and between verses. The model shows much better evaluation results compared to the machraj model, with validation accuracy reaching 99.68% and very low CER. This demonstrates Transformer's ability to provide tajweed classification with near-perfect precision.

Kata Kunci : Deep Learning, CNN, BiGRU, Transformer, Makhraj, Tajweed, CER, WER, Speech Recognition, Pengenalan Ucapan.