Deteksi Hukum Tajwid Nun Mati Pada Ayat Al-Qur’an
DOI:
https://doi.org/10.29407/zcdjer27Abstract
Deteksi hukum tajwid nun mati dilakukan menggunakan algoritma Convolutional Neural Network (CNN) dan Single Shot Multibox Detector (SSD) dengan arsitektur MobileNetV3. CNN MobileNetV3 digunakan untuk ekstraksi fitur, sedangkan SSD digunakan untuk klasifikasi dan deteksi lokasi hukum tajwid dalam gambar. Tujuan dari penelitian ini adalah untuk mengembangkan sistem yang mampu mendeteksi hukum tajwid nun mati secara otomatis pada teks Al-Qur’an berbasis gambar. Manfaat dari penelitian ini adalah memberikan kontribusi dalam bidang pembelajaran Al-Qur’an digital, khususnya dalam membantu pendeteksian hukum tajwid secara visual. Dataset terdiri dari 381 gambar acak yang diambil dari situs resmi Al-Qur’an Kemenag RI. Data dibagi menjadi 80% untuk training dan20% untuk testing, serta dilakukan augmentasi seperti zoom-in, zoom-out, blur, brightness, dan rotasi untuk meningkatkan keragaman data. Model dilatih selama 100 epoch dengan batch size 3 dan learning rate 0.005. Hasil evaluasi menunjukkan model mencapai precision, recall, dan F1-score sebesar 95%. Penelitian ini menunjukkan bahwa kombinasi CNN dan SSD dengan arsitektur MobileNetV3 efektif dalam mendeteksi hukum tajwid nun mati pada gambar teks Al-Qur’an.
Keywords:
MobileNetV3, Tajwid Detection, Single Shot Multibox Detector##plugins.themes.default.displayStats.downloads##
References
R. Z. Hilmi, R. Hurriyati, and Lisnawati, “Implikasi Psikologis Bagi Penghafal Al-Qur’an Yusron,” vol. 3, no. 2, pp. 91–102, 2018.
A. Siregar, N. Husna, N. Huda, and T. Samira, “Maslahah Jurnal Pengabdian Masyarakat Program Pengenalan Ilmu Tajwid Melaui Media Pembelajaran Pohon Ilmu,” vol. 1, no. 2, pp. 85–95, 2020, doi: https://doi.org/10.56114/maslahah.v1i2.57.
A. Kolekar and V. Dalal, “Barcode Detection and Classification using SSD (Single Shot Multibox Detector) Deep Learning Algorithm,” SSRN Electron. J., 2020, doi: 10.2139/ssrn.3568499.
D. Leni and H. Yermadona, “Pemodelan Inspeksi Kerusakan Ban Mobil Menggunakan Convolutional Neural Network (CNN),” J. Rekayasa Mater. Manufaktur dan Energi, vol. 6, no. 2, pp. 176–186, 2023, doi: https://doi.org/10.30596/rmme.v6i2.16198.
L. Zhao and L. Wang, “A new lightweight network based on MobileNetV3,” KSII Trans. Internet Inf. Syst., vol. 16, no. 1, pp. 1–15, 2022, doi: 10.3837/tiis.2022.01.001.
D. Putri Ayuni, Jasril, M. Irsyad, F. Yanto, and S. Sanjaya, “Augmentasi Data Pada Implementasi Convolutional Neural Network Arsitektur Efficientnet-B3 Untuk Klasifikasi Penyakit Daun Padi,” Zo. J. Sist. Inf., vol. 5, no. 2, pp. 239–249, 2023, doi: 10.31849/zn.v5i2.13874.
D. I. Mulyana and M. Zikri, “Optimasi Mendeteksi Klasifikasi Citra Digital Logo Mobil Indonesia Dengan Metode Single Shot Multibox Detector,” Explor. J. Sist. Inf. dan Telemat., vol. 13, no. 2, p. 88, 2022, doi: 10.36448/jsit.v13i2.2660.
S. Clara, D. Laksmi Prianto, R. Al Habsi, E. Friscila Lumbantobing, and N. Chamidah, “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 2, no. 1, pp. 741–747, 2021.
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.
M. Wasil, H. Harianto, and F. Fathurrahman, “Pengaruh Epoch pada Akurasi menggunakan Convolutional Neural Network untuk Klasifikasi fashion dan Furniture,” Infotek J. Inform. dan Teknol., vol. 5, no. 1, pp. 53–61, 2022, doi: 10.29408/jit.v5i1.4393
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Muhammad Fu'adi, Ahmad Bagus Setiawan, Danang Wahyu Widodo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
