Deteksi Anomali Baca Al-Quran Menggunakan Residual Variational Auto Encoder (Res-VAE)

Kasyfillah, Muhammad Shafhi (2026) Deteksi Anomali Baca Al-Quran Menggunakan Residual Variational Auto Encoder (Res-VAE). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025231053-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Pembacaan Al-Quran yang benar dan sesuai kaidah tajwid merupakan hal yang penting baik sebagai praktik ritual maupun dalam menjaga makna dan keasliannya. Dalam praktinya, koreksi kesalahan pada bacaan seseorang dapat dilakukan oleh seorang pakar seperti guru atau ulama. Teknologi seperti machine learning dapat digunakan sebagai wadah untuk menampung tata cara pembacaan yang benar dari para ahli tersebut sebagai acuan untuk memvalidasi bacaan lainnya. Penerapan metode supervised dan unspervised learning sudah cukup umum digunakan dalam pendeteksian pengucapan dan pelafalan dari berbagai bahasa termasuk Bahasa Arab dengan kasus spesifik pada bacaan Al-Quran. Namun, sering kali proses pembelajarannya menghadapi tantangan dalam kualitas dan kuantitas data terutama pada metode supervised learning yang membutuhkan data yang telah dilabeli dengan cukup banyak. Oleh karena itu, metode unsupervised learning seperti Autoencoder memiliki potensi yang cukup baik untuk mendeteksi anomali tanpa perlu memiliki label secara eksplisit.
Pada perkembangannya pengembangan metode Autoencoder encoder seperti Variational Autoencoder (VAE) dapat memberikan performansi yang cukup baik dalam pendeteksian anomali termasuk pada bacaan Al-Quran. Penelitian ini mengusulkan penambahan blok residual pada bagian encoder dan decoder pada metode VAE untuk memperdalam representasi fitur akustik sekaligus mengurangi degradasi performa pada model yang lebih dalam. Residual Variational Auto Encoder (Res-VAE) akan diaplikasikan pada data audio berupa rekaman bacaan diolah menjadi fitur Log Mel Spectrogram dan Mel-Frequency Cepstral Coefficients (MFCC) yang kemudian digunakan sebagai masukan model untuk menguji metode deteksi anomali.
Melalui hasil pengujian, Res-VAE secara umum memberikan hasil reconstruction error yang lebih baik dibanding dua metode lain yaitu dengan Mean Square Error (MSE) sebesar 0,03502, Mean Absolute Error (MAE) sebesar 0,14794 dan Mean Root Square Error (MRSE) sebesar 0,18713. Melalui 18 skenario percobaan Res-VAE secara umum memiliki nilai rekonstruksi yang lebih baik dan mempunyai performa yang cukup baik sebagai metode untuk mendeteksi anomali dalam pembacaan Al-Quran.
======================================================================================================================================
Correct recitation of the Quran in accordance with Tajwid rules is essential, both as a ritual practice and for preserving its meaning and authenticity. In practice, correcting recitation errors is typically performed by experts, such as teachers or religious scholars (ulama). Machine learning technology can serve as a repository to encapsulate correct recitation rules established by experts, providing a benchmark to validate recitations. The application of supervised and unsupervised learning methods is common in speech and pronunciation detection across various languages, including Arabic, with a specific focus on Quranic recitation. However, the learning process frequently encounters challenges regarding data quality and quantity, particularly in supervised learning methods, which require a substantial amount of labeled data. Consequently, unsupervised learning methods such as Autoencoders present strong potential for anomaly detection without requiring explicit labels.
In recent developments, Autoencoder extensions such as the Variational Autoencoder (VAE) have shown solid performance in anomaly detection, including within Quranic recitation. This study proposes the integration of residual blocks into the encoder and decoder components of the VAE architecture to deepen acoustic feature representations while mitigating performance degradation in deeper models. The Residual Variational Autoencoder (Res-VAE) is applied to audio recordings of recitations processed into Log-Mel Spectrogram and Mel-Frequency Cepstral Coefficients (MFCC) features, which serve as inputs to test the anomaly detection model.
Experimental results demonstrate that Res-VAE generally yields superior reconstruction error compared to two baseline methods, achieving a Mean Squared Error (MSE) of 0.03502, a Mean Absolute Error (MAE) of 0.14794, and a Mean Root Square Error (MRSE) of 0.18713. Across 18 experimental scenarios, Res-VAE consistently exhibits better reconstruction values and demonstrates effective performance as a method for detecting anomalies in Quranic recitation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Anomaly Detection, Autoencoder, Quran Recital, Residual Variational Autoencoder, Unsupervised Learning,
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Muhammad Shafhi Kasyfillah
Date Deposited:	31 Jul 2026 03:46
Last Modified:	31 Jul 2026 03:46
URI:	http://repository.its.ac.id/id/eprint/141305

Actions (login required)

View Item