Pengenalan Pengucapan Huruf Hidup Hijaiyah Menggunakan Deep Metric Learning

Faizi, Dwi Cahya Nur (2022) Pengenalan Pengucapan Huruf Hidup Hijaiyah Menggunakan Deep Metric Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000010-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Umat Islam tersebar di seluruh dunia dan mereka yang tidak menggunakan bahasa Arab sebagai bahasa utama akan mengalami kesulitan dalam melafalkan huruf hijaiyah. Secara umum, belajar huruf hijaiyah menggunakan metode disimak dan dikoreksi secara langsung oleh ahli makhraj. Di luar dari bertatap muka dengan ahli makhraj, belajar huruf hijaiyah harus tetap dilakukan. Oleh karenanya, dibutuhkan sebuah sistem yang mampu mengoreksi pelafalan santri disaat santri belajar mandiri. Pada penelitian ini, metode yang digunakan yaitu deep metric learning dengan input sinyal audio yang sudah diubah menjadi fitur MFCC. Data yang digunakan berupa pengucapan tunggal huruf hijaiyah yang berjumlah 28 huruf dengan masing-masing menggunakan 3 harakat yaitu fathah, kasrah, dan dhammah. Deep metric learning akan membandingkan fitur audio masukan dan menghitung kemiripan di antara nya. Penelitian ini menggunakan 2 jenis loss function, yaitu contrastive loss dan triplet loss. Pengujian menggunakan total 24 kelas dengan 2 reciters, 1 reciter yang termasuk ke dalam dataset dan 1 yang reciter tidak termasuk ke dalam dataset. Pada pengujian model dengan contrastive loss pada reciter yang termasuk dalam dataset mendapati hasil akurasi sebesar 0.97 dan pada reciter yang tidak termasuk dalam dataset mendapati hasil akurasi sebesar 0.98. Pengujian model dengan triplet loss pada reciter yang termasuk dalam dataset mendapati hasil akurasi sebesar 0.88 dan pada reciter yang tidak termasuk dalam dataset mendapati hasil akurasi sebesar 0.86.
==============================================================================================================================
Muslims are spread all over the world and those who do not use Arabic as their pri-mary language will have difficulty pronouncing hijaiyah letters. In general, learning hija-iyah letters uses the method of being listened to and corrected directly by makhraj experts. Apart from meeting face to face with makhraj experts, learning the hijaiyah letters must still be done. Therefore, we need a system that is able to correct students’ pronunciation when students are learning independently. In this study, the method used is deep metric learning with audio signal as inputs that has been converted into an MFCC feature. The data used is in the form of a single pronunciation of the hijaiyah letter, totaling 28 let-ters, each using 3 vowels, namely fathah, kasrah, and dhammah. Deep metric learning will compare the input audio features and calculate the similarities between them. This study uses 2 types of loss function, namely contrastive loss and triplet loss. The test uses a total of 24 classes with 2 reciters, 1 reciter included in the dataset and 1 reciter not included in the dataset. Testing the model with contrastive loss on reciter which is included in the dataset, the accuracy result is 0.97 and on reciter which is not included in the dataset, the accuracy is 0.98. Testing the model with triplet loss on reciter which is included in the dataset, the accuracy result is 0.88 and on reciter which is not included in the dataset, the accuracy is 0.86.

Item Type:	Thesis (Other)
Additional Information:	RSKom 006.42 Fai p-1 2022
Uncontrolled Keywords:	CNN, Deep Metric Learning, Hijaiyah, Siamese Network. Triplet Network. CNN, Deep Metric Learning, Hijaiyah, Siamese Network, Triplet Network.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	15 Jun 2026 07:36
Last Modified:	15 Jun 2026 07:36
URI:	http://repository.its.ac.id/id/eprint/133819

Actions (login required)

View Item