<![CDATA[Abstrak - Tanda waqaf dalam Al-Qur’an memiliki peran penting dalam menjaga keutuhan makna ayat yang dibaca. Kesalahan dalam memahami tanda ini dapat menyebabkan perubahan makna yang signifikan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis tanda waqaf menggunakan algoritma deep learning YOLOv11. Dataset berupa 112 gambar mushaf yang berisi 819 anotasi dari 7 jenis tanda waqaf dikumpulkan dan dianotasi secara manual menggunakan Roboflow. Augmentasi data diterapkan untuk meningkatkan keragaman visual dataset, dilanjutkan dengan pelatihan model YOLOv11 pada platform yang sama. Evaluasi kinerja model dilakukan menggunakan metrik precision, recall, dan mean Average Precision (mAP). Hasilnya menunjukkan model memiliki nilai precision sebesar 0.97, recall sebesar 0.42, mAP@0.5 sebesar 0.54, dan mAP@0.5:0.95 sebesar 0.28. Meskipun tingkat presisi tinggi, masih terdapat tantangan dalam meningkatkan kemampuan model mendeteksi seluruh objek yang ada. Penelitian ini berkontribusi dalam bidang pengenalan pola berbasis kecerdasan buatan, khususnya untuk mendukung digitalisasi Al-Qur’an. Sistem yang dikembangkan juga dapat digunakan sebagai media pembelajaran interaktif bagi santri, pengajar, maupun masyarakat umum dalam memahami kaidah tajwid secara lebih praktis. Dengan pengembangan lanjutan, sistem ini berpotensi diintegrasikan ke aplikasi pembelajaran berbasis mobile atau web sehingga dapat menjangkau pengguna secara lebih luas. Secara keseluruhan, penelitian ini memberikan dasar penting bagi inovasi teknologi pendidikan Al-Qur’an berbasis AI.Kata kunci : Deep Learning; Tanda Waqaf; YOLOv11; Deteksi Objek; Al-Qur’an Digital; Abstract - Waqf signs in the Qur'an play a crucial role in preserving the integrity of the verses' meaning during recitation. Misinterpreting these signs can lead to significant changes in meaning. This study aims to develop an automatic waqf sign detection system using the YOLOv11 deep learning algorithm. A dataset of 112 mushaf images containing 819 annotations across 7 types of waqf signs was collected and manually labeled using Roboflow. Data augmentation was applied to enhance visual diversity, followed by model training using YOLOv11 on the same platform. The model's performance was evaluated using precision, recall, and mean Average Precision (mAP) metrics. The results show that the model achieved a precision of 0.97, a recall of 0.42, an mAP@0.5 of 0.54, and an mAP@0.5:0.95 of 0.28. Despite the high precision, challenges remain in improving the model's ability to detect all relevant objects. This research contributes to the field of pattern recognition and artificial intelligence by supporting the digitalization of the Qur’an. Furthermore, the developed system can serve as an interactive learning tool for students, teachers, and general users to better understand Tajweed rules in a more practical way. With further development, the system has the potential to be integrated into mobile or web-based learning applications, ensuring wider accessibility and promoting more accurate Qur’anic recitation in digital environments.Keywords: Deep Learning; Waqf Signs; YOLOv11; Object Detection; Digital Qur'an;]]>
