<![CDATA[Kemampuan membaca Al-Qur'an sesuai kaidah tajwid merupakan aspek penting dalam pembelajaran Islam. Proses penilaian kualitas bacaan tahsin hingga saat ini masih bergantung pada tenaga pengajar yang memiliki kompetensi khusus sehingga bersifat subjektif, membutuhkan waktu, serta sulit diterapkan pada skala yang lebih luas. Di sisi lain, pengembangan sistem kecerdasan buatan berbasis deep learning umumnya memerlukan data berlabel dalam jumlah besar, sedangkan proses pelabelan audio tahsin memerlukan ahli yang memahami ilmu tajwid sehingga relatif mahal dan memakan waktu. Penelitian ini mengusulkan sistem klasifikasi kualitas bacaan Al-Qur'an menggunakan pendekatan Semi-Supervised Contrastive Learning berbasis Mel Spectrogram. Dataset yang digunakan terdiri atas 22.243 data berlabel dan 26.695 data tidak berlabel yang dikelompokkan ke dalam lima kelas, yaitu Rasib, Maqbul, Jayyid, Jayyid Jiddan, dan Mumtaz. Tahapan penelitian meliputi preprocessing sinyal audio, transformasi sinyal menjadi representasi Mel Spectrogram, pre-training menggunakan Contrastive Learning pada data tidak berlabel, kemudian fine-tuning model ResNet18 menggunakan data berlabel. Evaluasi dilakukan menggunakan lima skenario random seed dengan metrik accuracy, precision, recall, dan F1-score pada data uji. Hasil pengujian menunjukkan bahwa model memperoleh akurasi rata-rata sebesar 81,02%, dengan nilai precision, recall, dan F1-score yang relatif seimbang pada seluruh kelas. Hasil tersebut menunjukkan bahwa pendekatan Semi-Supervised Contrastive Learning mampu memanfaatkan data tidak berlabel untuk menghasilkan representasi fitur audio yang lebih diskriminatif sehingga meningkatkan kemampuan klasifikasi kualitas bacaan Al-Qur'an. Sistem yang diusulkan berpotensi menjadi alat bantu evaluasi tahsin yang lebih objektif, efisien, dan konsisten.]]>
Copyrights © 2026
