Al-Quran adalah kitab suci umat Islam yang berfungsi sebagai sumber utama ajaran agama, namun sebagian besar masyarakat di Indonesia masih belum memiliki literasi membaca Al-Quran yang baik. Penelitian ini bertujuan untuk mengembangkan model pengenalan suara yang dapat mendeteksi kesalahan dalam pembacaan Al-Quran menggunakan teknik Mel-Frequency Cepstral Coefficients (MFCC) dan Convolutional Neural Network (CNN) pada platform Android. Dataset yang digunakan berjumlah 750 data dari Kaggle, yang kemudian dibagi menjadi data latih, validasi, dan uji dengan rasio 80:10:10. Tahapan pengembangan model meliputi pengumpulan data, preprocessing (trimming dan denoising), ekstraksi fitur suara menggunakan MFCC, dan pelatihan model dengan CNN. Model ini diuji dalam empat skenario dengan variasi koefisien MFCC serta penggunaan trimming dan denoising. Hasil pengujian menunjukkan bahwa penggunaan koefisien MFCC 128 tanpa trimming dan denoising memberikan akurasi tertinggi sebesar 77%, sementara penggunaan koefisien MFCC 13 tanpa trimming dan denoising memberikan akurasi terendah sebesar 68%. Implementasi model pada platform Android bertujuan agar memudahkan pengguna dalam mendeteksi kesalahan pembacaan Al Quran secara real-time. Namun, kesimpulan dari penelitian ini menunjukkan bahwa model tersebut masih ambigu dalam mendeteksi kesalahan pembacaan Al-Quran, dan hasilnya belum sepenuhnya konsisten. Oleh karena itu, model ini masih memerlukan pengembangan lebih lanjut untuk meningkatkan akurasi dan keandalannya.

The Quran is the holy book of Islam, serving as the primary source of religious teachings, however the majority people of Indonesia still not have good literacy in reading the Quran. This research aims to develop a speech recognition model capable of detecting errors in Quranic recitation using Mel-Frequency Cepstral Coefficients (MFCC) and Convolutional Neural Network (CNN) techniques on an Android platform. The dataset used consists of 750 samples from Kaggle, which were divided into training, validation, and testing data with an 80:10:10 ratio. The model development process involved data collection, preprocessing (trimming and denoising), feature extraction using MFCC, and model training with CNN. The model was tested in four scenarios with variations in MFCC coefficients and the use of trimming and denoising. The test results showed that using MFCC coefficients of 128 without trimming and denoising provided the highest accuracy of 77%, while using MFCC coefficients of 13 without trimming and denoising resulted in the lowest accuracy of 68%. The implementation of this model on the Android platform aims to facilitate users in detecting errors in Quranic recitation in real-time. However, the conclusions from this research indicate that the model is still ambiguous in detecting errors in Quranic recitation, and the results are not yet fully consistent. Therefore, this model requires further development to improve its accuracy and reliability.