Indonesia adalah negara dengan populasi muslim terbesar di dunia, namun 72% dari umat muslim di Indonesia masih mengalami kesulitan dalam membaca Al-Qur'an dengan tajwid yang benar. Dalam rangka mengatasi masalah ini dan memanfaatkan kemajuan teknologi, penelitian ini mengembangkan model pendeteksian kesalahan pembacaan Al Qur'an berbasis Mel-Frequency Cepstrum Coefficient (MFCC) menggunakan metode Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM). MFCC digunakan untuk mengekstraksi fitur dari sinyal suara Al-Qur'an, menghasilkan koefisien vektor ciri yang dapat digunakan untuk pendeteksian kesalahan bacaan. Fitur-fitur ini kemudian digunakan dalam dua model klasifikasi, yaitu SVM dan LSTM. SVM adalah algoritma klasifikasi yang efektif dalam menangani data berdimensi tinggi, sementara LSTM adalah jenis jaringan saraf tiruan yang dirancang untuk mengenali pola dalam data sekuensial, seperti sinyal suara. Penelitian ini bertujuan untuk: (1) mengubah sinyal suara menjadi koefisien vektor ciri menggunakan MFCC, (2) menerapkan metode SVM dan LSTM untuk mendeteksi kesalahan pembacaan Al-Qur'an, dan (3) membandingkan kinerja kedua model tersebut. Hasil penelitian menunjukkan bahwa model SVM tanpa GrisSearchCV menghasilkan akurasi 65%, dengan GridSearchCV mencapai akurasi 92%, sedangkan model LSTM mencapai akurasi 70% dengan 50 epoch dan 93% dengan 100 epoch. Kesimpulan dari penelitian ini menunjukkan bahwa kedua metode, SVM dan LSTM, efektif untuk mendeteksi kesalahan pembacaan Al-Qur'an, dengan LSTM menunjukkan sedikit keunggulan dalam akurasi.

Indonesia has the largest Muslim population in the world, yet 72% of Muslims in Indonesia still face difficulties in reading the Qur'an with proper tajweed. To address this issue and leverage technological advancements, this study developed a model for detecting errors in Qur'anic recitation based on Mel-Frequency Cepstrum Coefficient (MFCC) using Support Vector Machine (SVM) and Long Short-Term Memory (LSTM) methods. MFCC is used to extract features from the Qur'anic audio signal, producing feature vector coefficients that can be used for error detection in recitation. These features are then used in two classification models, SVM and LSTM. SVM is a classification algorithm effective in handling high-dimensional data, while LSTM is a type of neural network designed to recognize patterns in sequential data, such as audio signals. The objectives of this study are: (1) to transform audio signals into feature vector coefficients using MFCC, (2) to apply SVM and LSTM methods to detect errors in Qur'anic recitation, and (3) to compare the performance of these two models. The results of the study show that the SVM model without GridSearchCV achieved an accuracy of 65%, with GridSearchCV reaching an accuracy of 92%, while the LSTM model achieved an accuracy of 70% with 50 epochs and 93% with 100 epochs. The conclusion of this study indicates that both methods, SVM and LSTM, are effective in detecting errors in Qur'anic recitation, with LSTM showing a slight advantage in accuracy.