Banyak individu Muslim menghadapi berbagai tantangan untuk memperdalam pemahaman Al-Qur’an dan meningkatkan keterampilan dalam membacanya. Penelitian ini bertujuan untuk membandingkan model klasifikasi suara bacaan Al-Qur’an dengan menggunakan algoritma Long-Short Term Memory (LSTM) dan Bidirectional Long-Short Term Memory (BLSTM). Untuk mencapai tujuan tersebut, penelitian ini mengimplementasikan Mel Frequency Cepstral Coefficients (MFCC) sebagai ekstraksi ciri suara dan membandingkan performa akurasi antara model LSTM dan BLSTM. Audio yang digunakan adalah bacaan Surah Al-Ma’idah ayat 109 dengan sampel dari individu berusia 16-63 tahun. Data audio yang diproses memiliki format .wav dengan sample rate 11KHz, saluran MONO, dan resolusi 16-bit. Hasil penelitian menunjukkan bahwa penerapan MFCC dengan fitur tambahan memberikan ekstraksi ciri yang efektif. LSTM dan BLSTM menghasilkan akurasi validasi yang sama yaitu sebesar 97,70%. BLSTM menjadi model terbaik karena menghasilkan akurasi pengujian tertinggi yaitu sebesar 94,65% serta memiliki loss pelatihan dan loss pengujian terkecil sebesar 0,1177 dan 0,2136. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan aplikasi berbasis teknologi untuk mempermudah pembelajaran bacaan Al-Qur’an dan mendukung pencapaian Sustainable Development Goals (SDGs) terkait pendidikan berkualitas dan keterampilan teknologi.

Many Muslim individuals face various challenges in deepening their understanding of the Qur’an and improving their reading skills. This research aims to compare a Quran recitation audio classification model using Long-Short Term Memory (LSTM) and Bidirectional Long-Short Term Memory (BLSTM) algorithms. To achieve this goal, the study implements Mel Frequency Cepstral Coefficients (MFCC) for feature extraction and compares the accuracy performance between LSTM and BLSTM models. The audio used consists of recitations of Surah Al-Ma’idah verse 109 from individuals aged 16-63. The processed audio data is in .wav format with an 11KHz sample rate, MONO channel, and 16-bit resolution. The results show that MFCC with some optional feature provides effective feature extraction. Both LSTM and BLSTM models achieved the same validation accuracy of 97.70%. However, BLSTM is identified as the best model as it achieved the highest testing accuracy of 94.65% and had the smallest training and testing losses of 0.1177 and 0.2136, respectively. This research is expected to contribute to the development of technology-based applications that facilitate Quran reading learning and support the achievement of Sustainable Development Goals (SDGs) related to quality education and technological skills.