Penelitian ini mengusulkan penerapan model Convolutional Neural Network (CNN) dengan ekstraksi fitur Mel-Frequency Cepstral Coefficients (MFCC) untuk klasifikasi kesalahan tajwid dalam pembacaan Al-Qur'an. Kesalahan tajwid yang diteliti meliputi tiga jenis hukum bacaan, yaitu Mad, ghunnah, dan ikhfa. Dengan menggunakan teknologi Automatic Speech Recognition (ASR), sistem ini diharapkan dapat meningkatkan literasi tajwid di kalangan pembelajar Al-Qur'an, terutama bagi mereka yang kesulitan mengakses pembelajaran langsung. Model CNN digunakan untuk mengekstraksi fitur spasial dari sinyal audio Penelitian ini bertujuan untuk mengembangkan model deep learning yang dapat memberikan umpan balik yang akurat terkait kesalahan bacaan tajwid, meningkatkan efektivitas pembelajaran, serta mendukung pembelajaran mandiri yang lebih fleksibel. Evaluasi dilakukan dengan metrik seperti akurasi, presisi, recall, dan F1-score, yang menunjukkan bahwa model ini memiliki potensi untuk diterapkan dalam pembelajaran Al-Qur'an berbasis teknologi.

This research proposes the application of an Convolutional Neural Network (CNN) model with Mel-Frequency Cepstral Coefficients (MFCC) feature extraction for classifying tajwid errors in Quran recitation. The tajwid errors studied include three types of recitation rules: Mad, ghunnah, and ikhfa. Using Automatic Speech Recognition (ASR) technology, this system aims to improve tajwid literacy among Quran learners, particularly those who face difficulties accessing direct learning. The CNN model is used to extract spatial features from the audio signals. This study aims to develop an automated system that provides accurate feedback on tajwid errors, enhances the effectiveness of learning, and supports more flexible self-learning. Evaluation is conducted using metrics such as accuracy, precision, recall, and F1-score, showing that this model has the potential to be applied in technology-based Quran learning.