Penelitian ini membahas tentang aplikasi pengenalan suara untuk melakukan perbandingan implementasi akurasi metode ekstraksi ciri suara metode Mel Frequency Cepstral coefficients (MFCC) dan Linear Predictive Coding (LPC). Metode MFCC adalah metode yang digunakan untuk memproses feature extraction yaitu sebuahpproses yang melakukan konversi sinyal suara menjadi beberapa parameter, sedangkan metode LPC merupakan salah satu metode parametrik yang digunakan merepresentasikan sinyal. Pada penelitian ini membandingkan tahapan proses dari masing-masing metode tersebut dimulai dari proses pre-emphasis, frame blocking, windowing dan yang membedakan dari kedua metode tersebut adalah proses FFT dan autokorelasi. Objek suara yang dibandingkan adalah suara hukum bacaan ikhfa’ dan gunnah pada Q.S. Al-Kahf (1-5). Data suara yang telah direkam ditentukan klasifikasi menggunakan neural network perceptron dengan membagi data kelas untuk masing-masing tajwid dengan nilai rentang 0-1 lalu dibagi kedalam 6 kelas tajwid. Pembuatan aplikasi perbandingan implementasi MFCC dan LPC menggunakan tools Matlab 2019A. Pada proses pengujian aplikasi perbandingan suara ini menggunakan Mean Absolute Percentage Error (MAPE), dengan pengujian yang dilakukan sebanyak lima data uji terhadap masing-masing 6 kelas tajwid. Hasil MAPE dari pengujian pada penelitian ini sebesar 17,35 untuk metode MFCC dan hasil MAPE metode LPC sebesar 17,64.

This research discusses the application of voice recognition to compare the implementation of accuration comparison using MFCC and LPC method. The MFCC method is a method used to process feature extraction, which is a process to convert voice signals to several parameters, while LPC method is one of the parametric method used to represent signals. This research compares the process stages of each method starting from the process of pre-emphasis, fram blocking, windowing and the difference of these two methods is the FFT process and autocorrelation. The sound object being compared is the sound of ikhfa and gunnah tajweed in Q.S. Al-Kahf (1-5). The recorded voice data is classified using a neural network perceptron by dividing the data for each recitation with a value ranging from 0 to 1 and then divided into 6 tajweed classes. This research uses the Matlab 2019A as a tool to make the comparison application of MFCC and LPC. In the process of testing voice comparison application, it uses the Mean Absolute Percentage Error (MAPE) and carries out five test data for each 6 tajwid classes. The MAPE results of testing in this study were 17.35 for the MFCC method and the MAPE results for the LPC method were 17.64.