Penelitian ini bertujuan untuk menerapkan ekstraksi fitur Mel Frequency Cepstral Coefficient (MFCC) terutama dalam speech recognition serta model klasifikasi Convolutional Neural Network (CNN) menggunakan irama murottal Quran dan mengetahui pengaruhnya pada hasil. Dalam kasus ini, kemampuan membedakan jenis irama pada murottal Quran saat ini masih tergolong rendah, sehingga dibutuhkan klasifikasi irama murottal Quran. Metode yang digunakan adalah metode pengumpulan data dan simulasi. Penelitian ini melakukan eksperimen ragam skenario dari koefisien dan panjang frame pada ekstraksi fitur MFCC serta optimizer dan dropout rate pada model CNN menggunakan dataset 8 qori terhadap irama bacaan surah Al-Fatihah dan Juz 30 sehingga berjumlah 4.794 data, menunjukkan adanya pengembangan dari penelitian-penelitian sebelumnya. Hasil menunjukkan bahwa kombinasi 40 koefisien MFCC, panjang frame 20 ms, optimizer RMSProp, dan dropout rate 0,3 pada model CNN mencapai akurasi 99,82% dan validasi akurasi 100,00% dalam mengenali irama murottal Quran. Penelitian ini berpotensi memberikan solusi dalam pemodelan yang efektif dan literatur sejenis irama murottal di masa mendatang.
Kata Kunci: Klasifikasi;MFCC;CNN;RMSProp optimizer