Deteksi pengucapan menjadi aset penting bagi keseharian masyarakat, salah satunya sebagai jembatan komunikasi antar bahasa menggunakan perangkat digital. Sementara dominasi Bahasa Arab di Indonesia untuk kepentingan pendidikan dan beragama, mengharuskan masyarakat dapat mempelajari bahasa ini dengan pengucapan/fonem yang benar untuk mendapatkan makna kalimat yang diinginkan. Dengan ini, penelitian dilakukan untuk membangun sistem deteksi pengucapan fonem abjad Arab dengan model klasifikasi Alexnet. Proses deteksi pengucapan dilakukan dengan mengubah file suara pengucapan abjad menjadi data mel-spectogram, kemudian data menjadi input model klasifikasi Alexnet dengan algoritma Stratified K-fold cross-validation untuk training dan testing data. Model Alexnet pada penelitian menunjukkan untuk dataset Amna Asif, hasil akurasi klasifikasi fonem tanpa augmentasi sebesar 84.7% dan klasifikasi fonem dengan augmentasi sebesar 91.1%.  Sedangkan untuk dataset campur, hasil akurasi klasifikasi fonem tanpa augmentasi 84.1% dan klasifikasi fonem dengan augmentasi sebesar 90.3%.