Al-Quran merupakan kitab suci umat Islam yang diturunkan kepada Nabi Muhammad SAW, terdiri dari 114 surah dan 6236 ayat. Ayat-ayat di setiap surat pada Al-Quran mungkin akan memiliki satu topik atau lebih. Pada penelitian sebelumnya klasifikasi multi-label terhadap dataset Al-Quran telah dilakukan. Untuk itu dalam penelitian ini penulis menguji performansi dari CNN untuk kasus dataset Al-Quran. Karena pada saat ini CNN yang merupakah bagian dari Deep Learning telah digunakan dalam pemrosesan bahasa alami, dan dalam penilitan ini dataset terjemahan Al-Quran Berbahasa Inggris merupakan dataset yang tergolong baru dan memiliki bahasa tingkat tinggi yang memiliki makna implisit pada beberapa ayatnya yang memungkinkan makna tersebut merupakan sebuah karakter atau ciri dari ayat tersebut. Selain itu pre-trained word embedding dapat membantu dalam proses learning dari model CNN yang memiliki dataset berupa ayat Al-Quran yang berjumlah 6236 data yang cukup kecil untuk digunakan dalam Deep Learning. Pada penelitian ini pretrained word embedding yang digunakan adalah GloVe. Hasil dari penelitian ini menunjukkan bahwa dari beberapa skenario yang dilakukan CNN dengan GloVe memiliki nilai hamming loss yang lebih baik daripada yang tidak menggunakan GloVe, dan algoritma lainnya yaitu Recurrent Neural Networks (RNN) dan Long Short Term Memory (LSTM) dengan nilai hamming loss yang didapat yaitu CNN GloVe dengan layer dropout 0,0963 dan waktu eksekusi terhadap data uji 2,2662 detik.