Pengembangan sistem pengenalan tulisan tangan huruf hijaiyah dan angka Arab menjadi tantangan dalam bidang computer vision karena kemiripan bentuk antar karakter dan variasi gaya tulisan individu. Penelitian ini mengusulkan model klasifikasi berbasis Convolutional Neural Network (CNN) untuk mengenali huruf dan angka Arab dari dua dataset, yaitu Arabic Handwritten Characters Dataset (AHCD) dan Arabic Handwritten Digits Dataset (AHDD). Dataset diproses melalui tahapan preprocessing, meliputi resize citra, normalisasi piksel, dan one-hot encoding label, lalu digabung menjadi data latih dan uji. Arsitektur CNN terdiri dari enam lapisan konvolusi dengan kombinasi Batch Normalization dan Dropout untuk meningkatkan stabilitas pelatihan dan mengurangi resiko overfitting. Proses optimasi model dilakukan menggunakan pendekatan Grid Search dengan 5-Fold Cross Validation untuk mengevaluasi kombinasi dari beberapa hyperparameter, yaitu jenis optimizer, kernel initializer, fungsi aktivasi, dan learning rate. Model terbaik diperoleh dengan kombinasi optimizer Nadam, fungsi aktivasi ReLu, kernel initializer uniform, dan learning rate 0.001. Evaluasi model dilakukan dengan menghitung metrik performa utama yang diperoleh dari hasil confusion matrix pada data uji. Berdasarkan evaluasi akhir, model mencapai akurasi 0.9852, dengan precision 0.9856, recall 0.9852, specificity 0.9996, F1-score 0.9853, dan AUC 0.9998. Hasil ini menunjukkan bahwa model mampu melakukan klasifikasi tulisan tangan huruf hijaiyah dan angka Arab dengan performa yang sangat baik.