<![CDATA[Kualitas rekaman suara bernyanyi sangat dipengaruhi oleh keberadaan noise atau gangguan suara latar belakang, seperti angin, gema, suara lingkungan, dan gangguan yang berasal dari aktivitas tubuh. Keberadaan noise dapat menurunkan kejernihan sinyal vokal sehingga berdampak pada kualitas produksi dan pemrosesan audio. Penelitian ini bertujuan untuk mengembangkan sistem penghapusan noise latar belakang pada rekaman suara bernyanyi menggunakan pendekatan deep learning berbasis Generative Adversarial Networks (GANs). Tahapan penelitian meliputi pengumpulan dan pelabelan dataset rekaman suara bernyanyi, penambahan noise dengan beberapa karakteristik gangguan, prapemrosesan sinyal audio, pelatihan model GAN untuk proses denoising, serta implementasi sistem berbasis web menggunakan Flask. Kinerja model dievaluasi secara kuantitatif menggunakan Signal-to-Noise Ratio (SNR), Short-Time Objective Intelligibility (STOI), dan Perceptual Evaluation of Speech Quality (PESQ) dengan membandingkan kualitas sinyal sebelum dan sesudah proses denoising. Hasil pengujian menunjukkan bahwa sistem mampu meningkatkan kualitas rekaman dengan peningkatan rata-rata SNR sebesar 8,42 dB, dari 10,31 dB menjadi 18,73 dB. Nilai STOI juga meningkat dari 0,71 menjadi 0,86, sedangkan nilai PESQ meningkat dari 2,41 menjadi 3,18 setelah proses penghapusan noise. Hasil tersebut menunjukkan bahwa model GAN mampu menekan komponen noise sekaligus mempertahankan karakteristik utama sinyal vokal. Meskipun demikian, pada kondisi noise yang memiliki intensitas tinggi, masih ditemukan sedikit distorsi pada beberapa bagian vokal. Dengan demikian, pendekatan GAN menunjukkan potensi yang baik untuk meningkatkan kualitas rekaman suara bernyanyi dan dapat dikembangkan lebih lanjut melalui penggunaan dataset yang lebih besar, variasi noise yang lebih beragam, serta arsitektur denoising yang lebih kompleks.]]>
