<![CDATA[Sistem berbasis suara kini semakin banyak digunakan dalam layanan digital, sehingga kebutuhan terhadap teknologi yang mampu mengidentifikasi karakteristik pembicara secara otomatis terus meningkat. Gender merupakan salah satu karakteristik penting yang dimanfaatkan dalam pengelompokan data audio, analisis ucapan, dan berbagai aplikasi pengolahan sinyal. Namun, proses klasifikasi gender masih menghadapi kendala, seperti perbedaan karakteristik vokal antarindividu, variasi perangkat perekaman, gangguan kebisingan, serta keterbatasan generalisasi model terhadap data baru. Penelitian ini bertujuan merancang dan mengembangkan model klasifikasi gender berbasis suara menggunakan representasi Mel-Spectrogram dan arsitektur ResNet50 untuk mengatasi tantangan tersebut. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM). Dataset diperoleh dari Common Voice, terdiri atas dua kategori (laki-laki dan perempuan) dengan masing-masing 4.900 sampel audio. Tahap persiapan data meliputi penyaringan, penyeimbangan kelas, augmentasi, ekstraksi fitur Mel-Spectrogram, pra-pemrosesan, serta pembagian data pelatihan dan pengujian. Model yang telah dilatih kemudian diimplementasikan ke dalam aplikasi Android untuk melakukan klasifikasi berdasarkan rekaman suara maupun berkas audio yang diunggah pengguna. Hasil penelitian menunjukkan model mencapai akurasi sebesar 97,70% dengan kinerja yang seimbang pada kedua kelas dan tingkat kesalahan klasifikasi yang rendah. Temuan ini membuktikan bahwa kombinasi Mel-Spectrogram dan ResNet50 efektif menangkap karakteristik akustik yang relevan untuk membedakan gender pembicara. Pengujian melalui aplikasi Android turut menunjukkan bahwa model tetap mampu melakukan klasifikasi dengan baik meski dihadapkan pada kondisi noise lingkungan seperti suara kipas, keramaian, dan kendaraan, sehingga membuktikan sistem yang dikembangkan bersifat akurat, tahan terhadap variasi kondisi nyata, dan mudah diterapkan pada perangkat mobile.]]>
