<![CDATA[Di era digital, pengenalan suara manusia semakin berkembang sebagai salah satu solusi inovatif. Suara dapat digunakan untuk mempermudah dalam berbagai bidang. Penelitian ini bertujuan untuk menganalisis akurasi CNN pada data olah menggunakan parameter koefisien MFCC dan Max Length dalam mengklasifikasikan suara manusia berdasarkan delapan kelas suara yang mencakup tujuh kelas suara orang dan satu kelas suara bebas. Data suara menggunakan data primer dalam format WAV, kemudian diproses melalui dua tahapan preprocessing. Tahap pemrosesan ekstraksi fitur, menggunakan MFCC dengan parameter koefisien dan max length yang bervariasi. Arsitektur model CNN yang dirancang terdiri dari beberapa lapisan utama. Model CNN dilatih menggunakan data yang telah diproses dengan variasi parameter koefisien dan max length untuk mengevaluasi pengaruhnya terhadap tingkat akurasi dalam klasifikasi suara. Evaluasi dilakukan menggunakan Confusion Matrix untuk mengukur performa model yang diuji secara keseluruhan. Hasil penelitian, analisis akurasi tertinggi sebesar 98,96%, diperoleh dengan parameter koefisien MFCC sebesar 40 dan Max Length 48000. Hal ini menunjukkan bahwa parameter koefisien MFCC dan Max Length berpengaruh terhadap tingkat akurasi model. Semakin besar parameter MFCC maka semakin tinggi tingkat akurasinya. Begitu juga dengan semakin besar Max Length maka semakin tinggi tingkat akurasinya. Kesimpulan dari penelitian ini adalah menekankan pentingnya parameter MFCC dan Max Length (panjang maksimal data) dalam meningkatkan akurasi model CNN. Kata kunci: Akurasi, CNN, Data Olah, Suara.]]>
