Electronic Theses and Dissertation

Abstrak setiap individu memiliki keunikan dalam karakteristik suara yang berbeda-beda. karakteristik suara menjadi salah satu cara yang efektif untuk mengenali dan membedakan individu satu dengan yang lain. perkembangan teknologi informasi telah memiliki dampak yang signifikan pada berbagai bidang, termasuk dalam pengenalan suara dan identifikasi jenis kelamin pembicara. saat ini, melalui kemajuan teknologi informasi, pengenalan dan identifikasi jenis kelamin dapat dilakukan dengan menggunakan komputasi komputer. tujuan dari penelitian ini adalah mengusulkan model deteksi gender berdasarkan frekuensi suara menggunakan dataset audio dan convolutional neural network (cnn) dengan arsitektur resnet50, dan resnet101. metode penelitian yang digunakan adalah simulasi komputer dengan penerapan model cnn untuk mendeteksi gender berdasarkan frekuensi suara menggunakan dataset audio. hasil yang telah didapatkan berupa model deep learning menggunakan arsitektur resnet50 dan resnet101 dengan metode cnn yang menghasilkan akurasi 99.66%, recall 0.993, precision 1, f1-score 99.65%. berdasarkan hasil tersebut, dapat disimpulkan bahwa model resnet50 dan resnet101 merupakan model yang stabil dilihat dari learning curve dan akurasi yang tinggi. keyword: audio, citra frekuensi, convolutional neural network (cnn), resnet.

ABSTRACT Every individual possesses uniqueness in their distinct voice characteristicscharacteristics. Voice characteristics serve as an effective means to recognize and differentiate one individual from another. The advancement of information technology has significantly impacted various fields, including voice recognition and speaker gender identification. Currently, through the progress of information technology, gender recognition and identification can be accomplished using computer computation. The objective of this research is to propose a gender detection model based on voice frequency using an audio dataset and Convolutional Neural Network (CNN) with ResNet50 and ResNet101 architectures. The research method employed is computer simulation, implementing the CNN model to detect gender based on voice frequency using the audio dataset. The obtained results consist of deep learning models using ResNet50 and ResNet101 architectures with CNN method, yielding an accuracy of 99.66%, recall of 0.993, precision of 1, and f1-score 99.65%. Based on these results, it can be concluded that the ResNet50 and ResNet101 models are stable, as evidenced by their learning curve and high accuracy. Keyword: Audio, Citra Frekuensi, Convolutional Neural Network (CNN), ResNet.