KLASIFIKASI USIA DAN GENDER BERBASIS SUARA MENGGUNAKAN ALGORITMA HYBRID CNN-BILSTMTRANSFORMERM. Nasyid YunitianRizalauthorPengenalan karakteristik demografis pengguna, seperti usia dan gender, melalui suara merupakan tantangan krusial dalam pengembangan sistem interaksi manusia dan mesin yang lebih personal dan aman. Namun, penggunaan model Deep Learning arsitektur tunggal seringkali memiliki keterbatasan, di mana model CNN kurang optimal dalam menangkap urutan waktu, sedangkan model sekuensial seperti RNN sering kehilangan detail spasial pada data suara yang kompleks. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan mengembangkan model Hybrid yang mengintegrasikan Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (Bi-LSTM), dan Transformer. Metode penelitian diawali dengan pengolahan dataset Common Voice menjadi representasi Mel-Spectrogram, penerapan teknik standardisasi audio, serta perancangan arsitektur gabungan di mana CNN mengekstraksi fitur visual spektral, Bi-LSTM menangkap konteks temporal dua arah, dan Transformer memfokuskan atensi pada fitur global yang dominan. Hasil pengujian membuktikan bahwa model usulan mampu mencapai akurasi akhir sebesar 91%, unggul dibandingkan model tunggal Bi-LSTM (74%) dan CNN standar (84%). Keberhasilan ini menegaskan bahwa sinergi ketiga algoritma tersebut merupakan pendekatan yang efektif untuk mengatasi variabilitas karakteristik suara manusia yang beragam. Implementasi sistem ini diharapkan dapat dimanfaatkan secara luas untuk meningkatkan keandalan sistem keamanan biometrik, personalisasi layanan e-commerce, serta alat bantu investigasi forensik digital.000 Ilmu komputer, informasi dan pekerjaan umum004 Pemrosesan data dan ilmu komputer2026-03-02Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis