Kebisingan dengan intensitas tinggi di lingkungan pabrik tekstil merupakan masalah serius yang tidak hanya berdampak pada kesehatan pendengaran pekerja tetapi juga secara signifikan menurunkan kejelasan komunikasi verbal, yang krusial untuk keselamatan dan efisiensi operasional. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem reduksi kebisingan cerdas berbasis deep learning untuk mengatasi masalah tersebut. Metode yang diusulkan menggunakan arsitektur U-Net Convolutional Neural Network (U-Net CNN) untuk memisahkan sinyal ucapan dari kebisingan latar yang kompleks. Sinyal audio yang terkontaminasi oleh derau mesin diubah menjadi representasi spektogram 2D, yang kemudian diproses oleh model U-Net untuk mengestimasi sebuah Ideal Ratio Mask (IRM). Masker ini secara selektif menekan komponen kebisingan sambil mempertahankan karakteristik esensial dari sinyal ucapan. Hasil pengujian kuantitatif pada dataset uji menunjukkan bahwa sistem yang dikembangkan mampu mencapai peningkatan Signal-to-Noise Ratio (SNR) rata-rata sebesar 63.28 dB dan tingkat pemeliharaan spektral (spectral preservation) rata-rata 99.97%. Hasil ini membuktikan bahwa pendekatan berbasis U-Net CNN sangat efektif dalam mereduksi kebisingan industrial secara signifikan sambil menjaga kualitas dan kealamian suara asli, sehingga berpotensi besar untuk diimplementasikan sebagai alat bantu fungsional guna meningkatkan kejelasan komunikasi verbal di lingkungan pabrik.
Kata Kunci: Reduksi Kebisingan Audio, U-Net CNN, Deep Learning, Kebisingan Industri, Spektogram.