Penelitian ini fokus pada identifikasi jenis kelamin melalui sinyal Elektrokardiogram (ECG) dan pentingnya preprocessing sinyal untuk meningkatkan akurasi dan menangani gangguan seperti baseline wonder, artifact, dan noise otot. ECG merekam aktivitas listrik jantung dan hasilnya dapat memberikan identifikasi individu berdasarkan ciri-ciri unik sinyal tersebut. Metode klasifikasi yang digunakan adalah Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Random Forest. Hasil penelitian menunjukkan bahwa preprocessing sinyal sebagian besar dapat meningkatkan akurasi model klasifikasi. Sebelum preprocessing, metode SVM mendapatkan akurasi masing-masing untuk data Raw dan Filtered sebesar 48,70% dan 61,61% meningkat menjadi 51,30% dan 66,13% setelah preprocessing. Metode Random Forest dengan n_estimator=60 dan max_depth default memberikan akurasi 50,00% untuk data Raw meningkat menjadi 54,22% setelah preprocessing. Sedangkan pada Random Forest dengan n_estimator=40 dan max_depth=10 memberikan akurasi 48,70% pada data Raw, lalu meningkat menjadi 51,62%. Selain itu, metode KNN dengan k=1 mendapatkan akurasi masing-masing untuk data Raw dan Filtered sebesar 50,65% dan 50,00% naik menjadi 53,90 % dan 51,61%. Metode KNN dengan k=3 akurasi sebesar 50,32% untuk data Filtered meningkat menjadi 54,84% setelah preprocessing. Selain itu, metode KNN dengan k=5 akurasi 49,03% untuk data Filtered meningkat menjadi 52,26% setelah preprocessing. Kesimpulannya, preprocessing sinyal, terutama dengan mencari titik puncak R pertama, memberikan kontribusi positif terhadap akurasi klasifikasi gender berbasis ECG. Metode SVM dan KNN dengan parameter tertentu memberikan hasil akurasi yang signifikan setelah preprocessing sinyal, memperkuat relevansi penggunaan ECG dalam klasifikasi jenis kelamin. Kata kunci: Elektrokardiogram, Klasifikasi Gender, SVM, Random Forest, KNN