Perbedaan cara otak memproses informasi antara pria dan wanita dapat dikenali melalui sinyal EEG yang mencerminkan aktivitas listrik otak saat merespons rangsangan. Aktivitas ini pada frekuensi tertentu dapat dimanfaatkan untuk klasifikasi gender yang relevan dalam bidang neuromarketing dan sistem biometrik. Penelitian ini membandingkan performa model Long Short-Term Memory (LSTM) dan Bidirectional LSTM (BiLSTM) dalam klasifikasi gender berbasis EEG. Data EEG AEP dari PhysioNet digunakan terdiri dari 240 rekaman berdurasi 2 menit dari empat kanal (T7, F8, Cz, P4) dengan sampling rate 200 Hz. Setiap segmen berdurasi 2 detik dibagi menjadi 10 subwindow, dan diekstraksi menjadi 92 fitur menggunakan metode linier (PSD, DWT) dan non-linier (entropy, chaotic-based). Model LSTM/BiLSTM (1–2 layer) dilatih dengan teknik balancing SMOTE dan Borderline SMOTE, serta divalidasi menggunakan 5-fold cross-validation dengan metrik akurasi, F1-score, dan AUC. Hasil terbaik diperoleh dari BiLSTM 2-layer dengan Borderline-SMOTE (akurasi 0.933, F1M 0.958, F1F 0.825, AUC 0.965). Pada stimulus Ex05, BiLSTM 1-layer menghasilkan akurasi tertinggi 0.976 dan AUC 0.984. Penelitian ini membuktikan bahwa model BiLSTM dengan kombinasi ekstraksi fitur linier nonlinier serta Borderline SMOTE data meningkatkan akurasi klasifikasi gender EEG tetapi efektivitas balancing bergantung pada karakteristik stimulus dan band frekuensi.