KLASIFIKASI SUARA NYAMUK BERBASIS CNN (CONVOLUTIONAL NEURAL NETWORK) UNTUK INOVASI PENGENDALIAN HAMA DAN PENYAKIT

Abstract

Isu kesehatan terkait dengan penyakit yang disebarkan oleh nyamuk yakni demam berdarah dengue (DBD), malaria, chikungunya, dan filariasis merupakan permasalahan global yang sangat mengkhawatirkan terkhusus di kawasan tropis seperti Indonesia. Pemerintah telah mengupayakan pengendalian nyamuk seperti kampanye 3M+ (Menguras, Menutup, Mendaur Ulang) dan penggunaan insektisida, tetapi masih kurang efektif. Riset ini mengeksplorasi pemanfaatan teknologi untuk mengendalikan nyamuk vektor dengan mengidentifikasi suara kepakan sayapnya menggunakan teknik Convolutional Neural Network (CNN). Audio dari tiga spesies nyamuk berbeda digunakan yakni: Aedes aegypti, Anopheles stephensi, dan Culex pipiens. Fitur yang diekstrak meliputi Mel-Frequency Cepstral Coefficients (MFCC) dan Mel-Spectrogram. Model CNN dirancang dengan lima blok konvolusi dengan filter 32, 64, 128, 256, 512, kernel 3x3, diikuti Max Pooling 2x2, regularisasi L2 (0,01), dan dropout (0,3 hingga 0,45) untuk mengurangi overfitting. Pelatihan dilakukan selama 100 epoch dengan batch size 32. Hasil evaluasi menunjukkan akurasi model sangat baik mencapai 98%, dengan nilai f1-score setiap class mencapai 0.98. Harapannya, teknologi ini mampu mendukung program eliminasi malaria dan filariasis pada tahun 2030 serta menurunkan insiden DBD di Indonesia dan mempercepat deteksi serta penanganan penyakit yang ditularkan oleh nyamuk sejalan dengan pendekatan One Health yang menghubungkan kesehatan manusia, hewan, dan lingkungan.