KLASIFIKASI SUARA KATAK MENGGUNAKAN MODEL DEEP LEARNING MODIFIED DENSENET-121 DAN DENSENET-169 DENGAN FITUR EKSTRAKSI MFCC

Authors

  • Kharisma Gumilang Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Afwa Fuadi Nugraha Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Isyamaetreya Savitri Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Nadia Fitri Yani Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Yunita Amelia Puspitasari Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Ardika Satria Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Christyan Tamaro Nadeak, Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia
  • Ade Lailani Program Studi Sains Data, Institut Teknologi Sumatera, Bandarlampung, Indonesia

Keywords:

Deep Learning, DenseNet, MFCC, Klasifikasi Suara, Konservasi

Abstract

Katak merupakan salah satu spesies amfibi, memiliki banyak ciri khas yang menjadikannya makhluk yang menarik untuk dipelajari. Keanekaragaman spesies katak, suara unik yang dihasilkan, serta peran pentingnya dalam ekosistem menjadikannya sebagai bioindikator yang efektif dalam pemantauan lingkungan dan konservasi keanekaragaman hayati. Setiap spesies katak menghasilkan suara yang berbeda, yang dapat digunakan untuk identifikasi tanpa observasi langsung. Penelitian ini bertujuan untuk mengklasifikasikan suara katak menggunakan teknologi deep learning, dengan fitur Mel-frequency Cepstral Coefficients (MFCC) yang telah terbukti efektif dalam representasi suara. Dataset yang digunakan mencakup 1512 rekaman suara dari 9 spesies katak, yaitu Dendrosophus minutus, Leptodactylus fuscus, Rana temporaria, Rhinella marina, Scinax rubex, Boana, Pepper frog, Pool frog, dan South frog. Data dibagi menjadi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Dua model deep learning yang digunakan, yaitu Modified DenseNet-121 dan Modified DenseNet-169. Model dilatih menggunakan algoritma Adam dengan learning rate 1e-4, weight decay 1e-4, dan mekanisme ReduceLROnPlateau untuk penyesuaian learning rate. Hasil dari Modified DenseNet-121 menunjukkan akurasi 68%, precision 71%, recall 68%, dan F1 score 68%. Sementara itu, Modified DenseNet-169 menghasilkan akurasi 61%, precision 68%, recall 61%, dan F1 score 62%. Pendekatan ini diharapkan dapat membantu upaya pemantauan keanekaragaman hayati dan konservasi spesies dengan memanfaatkan teknologi deep learning.

Downloads

Published

2025-02-21

Conference Proceedings Volume

Section

Prodi Sistem Informasi

Categories