EVALUASI KOMPARATIF ARSITEKTUR CNN, RNN, DAN CNN-LSTM UNTUK KLASIFIKASI TANGISAN BAYI

Wicaksono, David Yoga (2026) EVALUASI KOMPARATIF ARSITEKTUR CNN, RNN, DAN CNN-LSTM UNTUK KLASIFIKASI TANGISAN BAYI. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full Text) RAMA_55201_2213020069.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (Similarity) RAMA_55201_2213020069_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (729kB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020069_0723098303_0719068702_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (489kB)
	Text (BAB 2) RAMA_55201_2213020069_0723098303_0719068702_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (479kB)
	Text (BAB 3) RAMA_55201_2213020069_0723098303_0719068702_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (462kB)
	Text (BAB 4) RAMA_55201_2213020069_0723098303_0719068702_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (921kB)
	Text (BAB 5) RAMA_55201_2213020069_0723098303_0719068702_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (18kB)
	Text (References) RAMA_55201_2213020069_0723098303_0719068702_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (91kB)
	Text (Lampiran) RAMA_55201_2213020069_0723098303_0719068702_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (1MB)

Abstract

Penelitian ini bertujuan untuk mengevaluasi perbandingan kinerja arsitektur CNN, RNN, dan CNN-LSTM dalam klasifikasi tangisan bayi. Tangisan bayi memiliki karakteristik suara yang berbeda sesuai kondisi tertentu, seperti lapar, sakit perut, tidak nyaman, bersendawa, dan lelah. Namun, perbedaan tersebut sulit dikenali secara manual, sehingga diperlukan pendekatan berbasis deep learning. Tahapan penelitian meliputi pra-pemrosesan audio, augmentasi data, ekstraksi fitur menggunakan Mel Spectrogram, pelatihan model CNN, RNN, dan CNN-LSTM, serta evaluasi menggunakan akurasi, precision, recall, F1-score, dan loss. Penelitian ini membandingkan skenario tanpa penyeimbangan dataset dan dengan SMOTE untuk mengatasi ketidakseimbangan data. Hasil penelitian menunjukkan bahwa penerapan SMOTE membantu model mengenali setiap kelas dengan lebih seimbang. Dari hasil evaluasi, CNN-LSTM memperoleh performa terbaik dibandingkan CNN dan RNN karena mampu menggabungkan ekstraksi fitur dan pemahaman pola sekuensial audio. Dengan demikian, CNN-LSTM dapat digunakan sebagai pendekatan efektif dalam klasifikasi tangisan bayi berbasis audio.

Actions (login required)

View Item