Pendekatan Transfer Learning Untuk Klasifikasi Tangisan Bayi Dengan Imbalance Dataset

Abstract

Klasifikasi tangisan bayi dapat dimanfaatkan untuk mengidentifikasi masalah kesehatan bayi dan memenuhi kebutuhan bayi dengan cepat. Dalam studi ini, teknik transfer learning, dengan model terlatih YAMNet, diterapkan untuk klasifikasi bayi dengan dataset terbatas dan tidak seimbang. YAMNet, sebuah model Convolutional Neural Network khusus untuk analisis audio, mengatasi keterbatasan metode tradisional yang bergantung pada interpretasi manusia.  Dengan mempelajari fitur-fitur audio secara otomatis, memungkinkan kinerja klasifikasi yang lebih akurat. Dalam studi ini, dilakukan eksplorasi dan analisis manfaat penggunaan YAMNet, melalui perbandingan dengan model baseline tanpa teknik transfer learning. Hasilnya menunjukkan bahwa model YAMNet tidak hanya nilai akurasinya yang tinggi 0.8106, namun juga nilai skor-F1nya tinggi yaitu mencapai 0.9831. Terbukti bahwa penggunaan transfer learning dapat meningkatkan kinerja dalam klasifikasi tangisan bayi, terutama dalam mengatasi ketidakseimbangan data dan meningkatkan prediksi untuk kelas minoritas.