Kemajuan teknologi Artificial Intelligence (AI) telah membuka peluang baru dalam berbagai bidang, termasuk konservasi keanekaragaman hayati. Salah satu aplikasi inovatif dari teknologi ini adalah pengembangan sistem deteksi akustik untuk mengidentifikasi spesies yang jarang ditemui di suatu wilayah. Penelitian mengenai bioakustik yang menggunakan deep learning, khususnya convolutional neural networks (CNN), telah menunjukkan potensi besar dalam klasifikasi suara hewan. Teknologi ini memungkinkan analisis data akustik secara otomatis, memberikan wawasan mendalam tentang populasi spesies dan distribusi mereka. Dengan menggunakan pendekatan transfer learning, model dapat dilatih pada dataset yang terbatas namun tetap memberikan hasil yang akurat. Hal ini sangat relevan dalam studi populasi spesies langka yang sulit dijangkau secara fisik maupun yang memiliki keterbatasan data.
Di Nepal, misalnya, dua spesies burung langka, Yellow-vented warbler (Phylloscopus cantator) dan Rufous-throated wren-babbler (Spelaeornis caudatus), telah menjadi subjek penelitian yang mengadopsi teknologi ini. Kedua spesies tersebut memiliki jangkauan geografis yang sangat terbatas dan status konservasi yang memprihatinkan, sehingga memerlukan metode pemantauan yang efisien dan berkelanjutan. Dengan memanfaatkan CNN dan teknik augmentasi data, para peneliti berhasil meningkatkan performa model dalam mengenali panggilan burung dari rekaman lapangan. Studi ini tidak hanya menawarkan pendekatan baru untuk pemantauan spesies langka tetapi juga memberikan data dasar yang dapat digunakan untuk memantau perubahan habitat atau dampak perubahan iklim di masa depan.
Deep learning, sebagai cabang kecerdasan buatan, telah memberikan kontribusi signifikan dalam analisis data bioakustik. CNN, yang merupakan arsitektur populer dalam deep learning, dirancang untuk menangani data berbasis gambar dan telah diadaptasi untuk menganalisis spektrogram akustik. Spektrogram ini merepresentasikan data audio dalam bentuk visual, memungkinkan identifikasi pola suara spesifik dari spesies target. Dalam penelitian ini, CNN digunakan untuk mengklasifikasikan panggilan dua spesies burung langka dengan tingkat akurasi yang tinggi.
Proses pengembangan model dimulai dengan pengumpulan data audio dari berbagai lokasi di Taman Nasional Makalu Barun, Nepal. Data direkam menggunakan perangkat akustik otomatis yang mampu merekam suara selama 24 jam. Untuk meningkatkan kualitas data pelatihan, para peneliti menggunakan teknik augmentasi data seperti rotasi, pergeseran, dan pemotongan spektrogram. Pendekatan ini secara signifikan meningkatkan ukuran dataset, yang sangat penting untuk mencegah overfitting pada model deep learning.
Salah satu tantangan utama dalam penelitian ini adalah keterbatasan data pelatihan. Panggilan burung langka sering kali sulit dideteksi karena volumenya yang rendah atau karena adanya gangguan suara latar seperti hujan atau suara burung lain. Oleh karena itu, transfer learning digunakan sebagai solusi. Teknik ini memungkinkan penggunaan model yang telah dilatih pada dataset besar, seperti ImageNet, untuk diaplikasikan pada tugas baru dengan menyesuaikan lapisan terakhir model. Dalam studi ini, model ResNet50 digunakan dengan parameter yang telah disesuaikan untuk mengklasifikasikan panggilan spesies target.
Hasil penelitian menunjukkan bahwa model CNN yang menggunakan spektrogram berdurasi 2 detik dengan augmentasi data memberikan performa terbaik, dengan sensitivitas dan spesifisitas yang tinggi. Namun, klasifikasi panggilan Rufous-throated wren-babbler menunjukkan tingkat sensitivitas yang lebih rendah dibandingkan Yellow-vented warbler. Hal ini disebabkan oleh variasi dalam stereotip panggilan dan kualitas data yang beragam. Untuk mengatasi masalah ini, diperlukan iterasi tambahan dalam validasi label dan pelatihan ulang model.
Selain itu, penelitian ini menunjukkan pentingnya survei kehadiran spesies berbasis akustik dalam konservasi. Dengan memanfaatkan teknologi ini, data kehadiran spesies dapat dikumpulkan secara efisien di lokasi yang sulit dijangkau. Model yang dikembangkan juga dapat diadopsi untuk aplikasi bioakustik lainnya, seperti pemantauan populasi mamalia atau serangga. Pendekatan berbasis komunitas yang diterapkan dalam penelitian ini, dengan melibatkan ahli burung lokal untuk validasi data, juga menjadi contoh praktik terbaik dalam penelitian berbasis konservasi.
Penelitian ini membuka peluang untuk pengembangan lebih lanjut, seperti penggunaan model yang dilatih pada dataset akustik khusus, seperti SoundNet atau SincNet, yang dirancang untuk analisis data suara. Selain itu, pengembangan antarmuka visual untuk memantau hasil prediksi model secara real-time dapat meningkatkan efisiensi analisis data dan mendukung validasi hasil oleh para ahli. Dengan demikian, teknologi deep learning dan bioakustik dapat menjadi alat yang sangat efektif dalam mendukung upaya pelestarian keanekaragaman hayati secara global.
Sumber:
Zhong, M., Taylor, R., Bates, N., Christey, D., Basnet, H., Flippin, J., Palkovitz, S., Dodhia, R. and Ferres, J.L., 2021. Acoustic detection of regionally rare bird species through deep convolutional neural networks. Ecological Informatics, 64, p.101333.
Leave a Reply