Penelitian ini berfokus pada pengembangan pendekatan inovatif berbasis pembelajaran mesin (machine learning) untuk mengidentifikasi spesies burung melalui klasifikasi suara, dengan menggunakan Gammatone Frequency Cepstral Coefficients (GTCC) dan penyaringan (filtering) berbasis YAMNet. Pendekatan yang diusulkan bertujuan untuk menganalisis vokalisasi burung dengan mengekstraksi fitur akustik yang relevan serta menerapkan teknik pembelajaran mesin guna membedakan berbagai jenis suara burung secara akurat dan efisien.
Dengan mengombinasikan ekstraksi fitur berbasis GTCC dan penyaringan berbasis YAMNet, penelitian ini berupaya meningkatkan pemrosesan, identifikasi, dan klasifikasi sinyal audio burung, terutama di lingkungan yang dipenuhi oleh berbagai kebisingan latar belakang. Integrasi teknologi-teknologi ini menawarkan pendekatan yang menjanjikan untuk menyempurnakan pemantauan akustik otomatis serta mendukung pengamatan satwa liar yang lebih efisien.
Lebih lanjut, penelitian ini memiliki potensi penerapan dalam konservasi keanekaragaman hayati, pemantauan ekologi, dan pengembangan sistem cerdas untuk mengidentifikasi spesies burung di habitat aslinya. Hasil penelitian ini diharapkan dapat berkontribusi pada kemajuan teknologi dalam riset lingkungan, sekaligus mendukung pengelolaan keanekaragaman hayati yang berkelanjutan dan upaya konservasi satwa liar, khususnya sejalan dengan Tujuan Pembangunan Berkelanjutan 15 (Sustainable Development Goal 15/SDG 15)