Menangis adalah salah satu cara utama bayi berkomunikasi dengan orangtuanya untuk menyampaikan kebutuhan dan emosinya. Meskipun tindakan menangis bayi dapat memberikan wawasan penting tentang kebutuhan dan emosi bayi, penelitian yang mendalam tentang pengaruh rentang audio dalam tangisan bayi terhadap hasil penelitian masih kurang. Masalah inti penelitian adalah kekurangan penelitian tentang pengaruh rentang audio pada klasifikasi tangisan bayi dalam pembelajaran mesin. Penelitian ini bertujuan untuk membandingkan efek panjang audio tangisan bayi dalam ekstraksi fitur MFCC dan beberapa algoritma pembelajaran mesin pada kinerja deteksi emosi bayi. Kontribusi ini memperkaya pemahaman tentang aplikasi klasifikasi dan pemilihan fitur dalam dataset audio, khususnya pada tangisan bayi. Dataset yang digunakan, donate-a-cry-corpus, mencakup lima kelas data yang berbeda dan memiliki durasi tujuh detik. Metodologi yang digunakan melibatkan teknik spektrogram, validasi silang untuk pembagian data, ekstraksi fitur MFCC dengan 10, 20, dan 30 koefisien, serta model pembelajaran mesin termasuk Support Vector Machine, Random Forest, dan Naïve Bayes. Hasil penelitian ini mengungkap bahwa model Random Forest mencapai akurasi 0.844 dan skor F1 sebesar 0.773 saat 10 koefisien MFCC digunakan dan rentang audio optimal diatur pada enam detik. Selanjutnya, model Support Vector Machine dengan kernel RBF menghasilkan akurasi sebesar 0.836 dan skor F1 sebesar 0.761. Sebaliknya, model Naïve Bayes mencapai akurasi 0.538 dan skor F1 sebesar 0.539. Perlu diperhatikan bahwa tidak ada perbedaan yang terlihat saat mengevaluasi metode Support Vector Machine dan Naïve Bayes pada uji coba 1-7 detik. Implikasi dari penelitian ini adalah untuk membentuk dasar dalam pengembangan teknik identifikasi penyakit prematur berdasarkan vokalisasi bayi, sehingga memfasilitasi proses diagnosis yang lebih cepat bagi praktisi pediatrik. 

Kata kunci: Deteksi Tangisan Bayi, Spektogram, MFCC, machine learning.