Tangisan bayi mengandung pola yang menunjukkan kebutuhan mereka, seperti rasa sakit, lapar, ketidaknyamanan, kolik, atau kelelahan. Penelitian ini mengeksplorasi penggunaan arsitektur Convolutional Neural Network (CNN) untuk mengklasifikasikan tangisan bayi menggunakan gambar Mel Spectrogram. Tujuan utama dari penelitian ini adalah untuk membandingkan efektivitas berbagai arsitektur CNN seperti VGG-16, VGG-19, LeNet-5, AlexNet, ResNet-50, dan ResNet-152 dalam mendeteksi kebutuhan bayi berdasarkan tangisan mereka. Dataset yang digunakan mencakup Donate-a-Cry Corpus dan Dunstan Baby Language. Hasil penelitian menunjukkan bahwa AlexNet mencapai kinerja terbaik dengan akurasi 84,78% pada dataset Donate-a-Cry Corpus dan 72,73% pada dataset Dunstan Baby Language. Model lain seperti ResNet-50 dan LeNet-5 juga menunjukkan kinerja yang baik meskipun efisiensi komputasional mereka bervariasi, sementara VGG-16 dan VGG-19 menunjukkan kinerja yang lebih rendah. Penelitian ini memberikan kontribusi signifikan terhadap pemahaman dan penerapan model CNN untuk klasifikasi tangisan bayi. Implikasi praktisnya mencakup pengembangan aplikasi deteksi tangisan bayi yang dapat membantu orang tua dan penyedia layanan kesehatan