Hutan merupakan aspek yang berperan penting untuk menjaga keseimbangan dan kelestarian ekosistem global. Namun, keberadaan hutan kini terancam oleh kerusakan yang diakibatkan eksploitasi sumber daya hutan yang berlebihan. Salah satu penyebab kerusakan dikawasan hutan ialah penebangan hutan secara liar, terutama hutan di Indonesia. Metode pendekatan untuk pengawasan aktivitas ilegal dikawasan hutan yang berbasis teknologi masih minim dilakukan, dimana teknologi yang digunakan masih sebatas perangkat visual seperti kamera pengawas, drone, maupun citra satelit yang memiliki keterbatasan sudut, jarak ,dan cakupan pandang yang terbatas. Sistem pendeteksian suara berbasis Internet of Thing (IoT) saat ini sudah banyak digunakan dalam mendeteksi adanya gelombang suara, dalam kasus mencegah penebangan liar sistem ini cocok untuk mendeteksi aktifitas yang berkaitan langsung seperti suara gergaji mesin yang identik digunakan dalam proses menebang pohon dengan jangkauan luas di kawasan hutan. Penelitian ini menggunakan metode Deep Learning yaitu Convolutional Neural Network (CNN) dengan arsitekur ResNet50 dan Recurrent Neural Network (RNN) dengan arsitektur Long Sort-Term Memory (LSTM) untuk mengklasifikasi suara. Model Deep Learning pada penelitian ini dilatih menggunakan Dataset publik Environment Sound Classifucation-50 dengan kelas suara yang digunakan seperti suara Chainsaw, Crackling Fire, dan Helicopter. Dataset suara tersebut diekstrak menjadi mel spektogram dengan dua jenis Sample Rate yang berbeda yaitu 16 kHz dan 44 kHz. Penelitian ini menemukan bahwa algoritma CNN dan RNN mampu mengklasifikasi suara dengan baik dan mendapatkan tingkat akurasi yang cukup tinggi yaitu 98,96% menggunakan data uji. Namun, algoritma RNN memiliki tingkat akurasi yang cenderung lebih stabil dibanding algoritma CNN dengan berbagai parameter yang diuji coba seperti jenis Sample Rate dan data Split ratio.