DETEKSI SUARA ASLI DAN PALSU MANUSIA MENGGUNAKAN ARSITEKTUR HYBRID CONVOLUTIONAL NEURAL NETWORK (CNN) DAN LONG SHORT TERM MEMORY (LSTM) Unissula Repository

atmika, Alim J (2025) DETEKSI SUARA ASLI DAN PALSU MANUSIA MENGGUNAKAN ARSITEKTUR HYBRID CONVOLUTIONAL NEURAL NETWORK (CNN) DAN LONG SHORT TERM MEMORY (LSTM). Undergraduate thesis, Universitas Islam Sultan Agung.

	Text Teknik Informatika_32602100023_fullpdf.pdf \| Download (2MB)
	Text Teknik Informatika_32602100023_pernyataan_publikasi.pdf Restricted to Registered users only \| Download (355kB)

Abstract

Kemajuan teknologi kecerdasan buatan, khususnya pada sintesis ucapan seperti Text-to-Speech (TTS) dan voice cloning, memunculkan ancaman serius berupa deepfake voice atau suara palsu yang dapat disalahgunakan untuk penipuan, manipulasi, maupun penyebaran hoaks. Untuk menjawab tantangan tersebut, penelitian ini mengembangkan sistem deteksi suara berbasis arsitektur hybrid deep learning dengan mengombinasikan Convolutional Neural Network untuk analisis spasial dan Long Short-Term Memory untuk pola temporal. Sistem dilengkapi fitur MFCC untuk menangkap ciri fonetik serta Spectral Contrast untuk mendeteksi anomali harmonik khas suara sintetis. Model dilatih menggunakan optimizer Adam dan diuji secara menyeluruh, menghasilkan akurasi 86,49%. Untuk kelas asli (0) nilai presisi sebesar 0.81 serta recall 0.95 dan F1-score sebesar 0.88, kemudian untuk kelas palsu (1) memiliki nilai presisi sebesar 0.94 serta recall 0.78 dan F1-score sebesar 0.85. Sebagai penerapan praktis, model diintegrasikan ke dalam aplikasi web interaktif berbasis Streamlite sebagai solusi deteksi suara palsu dalam menghadapi ancaman digital.
Kata kunci : Deteksi Suara Palsu, Deepfake Audio, deep learning, Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), MFCC, Spectral Contrast

Dosen Pembimbing:	Haviana, Sam Farisa Chaerul \| UNSPECIFIED
Item Type:	Thesis (Undergraduate)
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi Industri Fakultas Teknologi Industri > Mahasiswa FTI - Skripsi Teknik Informatika
Depositing User:	Pustakawan 4 UNISSULA
Date Deposited:	06 Jan 2026 07:20
URI:	https://repository.unissula.ac.id/id/eprint/44178

Actions (login required)

View Item