Klasifikasi Deepfake Voice Menggunakan Ekstraksi Fitur MFCC dan Random Forest

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong munculnya teknologi deepfake voice yang mampu menghasilkan suara sintetis menyerupai suara manusia asli. Meskipun memiliki berbagai manfaat, teknologi ini juga berpotensi disalahgunakan untuk pemalsuan identitas dan penyebaran informasi palsu sehingga diperlukan metode deteksi yang efektif. Penelitian ini bertujuan untuk mendeteksi audio deepfake menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) dan algoritma Random Forest. Dataset yang digunakan adalah Fake-or-Real (FoR) Dataset yang terdiri atas audio REAL dan FAKE. Sebanyak 4.500 sampel dipilih secara seimbang, namun satu file gagal diproses sehingga digunakan 4.499 sampel. Proses penelitian meliputi preprocessing, ekstraksi 13 fitur MFCC, pembagian data menggunakan metode train-test split dengan rasio 80:20, serta klasifikasi menggunakan Random Forest dengan parameter n_estimators = 100. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 97%, dengan nilai precision, recall, dan F1-score yang seimbang pada kedua kelas. Hasil tersebut menunjukkan bahwa kombinasi MFCC dan Random Forest mampu membedakan audio REAL dan FAKE secara efektif sehingga berpotensi diterapkan pada bidang keamanan digital dan forensik audio