PERBANDINGAN KINERJA MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) DAN CNN BERBASIS LONG SHORT-TERM MEMORY (CNN-LSTM) DENGAN AUGMENTASI KOMPRESI AUDIO UNTUK DETEKSI AUDIO PALSU

Abstrak Perkembangan teknologi sintesis suara bisa bersifat menguntungkan dan merugikan tergantung etika penggunaannya. Penyalahgunaan teknologi tersebut dapat beresiko penggunaan suara manusia tanpa izin dan perkembangan teknologi generatif yang pesat menyebabkan sulitnya dalam membedakan sintetis audio yang semakin mirip dengan manusia. Penelitian ini bertujuan untuk membangun model deteksi berbasis Convolutional Neural Network (CNN) dalam melakukan deteksi audio palsu dengan dataset yang lebih terperbarui yaitu AVSpoof2021 Logical Access yang mana audio akan diekstrak ke dalam bentuk Mel Frequency Cepstral Coefficient (MFCC). Dua variasi model CNN akan dicoba antara lain melalui teknik augmentasi kompresi audio dan menambahkan lapisan Long Term Short Memory (LSTM) ke dalam arsitektur model CNN. Hasil evaluasi model menunjukkan bahwa model variasi CNN-LSTM dengan teknik augmentasi memiliki performa terbaik dari memperoleh nilai False Positive Rate (FPR) 6.95521%, False Negative Rate (FNR) 1.7477% sehingga mendapatkan skor metrik Equal Error Rate 4.3514%.