<![CDATA[Perkembangan teknologi Generative AI memungkinkan terciptanya audio deepfake yang sulit dibedakan dari suara asli, sehingga berisiko disalahgunakan untuk kejahatan siber berbasis voice spoofing dan social engineering. Kondisi ini menjadikan pengembangan sistem deteksi audio deepfake yang akurat sebagai kebutuhan mendesak. Penelitian ini bertujuan mengembangkan sistem deteksi audio deepfake menggunakan pendekatan feature fusion, yang menggabungkan tujuh fitur akustik (MFCC, Delta MFCC, Delta-Delta MFCC, Chroma, Spectral Contrast, Spectral Rolloff, dan RMS Energy) menjadi vektor berdimensi 141. Lima algoritma machine learning klasik SVM, Random Forest, XGBoost, KNN, dan MLP dievaluasi menggunakan dataset ASVspoof 2019 LA yang dikombinasikan dengan data primer, melalui tahapan augmentasi, SMOTE, RandomSearchCV, serta seleksi fitur dengan RFECV. Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan akurasi 0,8688, F1-score 0,8597, precision 0,9234, ROC-AUC 0,9171, dan EER 0,1375, dengan fitur Spectral Contrast (contrast_6) teridentifikasi sebagai fitur paling informatif. Model terbaik selanjutnya diimplementasikan pada platform Hugging Face sebagai sistem deteksi audio deepfake bagi pengguna akhir, meskipun masih ditemukan keterbatasan berupa delay pada perekaman langsung dan penurunan akurasi pada audio bernoise tinggi. Temuan ini menegaskan bahwa pendekatan feature fusion efektif meningkatkan kemampuan deteksi audio deepfake sekaligus membuka peluang pengembangan lebih lanjut untuk penerapan yang lebih andal di dunia nyata.]]>
