Claim Missing Document
Check
Articles

Implementasi Model Convolutional Neural Network- Bidirectional Long Short-Term Memory untuk Mendeteksi Deepfake Audio Dewi Zuliana; Kurniawati Kurniawati; Handini Arga Damar Rani
Journal of System, Information Technology and Electronics Engineering Vol 6 No 1 (2026): JUNI 2026
Publisher : Universitas Ivet

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31331/jsitee.v6i1.4793

Abstract

Perkembangan teknologi kecerdasan buatan telah mendorong munculnya deepfake audio yang berpotensi disalahgunakan untuk penyebaran informasi palsu dan penipuan. Penelitian ini bertujuan mengimplementasikan model CNN-BiLSTM menggunakan fitur Mel-Frequency Cepstral Coefficients (MFCC) untuk mendeteksi deepfake audio serta mengevaluasi performa model berdasarkan metrik accuracy, precision, recall, dan F1-score. Penelitian ini merupakan penelitian eksperimen menggunakan dataset Fake-or-Real (FoR) versi for-2seconds. Tahapan penelitian meliputi preprocessing data, ekstraksi fitur MFCC, normalisasi data, pelatihan model CNN-BiLSTM, dan evaluasi performa model menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa model CNN-BiLSTM memperoleh accuracy sebesar 86,58%, precision sebesar 99,01%, recall sebesar 73,90%, F1-score sebesar 84,63%, dan AUC sebesar 97,16%. Hasil tersebut menunjukkan bahwa model CNN-BiLSTM mampu mendeteksi deepfake audio dengan baik menggunakan fitur MFCC.
Analisis Perbandingan Performa Random Forest dan Support Vector Machine untuk Deteksi Berita Hoaks Berbahasa Indonesia pada Media Sosial X Riffa Bella Wahyu S.; Kurniawati Kurniawati; Handini Arga Damar Rani
Journal of System, Information Technology and Electronics Engineering Vol 6 No 1 (2026): JUNI 2026
Publisher : Universitas Ivet

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31331/jsitee.v6i1.800023

Abstract

Penyebaran berita hoaks di media sosial X menjadi tantangan serius akibat karakteristik teks yang singkat, sarat noise, serta memiliki kecepatan penyebaran yang tinggi. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam mendeteksi berita hoaks berbahasa Indonesia pada platform X, serta menguji pengaruh optimasi hyperparameter menggunakan GridSearchCV. Dataset terdiri dari 725 data tweet yang dikumpulkan melalui teknik crawling (393 nonhoaks dan 332 hoaks). Data melalui tahapan text preprocessing (terdiri dari text cleaning, case folding, tokenizing, stopword removal, dan stemming) serta ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF) yang menghasilkan 1.871 fitur numerik. Pembagian data dilakukan dengan rasio 80% data training (580 data) dan 20% data testing (145 data). Hasil penelitian menunjukkan bahwa optimasi hyperparameter meningkatkan kinerja kedua algoritma. Pada kondisi teroptimasi, kedua model mencapai akurasi sebesar 91%. Namun, Random Forest menunjukkan keunggulan pada metrik F1-score sebesar 90% dan recall sebesar 96%, dibandingkan SVM yang memperoleh F1-score 89% dan recall 84%. Hasil ini membuktikan bahwa algoritma Random Forest lebih efektif dan seimbang dalam mendeteksi berita hoaks berbahasa Indonesia pada media sosial X.