ANALISIS KINERJA MODEL VGGISH DENGAN INTEGRASI CONVOLUTIONAL BLCOK ATTENTION MODULE PADA DETEKSI AI-GENERATED VOICE

Dominic Naufal Ramadhan Herwanto (Teknik Informatika, Universitas Primakara)
Eddy Muntina Dharma (Teknik Informatika, Universitas Primakara)
Ni Made Satvika Iswari (Teknik Informatika, Universitas Primakara)

JATI (Jurnal Mahasiswa Teknik Informatika)
Vol. 10 No. 3 (2026): JATI Vol. 10 No. 3

Perkembangan teknologi generative AI telah memungkinkan pembuatan audio sintetis yang sangat mirip dengan suara manusia. Fenomena ini menimbulkan tantangan baru, terutama dalam membedakan suara asli dan suara yang dihasilkan oleh AI, yang berpotensi meningkatkan risiko misinformasi, penipuan digital, serta manipulasi opini publik. Penelitian ini bertujuan untuk menganalisis kinerja model VGGish dalam mendeteksi suara sintetis serta mengevaluasi peningkatan performa melalui integrasi Convolutional Block Attention Module (CBAM). Metode yang digunakan mencakup pemrosesan data audio menggunakan representasi Mel-Spectrogram, pelatihan model VGGish dan VGGish+CBAM, serta evaluasi performa melalui metrik akurasi, confusion matrix, dan ROC-AUC. Hasil penelitian menunjukkan bahwa integrasi CBAM meningkatkan kemampuan model dalam menyoroti fitur akustik penting secara lebih adaptif, sehingga menghasilkan performa klasifikasi yang lebih baik dibandingkan model VGGish standar. Dengan demikian, pendekatan ini berpotensi menjadi solusi efektif dalam deteksi AI-Generated Voice pada berbagai implementasi keamanan digital.