IMPLEMENTASI XGBOOST DAN MEL-FREQUENCY CEPSTRAL COEFFICIENTS (MFCC) UNTUK KLASIFIKASI KEASLIAN AUDIO WAV ASLI DAN HASIL KONVERSI

NUGRAHA, MUHAMMAD ADITYA (2025) IMPLEMENTASI XGBOOST DAN MEL-FREQUENCY CEPSTRAL COEFFICIENTS (MFCC) UNTUK KLASIFIKASI KEASLIAN AUDIO WAV ASLI DAN HASIL KONVERSI. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 2_Cover_123210164_Muhammad Aditya Nugraha.pdf Download (167kB)
	Text 3_Abstrak_123210164_Muhammad Aditya Nugraha.pdf Download (80kB)
	Text 4_Halahan Pengesahan_123210164_Muhammad Aditya Nugraha.pdf Download (94kB)
	Text 5_Daftar Isi_123210164_Muhammad Aditya Nugraha.pdf Download (72kB)
	Text 6_Daftar Pustaka_123210164_Muhammad Aditya Nugraha.pdf Download (151kB)
	Text 1_Skripsi full_123210164_Muhammad Aditya Nugraha.pdf Restricted to Repository staff only Download (1MB)

Abstract

Kemajuan teknologi digital telah mempermudah manipulasi audio, termasuk
konversi format yang dapat menyamarkan keaslian file audio WAV, sehingga menimbulkan
tantangan serius dalam bidang forensik digital, validasi hak cipta, dan autentikasi suara.
File WAV asli, yang dikenal karena kualitasnya yang tidak terkompresi, sering kali sulit
dibedakan dari file hasil konversi secara kasat mata atau pendengaran, terutama akibat
proses kompresi-dekompresi yang dapat mengaburkan karakteristik spektral. Hal ini
berpotensi memunculkan risiko penyalahgunaan data audio, seperti pemalsuan dalam
konteks hukum atau pelanggaran hak cipta. Oleh karena itu, diperlukan metode yang andal
untuk mengidentifikasi keaslian audio WAV dengan akurasi tinggi guna mendukung
kebutuhan keamanan digital. Penelitian ini berfokus pada pengembangan model klasifikasi
untuk membedakan file audio WAV asli dan hasil konversi, menjawab kebutuhan akan
teknik autentikasi audio yang efektif dan akurat.
Penelitian ini menggunakan pendekatan machine learning dengan Mel-Frequency
Cepstral Coefficients (MFCC) untuk mengekstrak fitur spektral audio dan Extreme
Gradient Boosting (XGBoost) sebagai algoritma klasifikasi. Data audio WAV asli
dikumpulkan dari komunitas audio untuk membentuk dataset penelitian. Proses ekstraksi
fitur MFCC mencakup tahapan pre-emphasis, framing, windowing, transformasi Fourier,
Mel filter bank, dan Discrete Cosine Transform, yang menghasilkan fitur numerik untuk
merepresentasikan karakteristik spektral audio. Fitur-fitur ini kemudian digunakan sebagai
input untuk melatih model XGBoost, yang dipilih karena keunggulannya dalam menangani
data non-linear, efisiensi memori, dan kemampuan regularisasi untuk mencegah
overfitting. Dataset dibagi menjadi 80% data latih dan 20% data uji untuk memastikan
evaluasi model yang optimal, dengan parameter seperti log loss digunakan sebagai metrik
evaluasi selama pelatihan.
Hasil pengujian menunjukkan bahwa model mencapai akurasi 83,42%, presisi
83,88%, recall 83,42%, dan F1-score 83,39%, mengindikasikan kemampuan konsisten
untuk membedakan audio asli dan hasil konversi dengan tingkat kebenaran sekitar 83-84%.
Pengujian tambahan pada 20 file audio baru menghasilkan akurasi 90%, meskipun terjadi
dua kesalahan klasifikasi pada file hasil konversi akibat kemiripan karakteristik spektral.
Penelitian ini berhasil menjawab permasalahan dengan menghasilkan model klasifikasi
yang efektif untuk autentikasi audio, diharapkan dapat mendukung aplikasi forensik
digital, perlindungan hak cipta, dan verifikasi suara. Kontribusi penelitian ini terletak pada
pengembangan metodologi machine learning untuk pemrosesan sinyal audio non-stasioner,
membuka peluang untuk pengembangan lebih lanjut dalam analisis keaslian audio di era
digital.
Kata Kunci: Audio WAV, MFCC, XGBoost, Klasifikasi Audio, Autentikasi Digital.

Item Type:	Thesis (Skripsi)
Additional Information:	MUHAMMAD ADITYA (Penulis-123210164) ; Bagus Muhammad Akbar (Pembimbing)
Uncontrolled Keywords:	Audio WAV, MFCC, XGBoost, Klasifikasi Audio, Autentikasi Digital.
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > Informatika (S1)
Depositing User:	A.Md Eko Suprapti
Date Deposited:	18 Jul 2025 06:26
Last Modified:	18 Jul 2025 06:26
URI:	http://eprints.upnyk.ac.id/id/eprint/43157

Actions (login required)

View Item