TEKNIK AUDIO FORENSIK DENGAN METODE MINKOWSKI UNTUK PENGENALAN REKAMAN SUARA PELAKU KEJAHATAN
DOI:
https://doi.org/10.14421/csecurity.2021.4.1.2372Keywords:
Python, Extraction, Minkowski, Spectrum, DubbingAbstract
Tindak pidana yang dilakukan pelaku kejahatan sedikit tidaknya terdapat barang bukti digital yang ditinggalkan berupa rekaman suara yang dihasilkan dari percakapan menggunakan telepon, algoritma dalam menganalisis suara rekaman banyak beredar di internet salah satunya algoritma KNN yang biasanya digunakan untuk klasifikasi, identifikasi dan prediksi. Penelitian ini menggunakan algoritma tersebut dengan metode Minkowski untuk melakukan pengenalan sampel suara rekaman percakapan pelaku kejahatan dengan sampel suara tersangka. Melibatkan dua responden yang berperan sebagai tersangka dan tiga responden berperan sebagai pelaku. Masing-masing responden akan melakukan dubbing (perekaman suara) dan dipotong menjadi sebelas bagian sebagai data latih dan data uji. sampel suara percakapan akan di extract menggunakan teknik MFCC untuk mendapatkan nilai spectrum yang selanjutnya akan diproses menggunakan algoritma KNN dan metode minkowski menggunakan Python. Hasil dari penelitian ini adalah dari sebelas sampel suara tersangka pertama ada beberapa sampel suara yang Identik dengan sampel suara pelaku dengan tingkat akurasi sebesar 0.63 terlihat dari jarak terkecil yang dihasilkan karena sampel suara pelaku yang mirip dengan sampel suara tersangka pertama diperankan oleh responden yang sama. Sedangkan tingkat akurasi yang didapatkan dari tersangka kedua sebesar 0.18 karena ada dua sampel suara pelaku yang mendekati kemiripan dengan suara tersangka kedua namun diperankan oleh responden yang berbeda, algoritma KNN dengan metode Minkowski dapat digunakan untuk melakukan pengenalan rekaman suara pelaku dengan tersangka karena menghasilkan jarak terkecil yang mendekati kemiripan sehingga barang bukti berupa rekaman suara dapat dipertanggungjawabkan dalam persidangan.
References
Tribunnews, 2019. Rekaman Rahasia Pembunuhan Jamal Khashoggi. [online]. Available at: <http://www.tribunnews.com/international/2019/10/01/rekaman-rahasia-pembunuhan-wartawan-arab-saudi-jamal-khashoggi.html> [Accessed: 01 Agust 2020]
Hansen, J.H.L. and Hasan, T., 2015. Speaker recognition by machines and humans: A tutorial review. IEEE Signal Processing Magazine, .
Lyons, J., 2015. Mel Frequency Cepstral Coefficient (MFCC) tutorial. Practical Cryptography.
Maher, R.C. and Hoerr, E.R., 2018. Audio forensic gunshot analysis and multilateration. In: 145th Audio Engineering Society International Convention, AES 2018.
Muhammad Nuh Al-Azhar, 2012. Digital Forensic Practical Fuidelines For Computer Investigation. BMC Public Health, .
Nishom, M., 2019. Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square. Jurnal Informatika: Jurnal Pengembangan IT, 4(1), pp.20–24.
Rajesh, D., 2011. Application of Spatial Data mining for Agriculture. International Journal of Computer Applications, 15(2).
Umar, R., Riadi, I., Hanif, A. and Helmiyah, S., 2019. Identification of speaker recognition for audio forensic using k-nearest neighbor. International Journal of Scientific and Technology Research, 8(11), pp.3846–3850.
Zhang, S., Li, X., Zong, M., Zhu, X. and Cheng, D., 2017. Learning k for kNN Classification. ACM Transactions on Intelligent Systems and Technology, 8(3).
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Muhamad Azwar, Syarif Hidayat, Fietyata Yudha
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
You are free to:
- Share — copy and redistribute the material in any medium or format
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
Under the following terms:
- Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
