Text

Model prediktif untuk pendeteksi kebohongan melalui pendekatan deep learning (studi kasus: Pusat Laboratorium Forensik Bareskrim Polri)

---

Meningkatnya kasus kriminal baik itu secara fisik maupun digital harus ditangani dengan cepat oleh pihak berwenang. Penerapan lie detector banyak digunakan untuk mengungkap kasus kriminal, terutama pada lingkungan Pusat Laboratorium Forensik Badan Reserse Kriminal Kepolisian Republik Indonesia (Puslabfor Bareskrim Polri). Penggunaan lie detector digunakan untuk penguat bukti pada proses Berita Acara Pemeriksaan (BAP), namun alat pendeteksi kebohongan juga dapat dimanipulasi atau dilawan dengan social engineering yaitu teknik mind trick yang dapat mengelabui interogasi. Selain itu polygraph yang sudah ada masih menggunakan sistem perhitungan analog dan belum otomatis. Pada kondisi sekarang dan seterusnya alat polygraph dan metode pendeteksi kebohongan harus terus dikembangkan untuk menyempurnakan alat yang sudah ada, sehingga diusulkan alat pendeteksian kebohongan dengan Electroencephalography (EEG) signal dan deep learning. Penelitian ini melakukan implementasi model deep learning untuk melakukan deteksi kebohongan dengan memanfaatkan sinyal EEG otak manusia. Model learning dibangun dengan dua arsitektur Long Short-Term Memory (LSTM) berbeda, di antaranya LSTM dengan attention dan pure LSTM serta segmentasi dua dataset yaitu dengan Fast Fourier Transform (FFT) dan non-FFT untuk dilakukan perbandingan atau benchmarking model. Hasil pengujian menunjukkan bahwa model learning dengan arsitektur pure LSTM dengan dataset non-FFT mendapatkan hasil akurasi sebesar 50.00%, dan arsitektur LSTM attention dengan dataset non-FFT mendapatkan hasil akurasi sebesar 38.00%. Selanjutnya arsitektur LSTM pure dengan dataset FFT mendapatkan hasil akurasi sebesar 61.00%, dan arsitektur LSTM attention dengan dataset FFT mendapatkan hasil akurasi sebesar 57.00%. Secara umum, model terbaik dari semua dataset dan arsitektur diraih oleh model arsitektur LSTM dengan dataset yang ditransformasikan FFT dengan nilai akurasi 61.00%. Hasil analisis disajikan pada halaman dashboard aplikasi. Halaman dashboard memuat hasil analisis EEG Signal dan hasil deteksi dengan probabilitas bohong dan jujur dalam persentase setelah dimasukkan data hasil ekstraksi EEG signal dengan NeuroSky Mindwave Headset. Model terbaik yang sudah dibentuk dilakukan percobaan pada Puslabfor dan dinilai oleh ahli polygraph pada Puslabfor, dengan rumusan hasil bahwa platform ini dapat diterapkan sebagai parameter tambahan pada metode yang sudah digunakan pada Puslabfor. --

The increasing number of criminal cases, both physically and digitally, must be handled quickly by the authorities. The application of lie detectors is widely used to uncover criminal cases, especially in the Forensic Laboratory Center of the Indonesian National Police Criminal Investigation Agency (Puslabfor Bareskrim Polri). The use of a lie detector is used to strengthen evidence in the Investigation Report (BAP) process, but a lie detector can also be manipulated or countered by social engineering, namely mind trick techniques that can trick interrogations. In addition, existing polygraphs still use an analog calculation system and are not automatic. In the present and future conditions, polygraph tools and lie detection methods must continue to be developed to improve existing tools, so a lie detection tool with Electroencephalography (EEG) signal and deep learning is proposed. This study implements a deep learning model to detect lies by utilizing EEG signals from the human brain. The learning model is built with two different Long Short-Term Memory (LSTM) architectures, including LSTM with attention and pure LSTM and segmentation of two datasets, namely Fast Fourier Transform (FFT) and non-FFT for comparison or benchmarking models. The test results show that the learning model with pure LSTM architecture with non-FFT dataset gets an accuracy of 50.00%, and attention LSTM architecture with non-FFT dataset gets 38.00% accuracy. Furthermore, the pure LSTM architecture with the FFT dataset gets an accuracy of 61.00%, and the attention LSTM architecture with the FFT dataset gets an accuracy of 57.00%. In general, the best model of all datasets and architectures was achieved by the LSTM architecture model with the FFT transformed dataset with an accuracy value of 61.00%. The results of the analysis are presented on the application dashboard page. The dashboard page contains the results of the EEG Signal analysis and the detection results with the probability of lying and being honest in percentage after entering the data extracted from the EEG signal with the NeuroSky Mindwave Headset. The best model that has been formed is experimented with for the Laboratory of Research and Development and assessed by polygraph experts at the Center for Laboratory of Research, with the formulation of the results that this platform can be applied as an additional parameter to the methods already used at the Center for Laboratory of Research and Development.

---

Availability

No copy data

Detail Information

Series Title

-

Call Number

2022 MUH m

Publisher

Bogor : Poltek SSN., 2022

Collation

xviii, 63 hlm.

Language

Indonesia

ISBN/ISSN

--

Classification

--

Content Type

-

Media Type

-

Carrier Type

-

Edition

--

Subject(s)

deep learning
Electroencephalography
Fast Fourier Transform
Lie Detector
Long Short-Term Memory
Polygraph
Puslabfor Bareskrim Polri

Specific Detail Info

-

Statement of Responsibility

Muhammad Novrizal Ghiffari

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment