Skip to content

Lie Detection Using a Deep Learning Approach

Cover

Aplikasi pendeteksi kebohongan melalui pendekatan deep learning. Aplikasi diterapkan di Puslabfor 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 introgasi. 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 banchmarking 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.

Judul penelitian

Model Prediktif untuk Pendeteksi Kebohongan Melalui Pendekatan Deep Learning (Studi Kasus: Pusat Laboratorium Forensik Bareskrim Polri).

Implementasi

Penelitian ini mengambil lokus Pusat Laboratorium Forensik Badan Reserse Kriminal Kepolisian Republik Indonesia. Objek penelitian ini adalah deteksi kebohongan pada EEG signal. Data dari penelitian ini menggunakan data olahan sendiri yang didapatkan dari ekstraksi data sampel, berupa sampel data EEG signal. Penelitian ini akan mengimplementasikan deep learning menggunakan arsitektur LSTM untuk mendeteksi kebohongan dengan menggunakan bahasa pemrograman Python.

Data penelitian yang digunakan pada penelitian ini terbagi dalam dua jenis data di antaranya data model dan data implementasi. Data model adalah data untuk proses pemodelan deteksi kebohongan. Sampel diambil berdasarkan metode Non Probability Sampling. Data model menggunakan dataset buatan dari interview test dengan NeuroSky Mindwave Headset pada taruna Poltek SSN. Data implementasi adalah data yang digunakan untuk implementasi model deteksi kebohongan yang sudah final. Data implementasi berupa EEG signal dari Puslabfor Bareskrim Polri. Data EEG signal tersebut diambil dengan proses ekstraksi menggunakan NeuroSky Mindwave Headset kemudian dijadikan dataset sebagai masukan untuk model deteksi kebohongan. Pada data belum sesuai dengan kelayakan untuk dilakukan pemrosesan agar dapat digunakan untuk menjadi masukan deep learning.

Dataset diambil dengan alat Neurosky Mindwave Headset. Penggunaan alat tersebut digunakan dengan cara dipasangkan pada kepala subjek, kemudian kepingan elektroda pertama menempel pada dahi serta elektroda kedua dijepitkan pada telinga seperti terlihat pada gambar di bawah ini.

alat pindai otak

Pada saat dikenakan dilakukan proses koneksi antara alat dengan device dengan menggunakan protocol telnet. Setelah terkoneksi sinyal EEG akan direkam dari kepala subjek bersamaan dengan proses interview, namun sebelum itu subjek akan diberikan statement of consent sebagai bentuk perjanjian antara subjek dan peneliti. Adapun interview yang dilakukan terdapat 50 pertanyaan. Setelah proses interview, dilakukan validasi label dengan menanyakan pada pertanyaan nomor berapa yang dijawab dengan jujur dan bohong. Hasil dari validasi data tersebut akan dibuat menjadi metadata dari dataset.

Dataset yang dihasilkan dari alat tersebut merupakan dataset dengan format JavaScript Object Notation (JSON) yang kemudian diexport dalam bentuk comma separated values (csv). Berikut tampilan dari proses pengambilan data dengan alat NeuroSky Mindwave yang dipasangkan pada kepala sampel bersamaan dengan proses interview atau introgasi.

ekstraksi

Pemodelan dibentuk berdasarkan model binary classification yang digunakan untuk mendeteksi kebohongan. Pemodelan ini menggunakan satu algoritma pemodelan yaitu RNN dengan arsitektur LSTM. Pada pemodelan LSTM akan digunakan dua data yang berbeda yaitu data yang belum ditransformasikan dengan FFT, dan data yang sudah ditransformasikan dalam bentuk FFT. Dari data tersebut akan dilakukan rekayasa model dengan penggunaan hyper parameter pada model LSTM. Semua model yang terbentuk akan dievaluasi dengan library dari sklearn yaitu metric evaluation dengan parameter pembanding yaitu F1, precission, recall dan confusion metric.

Pada evaluasi model, telah dilakukan empat kali pemodelan yaitu dua pada data Non-FFT dan dua pada data FFT. Kedua data tersebut menggunakan dua rekayasa pemodelan yaitu dengan menggunakan pure LSTM dan LSTM attention mechanism. Setelah dilakukan pemodelan pada semua rekayasa model tersebut, dilakukan evaluasi terhadap masing-masing model dan dilakukan perbandingan untuk menentukan model terbaik.

Model terbaik yang telah dipilih akan diimplementasikan dalam bentuk web platform yang dibangun dengan framework flask python. Data EEG signal yang sudah diekstraksi dapat dideteksi kebohongan dengan tahap memasukkan data tersebut ke dalam platform web dashboard. Sebelum data tersebut diterima oleh model dilakukan preprocessing data dan mengatur panjang sequence yang dapat diterima oleh model deteksi.

Setelah implementasi kemudian dilakukan percobaan penggunaan platform pada lokus Puslabfor Bareskrim Polri. Setelah dilakukan percobaan, tim memberikan gambaran apa yang mereka pahami setelah menggunakan platform ini. Sesuai hasil wawancara setelah percobaan platform , menurut tim Deteksi Khusus Puslabfor bahwa alat ini dapat diterapkan untuk mendukung metode pada Puslabfor yang sudah ada saat ini, kelebihan yang ada pada alat ini dapat membantu metode yang sudah ada. Alat ini atau platform ini juga dinilai sudah sesuai. Platform ini sudah dapat membantu metode yang sudah ada, dan Puslabfor berharap alat ini terus dikembangkan sesuai dengan permintaan dan perbaikan dari Puslabfor. Secara garis besar platform ini dapat diterapkan dengan catatan penelitian metode ini terus dikembangkan.

Berdasarkan hasil penelitian yang dilakukan, diperoleh beberapa kesimpulan untuk menjawab rumusan masalah dalam penelitian ini:

  1. Pendekatan deep learning pada implementasinya di penelitian ini dapat digunakan untuk melakukan pendeteksi kebohongan dengan akurasi 61%. Hasil ini secara umum tergolong masih rendah atau ketegori poor, namun dapat digunakan untuk mendeteksi kebohongan dan juga sebagai parameter tambahan pendukung pada alat di Puslabfor, dengan tujuan meningkatkan akurasi dan presisi dari metode yang digunakan pada Puslabfor.

  2. Mengacu pada hasil benchmarking model diperoleh model terbaik untuk deteksi kebohongan menggunakan arsitektur LSTM dengan dataset yang ditransformasi FFT akurasi 61.00%. Model terbaik pendeteksi kebohongan arsitektur LSTM dengan data yang tidak ditransformasikan FFT mendapat akurasi 50.00%. Secara umum, model terbaik dari semua dataset dan arsitektur diraih oleh model arsitektur LSTM dengan dataset yang ditransformasikan FFT dengan nilai akurasi 61.00%.

Tangkapan Layar

  1. Halaman login
    Halaman login

  2. Halaman hasil prediksi
    Halaman prediksi

  3. Halaman riwayat deteksi
    Riwayat

Peneliti

  • Muhamad Novrizal Ghiffari

Supervisor

  • Girinoto
  • Herman Kabetta
  • Nurul Qomariasih