Audio deepfake, atau menipulasi suara, meniru atau mengubah suara asli, dapat digunakan untuk penipuan dan pencemaran nama baik. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi deteksi audio deepafake dengan menggunakan metode stacking classifier dengan parameter terbaik dati SVM, random forest dan logistic regression sebagai base learner dari stacking classifier. Pada penelitian ini digunakan 6 jenis fitur pada audio seperti Mel-Frequency Cepstral Coefficients (MFCC), Spectral Rolloff, Spectral Contrast, Bandwidth, Zero-Crossing Rate (ZCR) dan Root Mean Square (RMS). Penulis menggunakan dataset The Fake or Real, dataset ini dibuat menggunakan model text-to-speech dan dibagi menjadi empat sub-dataset: for-rerec, for-2sec, for-norm dan for-original. Hasil eksperimen sistem yang telah dilakukan memiliki akurasi pengujian 98-99% dan akurasi validasi 97-99%. Penelitian ini membuktikan efektifitas dari pendekatan stacking classifier dalam mendeteksi audio deepfake asli atau palsu dan telah mengalami p