Ekstraksi fitur merupakan suatu tahapan yang memiliki peran penting dalam suatu sistem rekognisi. Dalam pengenalan pola suara, salah satu metode yang paling sering digunakan sekarang adalah MFCC (Mel-Frequency Cepstral Coefficient), MFCC memiliki kelemahan dimana MFCC rentan terhadap gangguan noise sehingga dapat mempengaruhi akurasi dalam mengolah fitur pola suara serta mempengaruhi tahapan learningdan klasifikasi. Untuk mengatasi permasalahan ini penulis menambahkan suatu lifter sinusoidal pada akhir perhitungan MFCC agar membantu dalam hal menangani masalah yang ada pada MFCC. Dari percobaan yang dilakukan pada studi kasus deteksi pola suara gergaji mesin pada purwarupa sistem pendeteksi penebangan liar pada ekosistem hutan tropis Menggunakan acoustic pattern Recognition didapatkan hasil dimana penggunaan lifter memberikan kemampuan learning yang lebih tinggi pada artificial neuron network dibandingkan dengan MFCC tanpa lifter dimana MFCC tanpa lifter memerlukan lebih dari 20000 iterasi untuk dapat mengecilkan error rate menjadi 0.005 sedangkan MFCC dengan lifter hanya memerlukan 16 iterasi, MFCC dengan lifter juga terbukti dapat menghasilkan akurasi lebih tinggi daripada MFCC tanpa lifter sebesar 20%.