<![CDATA[Deteksi kerusakan mobil sangat penting untuk meningkatkan keselamatan berkendara dan mengurangi biaya perbaikan. Salah satu metode yang umum digunakan oleh mekanik adalah mendiagnosis kerusakan melalui suara yang dihasilkan oleh komponen kendaraan. Namun, proses ini masih bergantung pada keahlian manual dan dapat menyebabkan kesalahan atau keterlambatan diagnosa. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan mobil berbasis suara menggunakan teknik data science, terutama machine learning. Data suara dikumpulkan dari berbagai sumber dari kerjasama bengkel-bengkel di Indonesia berupa file suara mesin dengan format wav dengan label berbeda, kemudian diolah menggunakan metode Mel Frequency Cepstral Coefficients (MFCC) dan Short-Time Fourier Transformation (STFT) untuk mengekstrak fitur penting dari sinyal suara. Selanjutnya, dengan algoritma Multilayer Perceptron diimplementasikan untuk membangun model prediksi kerusakan. Penelitian ini mengevaluasi model berdasarkan nilai akurasi dari confusion matrix untuk menemukan model terbaik dalam mendeteksi jenis kerusakan berdasarkan suara. Model dengan MFCC sebagai metode ekstraksi fitur terbukti menghasilkan akurasi tertinggi sebesar 83,35% ketimbang STFT yang hanya memiliki akurasi sebesar 78,82% dengan konfigurasi fungsi aktivasi ReLU dan layer dengan 512 neuron.]]>
