<![CDATA[Sepeda motor memiliki peran penting dalam mobilitas masyarakat, namun banyak pengguna yang belum mampu mengenali tanda-tanda awal kerusakan mesin, sehingga sering terjadi kesalahan diagnosis saat perawatan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi kerusakan mesin sepeda motor menggunakan 2D Convolutional Neural Network (2D-CNN) dengan fitur ekstraksi Mel-Frequency Cepstral Coefficients (MFCC) dan Spectral Contrast. MFCC digunakan untuk merepresentasikan sinyal audio dalam bentuk dua dimensi, sedangkan Spectral Contrast menonjolkan perbedaan antara puncak dan lembah spektrum. Dataset terdiri atas rekaman suara mesin normal dan mesin dengan kerusakan pada timing chain, masing-masing lima sampel per label. Data melalui tahapan praproses, ekstraksi fitur, augmentasi, pelatihan, dan evaluasi. Hasil pelatihan awal menunjukkan adanya overfitting, dengan akurasi pelatihan mencapai 100% pada epoch ke-8, sementara akurasi validasi hanya sekitar 50%. Setelah dilakukan augmentasi data melalui penambahan noise, pitch shifting, dan time stretching hingga total data menjadi 20 sampel per label, kinerja model meningkat dengan akurasi pelatihan sebesar 94,73% dan hasil validasi yang lebih stabil. Secara keseluruhan, model yang diusulkan mencapai akurasi 75%, dengan kemampuan yang lebih baik dalam mengenali kerusakan timing chain dibandingkan kelas lainnya.]]>
Copyrights © 2026
