KLASIFIKASI ENGINE FAILURE BERDASARKAN BUNYI MOBIL MENGGUNAKAN MFCC DAN STFT DENGAN MACHINE LEARNING
Abstract viewed = 27 times
PDF (Bahasa Indonesia) downloaded = 19 times
Abstract
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.
Downloads
References
Abdul Z. K. and A. K. Al-Talabani, (2022), Mel frequency cepstral coefficient and its applications: A review, IEEE Access, 10(2), pp. 122136–122158, 10.1109/ACCESS.2022.3223444
Billah, K., & Saputra, R. (2024). Deteksi penipuan kartu kredit menggunakan metode random forest. JOISIE (Journal Of Information Systems And Informatics Engineering), 8(2), 200-208. https://doi.org/10.35145/joisie.v8i2.4064
Dimitrov G. T, (2023), speaker recognition, University of Patras, 8(1), pp 24-36, https://doi.org/10.2193/3928-9329.v8i1.2039
Gourisaria, M.K., Agrawal, R., Sahni, M. (2024), Comparative analysis of audio classification with MFCC and STFT features using machine learning techniques. Discov Internet Things, 4(1), 24-36, https://doi.org/10.1007/s43926-023-00049-y
Hagi A. and Rarasati D. B., (2024), Sentiment Analysis of Sirekap Application Review Using Logistic Regression Algorithm, Jurnal Informatika, 11(2), pp. 55–64, https://doi.org/10.31294/inf.v11i2.22066
Hakim B., (2021), analisa sentimen data text preprocessing pada data mining dengan menggunakan machine learning, Journal of business and audit information systems, 4(2), 16-22, http://dx.doi.org/10.30813/jbase.v4i2.3000
Hakim, B., Kaunang, F. J., Susanto, C., Salim, J., & Indradjaja, R. (2025). Implementasi machine learning dalam pengelompokan musik menggunakan algoritma k-means clustering. IDEALIS : InDonEsiA JournaL Information System, 8(1), 74–83. https://doi.org/10.36080/idealis.v8i1.3357
Halderman J. D., (2022), Automotive Engines: Theory and Servicing, Pearson Education, 12(2), pp 76-89, https://books.google.co.id/books?id=E_v0DQAAQBAJ
Haristu, A., Herdiyeni, Y., & Marimin, M. (2023). Prediksi harga komoditi pertanian menggunakan algoritme long short term memory di desa kabandungan sukabumi. JOISIE (Journal Of Information Systems And Informatics Engineering), 7(2), 181-192. 10.35145/joisie.v7i2.3104
Karaman E., Rende H., and Akşahin M. F., (2021), Recognizing cars by engine sounds, Journal of Mühendis ve Makina, 60(5), pp. 148–164. https://dergipark.org.tr/tr/pub/muhendismakina/issue/48382/612553
Liu T., Yan D., Wang R., Yan N., Chen G., (2021), Identification of fake stereo audio using SVM and CNN, Information 2021, 12(7), 263-277, https://doi.org/10.3390/info12070263
Liu Y., Zhang J., and L. Ma, (2024) A fault diagnosis approach for diesel engines based on self-adaptive WVD, improved FCBF and PECOC-RVM, Neurocomputing, 177(5), pp. 600–611, https://doi.org/10.1016/j.neucom.2024.11.074
Murtagh F., (2021), Multilayer perceptrons for classification and regression, Neurocomputing, 2(6), pp. 183–197, https://doi.org/10.1016/0925-2312(21)90023-5
Paleva, H. R., & Prasetio, B. H. (2024). Penerapan Short Time Fourier Transform pada MFCC untuk Sistem Pengenalan Ucapan Tingkat Stres. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 8(4), https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/13376
Ranny, Lestari D. P., Mengko T. L. E. R., (2024), Separation sound event localization and detection using neural network and time frequency masking, International Journal of Innovative Computing, Information and Control (IJICIC), 20(3), 709-721, 10.24507/ijicic.20.03.709
Shodiq, U., Maimunah, M., & Avizenna, M. (2024). Klasifikasi jalan rusak menggunakan transfer learning arsitektur vgg16. JOISIE (Journal Of Information Systems And Informatics Engineering), 8(1), 75-85. doi:10.35145/joisie.v8i1.4243
Sipayung E. M., (2023), Klasifikasi image jenis kayu pada furnitur dengan convolutional neural network, Jurnal Telematika, 18(2), pp. 82–87, https://doi.org/10.61769/telematika.v18i2.617
Suwitono Y. A., Kaunang F. J., (2022), Implementasi algoritma convolutional neural network (cnn) untuk klasifikasi daun dengan metode data mining semma menggunakan keras, Jurnal Komtika, 6(2), 38-52, https://doi.org/10.31603/komtika.v6i2.8054
Taye M. M., (2023), Theoretical understanding of convolutional neural network: concepts, architectures, applications, future directions, Computation 2023, 11(3), 52-66, https://doi.org/10.3390/computation11030052
Xu L., Wang T, Xie J., Yang J., and Gao G., (2022), A mechanism-based automatic fault diagnosis method for gearboxes, Journal of Sensors, 22(23), p. 9150-9164, https://doi.org/10.3390/s22239150
Yohannes, Y., & Wijaya, R. (2021). Klasifikasi makna tangisan bayi menggunakan cnn berdasarkan kombinasi fitur MFCC dan DWT. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(2), 599-610. https://doi.org/https://doi.org/10.35957/jatisi.v8i2.470
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
