Coronary artery disease (CAD) atau penyakit jantung koroner adalah kelainan pada jantung karena terkumpulnya plak pada dinding interior arteri, hal ini menyebabkan terjadinya terhalangnya darah untuk mencapai otot-otot jantung. Banyak penelitian yang telah melakukan diagnosis terhadap penyakit CAD, salah satunya adalah penggunaan machine learning untuk melakukan diagnosis secara cepat dan relatif lebih murah pada penyakit CAD. Namun demikian, dataset yang digunakan dan akurasi yang dihasilkan menggunakan machine learning pada penelitian untuk mendiagnosis CAD tersebut masih belum optimal. Penelitian ini memberikan solusi pada masalah tersebut dengan membangun prototype dengan sensor stetoskop digital menggunakan algoritma klasifikasi machine learning untuk mendiagnosis penyakit CAD terhadap keempat katup jantung yaitu aorta, mitral, tricuspid dan pulmonal. Untuk mendapatkan hasil yang maksimal, pada penelitian ini melakukan studi algoritma klasifikasi yakni Naïve Bayyes(NB), Support Vector Machine(SVM) dan K-Nearest Neighbor(KNN) untuk mencari algoritma terbaik yang dapat digunakan untuk diagnosis CAD pada data sinyal ultrasound. Penambahan proses preprocessing, wavelete dan feature extraction dilakukan agar dapat meningkatkan hasil akurasi. Feature extraction yang digunakan pada penelitian ini adalah mean, median, standar deviasi, skewness dan kurtosis. Dan juga 5-fold Cross Validation diimplementasikan pada sistem klasifikasi untuk mendapatkan akurasi yang paling optimal. Hasil akurasi dari ketiga machine learning yang digunakan pada penelitian ini mendapatkan akurasi tertinggi sebesar 76% menggunakan algoritma Naïve Bayyes yang dilakukan pada katup mitral dengan sensitivity 80% dan specitifity 73,4%. Algoritma SVM dan KNN juga mendapatkan akurasi sebesar 66% pada jenis katup jantung aorta.