DETEKSI KETIDAKTERATURAN JALAN REL GABUNGAN BERDASARKAN RESPON KENDARAAN MENGGUNAKAN METODE PEMBELAJARAN MESIN

• Main Author: Wikaranadhi, Prasidya
• Format: Theses
• Language: Indonesia
• Online Access: https://digilib.itb.ac.id/gdl/view/68841
• Institution: Institut Teknologi Bandung

Ketidakteraturan jalan rel merupakan sumber eksitasi utama pada sistem dinamik kereta api. Ketidakteraturan jalan rel yang buruk akan membuat kendaraan menghadapi risiko keselamatan dan kondisi berkendara yang tidak nyaman. Oleh sebab itu, ketidakteraturan lintasan harus dinilai secara teratur dan dijaga dalam tingkat yang dapat diterima. Saat ini, ketidakteraturan jalan rel umumnya dinilai berdasarkan data pengukuran geometri dari kereta ukur jalan rel. Namun, metode penilaian ketidakteraturan jalan rel berdasarkan pengukuran geometri lintasan sering kali menunjukkan korelasi yang buruk dengan respon kendaraan saat berjalan di jalan rel tersebut. Metode alternatif berdasarkan respon kendaraan muncul sebagai fokus penelitian baru, dengan tujuan mengatasi kekurangan metode berbasis pengukuran geometri. Penilaian ketidakteraturan jalan rel berdasarkan akselerasi kendaraan bekerja dengan cara menentukan korelasi antara respon kendaraan (keluaran dinamik) dengan ketidakteraturan rel (masukan dinamik). Penelitian-penelitian yang dilakukan sejauh ini terfokus pada klasifikasi setiap jenis ketidakteraturan jalan rel secara terpisah. Gabungan ketidakteraturan jalan rel belum menjadi fokus studi, meskipun terdapat kemungkinan korelasi silang yang memengaruhi respon kendaraan. Penelitian ini bertujuan untuk menguji penggunaan metode pembelajaran mesin untuk menganalisis ketidakteraturan jalan rel gabungan berdasarkan respon kendaraan. Data respon kendaraan yang dihasilkan melalui simulasi benda jamak difilter dan diolah menjadi dataset enam fitur yang terdiri dari standar deviasi dan nilai puncak akselerasi lateral, akselerasi vertikal, dan akselerasi guling badan kereta per 100 meter. Untuk pelatihan model pembelajaran mesin, dataset geometri jalan rel yang berisi standar deviasi dan nilai puncak ketidakteraturan longitudinal, lateral, dan cross level turut dibuat. Klasifikasi dengan metode pembelajaran mesin dilakukan dengan menggunakan keenam fitur sebagai prediktor dan label kelas ketidakteraturan tunggal dan label kelas gabungan sebagai respons, secara terpisah. Lima algoritma klasifikasi digunakan dalam penelitian ini: Decision tree, SVM linier, logistic regression, kNN, dan random forest. Hasil pelatihan model klasifikasi pembelajaran mesin menunjukkan nilai akurasi validasi yang tinggi di semua kasus klasifikasi dan algoritma. Hasil uji klasifikasi gabungan juga memberikan nilai akurasi tinggi. Simulasi lebih lanjut dilakukan dengan menambahkan variasi kecepatan, massa badan kereta, dan koefisien gesek roda-rel. Model klasifikasi gabungan yang telah dilatih sebelumnya dapat memprediksi kondisi ketidakteraturan lintasan pada kondisi tersebut dengan akurasi yang memadai. Hal ini menunjukkan bahwa model klasifikasi tidak terlalu sensitif terhadap perubahan parameter operasional, menunjukkan kemungkinan keberhasilan yang tinggi untuk digunakan dengan data pengukuran langsung. Hasil klasifikasi ketidakteraturan jalan rel diinterpretasikan menggunakan Shapley additive explanation (SHAP). Penjelasan Shapley dari potongan trek yang dianalisis berhasil menunjukkan prediktor terpenting yang menjelaskan hasil klasifikasi. Indikasi ini dapat digunakan untuk menganalisis jenis ketidakteraturan lintasan yang berada dalam kondisi buruk pada potongan jalan rel tersebut.