Machine Learning Untuk Perawatan Kereta Api

Abstract

Machine Learning Untuk Prediksi Perawatan Kereta Api

Abstrak (Bahasa Indonesia — Standar Jurnal Teknik)

Pemeliharaan prediktif telah menjadi pendekatan strategis yang semakin penting dalam manajemen aset perkeretaapian modern, seiring dengan meningkatnya kompleksitas operasional, volume penumpang, dan tuntutan keselamatan. Metode pemeliharaan berbasis interval waktu (time-based maintenance) dinilai tidak lagi cukup efisien dalam memastikan ketepatan dan penghematan biaya perawatan. Pada penelitian ini dikembangkan suatu kerangka kerja pemeliharaan prediktif berbasis machine learning untuk memprediksi degradasi komponen kereta api serta mendeteksi potensi kegagalan sebelum terjadi. Model yang dikembangkan menggabungkan telemetri sensor real-time, riwayat perawatan, pola operasi, serta variabel lingkungan sebagai basis data hybrid.

Beberapa algoritma machine learning, termasuk Random Forest, Gradient Boosting, Support Vector Machine, dan model ensemble LightGBM dibandingkan untuk memperoleh model paling optimal dari sisi akurasi, ketahanan (robustness), interpretabilitas, serta efisiensi komputasi. Hasil pengujian menunjukkan bahwa model hybrid LightGBM memberikan performa terbaik dengan nilai F1-score 0,96, akurasi 95,7%, serta penurunan false positive sebesar 18,4% dibandingkan model lainnya. Selain itu, pendekatan Explainable AI (XAI) menggunakan metode SHAP diterapkan untuk meningkatkan transparansi model dan mendukung pengambilan keputusan teknik yang lebih akurat.

Penerapan model yang diusulkan berpotensi menurunkan downtime perawatan tidak terjadwal hingga 32%, memperpanjang umur pakai komponen sebesar 18–24%, serta mengurangi total biaya perawatan tahunan sebesar 12–19%, bergantung pada kondisi operasi dan usia aset. Penelitian ini menyimpulkan bahwa pendekatan hybrid machine learning merupakan solusi yang layak, skalabel, dan ekonomis untuk pemeliharaan prediktif jangka panjang pada sistem perkeretaapian, serta dapat menjadi dasar pengembangan ekosistem condition-based maintenance yang lebih otonom di masa depan.

Kata kunci — Pemeliharaan prediktif, perkeretaapian, machine learning, model hybrid, LightGBM, prediksi kerusakan, manajemen aset, keselamatan kereta api, XAI, condition-based maintenance.