Perpustakaan Digital ITB

Industri perkeretaapian modern menuntut sistem operasional yang tangguh dan minim gangguan, terutama pada komponen vital seperti turnout. Turnout merupakan perangkat mekanik yang memungkinkan perpindahan jalur kereta, namun sering kali menjadi titik rawan gangguan akibat keausan, deformasi, atau kegagalan sistem. Untuk meminimalkan potensi kecelakaan dan meningkatkan efisiensi operasional, diperlukan strategi predictive maintenance (PdM) berbasis deteksi anomali data sensor time series. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) dalam mendeteksi anomali pada data sensor percepatan alat turnout kereta api. Metode yang digunakan adalah pendekatan Design Science Research Methodology (DSRM) untuk merancang dan mengevaluasi model deteksi anomali. Hasil pengujian menunjukkan bahwa ARIMA unggul dengan nilai MSE sebesar 2.6794976, MAE 0.2644449, dan waktu komputasi 0.06 detik. Sementara itu, LSTM mencatatkan MSE 3.6197028, MAE 0.7381978, dan waktu komputasi 3.64 detik. Meskipun LSTM lebih sensitif dalam menangkap pola jangka panjang, ARIMA terbukti lebih efisien dan akurat dalam memprediksi data sensor dengan pola yang stabil. Temuan ini menunjukkan bahwa pemilihan algoritma deteksi anomali perlu mempertimbangkan konteks data dan kebutuhan operasional. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem PdM yang adaptif dan efektif dalam infrastruktur perkeretaapian di Indonesia.