Perpustakaan Digital ITB

Industri perkeretaapian modern menghadapi tantangan krusial dalam menyeimbangkan keselamatan operasional dengan efisiensi biaya pemeliharaan. Integritas geometri track, sebagai pilar utama keselamatan, secara tradisional dipantau melalui inspeksi periodik yang menyisakan celah pemantauan (monitoring gap) dan seringkali berujung pada pemeliharaan reaktif yang tidak efisien. Penelitian ini mengatasi tantangan tersebut dengan mengusulkan dan mengimplementasikan sebuah framework prediktif end-to-end yang inovatif, yang tidak hanya memprediksi degradasi geometri track secara akurat tetapi juga memberikan penjelasan yang dapat ditindaklanjuti (actionable explanation) mengenai akar penyebabnya. Metodologi pada penelitian ini berpusat pada pengembangan arsitektur fusi data quad-modal yang mengintegrasikan data dari empat sumber heterogen: data pengukuran kereta ukur/track recording vehicle (TRV), data getaran dinamis dari sensor akselerometer yang dipasang di kereta penumpang, sebelah kiri dan kanan, serta data historis laporan kerusakan (exception reports). Dataset terpadu ini kemudian digunakan untuk melatih sebuah model prediksi Hierarchical Attention Network (HAN), sebuah arsitektur deep learning yang dirancang untuk menangkap hubungan hirarkis yang kompleks dalam data dan secara inheren mendukung interpretabilitas. Sebagai puncak dari penelitian ini, sebuah framework Explainable Artificial Intelligence (XAI) dikembangkan untuk menerjemahkan output black box dari model HAN menjadi diagnosis yang dapat dipahami. Framework ini memperkenalkan metrik baru, yaitu skor kontribusi (Contribution Score), yang secara kuantitatif mengukur dampak setiap parameter terhadap prediksi degradasi. Skor ini menjadi dasar bagi sistem pendukung keputusan (decision support system) yang mampu memprioritaskan tindakan pemeliharaan dan memberikan rekomendasi perbaikan yang spesifik. Hasil implementasi menunjukkan bahwa pendekatan fusi data multi-modal secara signifikan meningkatkan akurasi prediksi, dengan penurunan Mean Absolute Error (MAE) sebesar 39.2% dibandingkan dengan model single-modal (Hipotesis 1 terbukti). Analisis feature importance juga mengkonfirmasi bahwa fitur diferensial dari data akselerometer merupakan prediktor signifikan untuk anomali asimetris (Hipotesis 2 terbukti). Lebih lanjut, framework XAI yang diusulkan berhasil divalidasi secara konseptual dan kuantitatif, dengan mencapai akurasi atribusi sebesar 75% dalam mengidentifikasi akar penyebab degradasi yang sesuai dengan laporan kerusakan geometri track (Hipotesis 3 sebagian terbukti). Disertasi ini memberikan kontribusi utama berupa sebuah framework diagnostik prediktif yang state-of-the-art, yang menjembatani kesenjangan antara kemampuan prediksi model AI terkini dan kebutuhan praktis di lapangan akan transparansi dan interpretabilitas. Dengan menyediakan prediksi yang akurat sekaligus penjelasan yang logis, framework ini membuka jalan bagi transformasi strategi pemeliharaan rel kereta api dari reaktif menjadi prediktif berbasis kondisi (condition-based) yang sesungguhnya, dengan potensi peningkatan keselamatan, keandalan, dan efisiensi biaya secara signifikan.