Perpustakaan Digital ITB

Peningkatan jumlah pengguna kereta di Indonesia masih belum diiringi dengan peningkatan keamanan dan keselamatan yang baik sehingga kecelakan masih cukup sering terjadi di setiap tahunnya. Beberapa faktor penyebab kecelakaan itu terjadi adalah dikarenakan adanya kerusakan pada lintasan rel kereta, komponen rel yang kurang lengkap, adanya penghalang yang berada di lintasan rel, dan sebagainya. Hal yang biasanya dilakukan di dalam sistem manajemen keselamatan perkeretaapian adalah melakukan pemeriksaan rel dengan cara human visual. Pemeriksaan rel yang dilakukan secara human visual dianggap sudah tidak praktis lagi sehingga dapat diganti menggunakan sensor kamera digital. Didalam perkeretaapian, kamera digital umumnya hanya digunakan untuk memantau dan merekam kondisi jalan rel. Namun, hasil pemantauan tersebut tidak dapat mendeteksi adanya kerusakan dan penghalang didepan rel secara waktu nyata. Oleh karena itu perlu adanya sistem deteksi objek yang berfungsi untuk memberikan pencegahan pada kereta untuk menghindari kecelakaan. Penelitian ini telah merancang sistem miniatur kereta api LEGO untuk mendeteksi adanya kerusakan dan penghalang didepan rel kereta berbasis deep learning. Pendeteksian dilakukan menggunakan sensor kamera. Sensor kamera ini mampu mengenali 3 buah kelas dengan label ‘broken’ (rel putus pada sambungan), ‘curved’ (rel bengkok atau bergelombang) dan ‘erosion’ (penghalang rel berupa pasir). Aksi pencegahan juga dilakukan dengan melakukan pengontrolan kecepatan motor kereta saat terdeteksi adanya objek berdasarkan nilai tingkat kepercayaan melalui media nirkabel. Pengambilan data latih dilakukan sebanyak 300 gambar dengan masing-masing label 100 gambar. Pengambilan dilakukan dengan variasi posisi dan sudut, variasi lebar celah rel terputus pada sambungan, dan variasi ketinggian pasir diatas bantalan rel. Hasil pengujian gambar dilakukan dengan menghitung beberapa nilai kriteria performansi berdasarkan confusion matrix. Didapatkan nilai rata-rata precision 0.85, recall 0.93, accuracy 0.80 dan F1 Score 0.88. Nilai-nilai tersebut dapat dikatakan cukup baik karena mendekati nilai 1 yang menunjukkan baiknya performansi suatu model. Perancangan sistem pengontrolan kecepatan motor kereta api berhasil diterapkan pada saat real-time berdasarkan nilai tingkat kepercayaan. Pada saat sensor kamera tidak mendeteksi adanya objek yang dideteksi maka sensor akan mengirimkan sinyal kontrol untuk memaksimumkan kecepatan motor kereta berdasarkan nilai PWM. Saat sensor kamera mendeteksi adanya objek dengan tingkat kepercayaan diatas 20-70% maka sensor akan mengirimkan sinyal kontrol untuk menurunkan kecepatan kereta. Namun, saat sensor sensor mendeteksi objek dengan tingkat kepercayaan diatas 70% maka sensor akan mengirimkan sinyal kontrol untuk meminimumkan kecepatan motor kereta sehingga kereta berhenti. Pengujian pengontrolan dilakukan dengan memvariasikan jarak kereta api terhadap sudut pandang kamera dan dihitung jarak kereta terhadap objek saat berhenti. Didapatkan bahwa nilai rata-rata jarak kereta api terhadap objek saat berhenti sangat berpengaruh terhadap penentuan nilai jarak kereta terhadap sudut pandang kamera. Semakin jauh nilai jarak kereta terhadap sudut pandang kamera maka semakin jauh pula jarak kereta terhadap objek saat berhenti. Hal ini dikarenakan sistem sudah mampu mendeteksi objek dari kejauhan sehingga dilakukan proses pengontrolan lebih dini.