digilib@itb.ac.id +62 812 2508 8800

Tergelincir merupakan faktor penyebab yang paling banyak menyebabkan peningkatan kecelakan kereta api dalam satu dekade terakhir. Meskipun demikian, tindakan pencegahan dan pemeliharaan secara manual yang saat ini dilakukan masih belum dapat memberikan dampak yang signifikan. Di lain sisi, pendekatan pemeliharaan prediktif yang berbasis data merupakan teknik yang sedang banyak digunakan di berbagai bidang pemelihaaraan, salah satunya pemeliharaan kereta api. Salah satu proses yang penting dalam pendekatan tersebut merupakan proses ETL (Extract – Transform – Load) yang menjadikan kualitas data sebagai fokus utama untuk mendukung proses pengambilan keputusan. Akurasi merupakan salah satu parameter dalam kualitas data tersebut. Sementara itu, sensor MEMS (microelectro-mechanical systems) yang dipasang pada kereta mengandung derau yang mempengaruhi akurasi data. Oleh karena itu, penelitian ini dilakukan untuk mencari metode pengurangan derau yang mendukung proses pemeliharaan prediktif pada kereta api. Sehubungan dengan masalah tersebut, Shi dkk (2021) mengusulkan metode pembatasan wavelet (wavelet threshold) untuk mengurangi derau yang terkandung pada keluaran sensor MEMS dengan menggunakan pengestimasi otomatis SURE Shrink. Metode pembatasan wavelet merupakan metode yang sangat bergantung pada nilai ambang batas dalam menentukan kualitasnya. Sementara itu, Nisha dan Mohideen (2016) menyebutkan bahwa SURE Shrink tidak menghasilkan kualitas yang lebih baik dari pada Bayes Shrink untuk pengurangan derau pada data citra. Oleh karena itu, penelitian ini berfokus untuk mencari metode pengestimasi nilai ambang batas (threshold estimator) yang paling tepat untuk keluaran sensor MEMS dengan membandingkan SNR (Signal-toNoise-Ratio) dari metode SURE Shrink dan Bayes Shrink. Berdasarkan simulasi yang telah dilakukan dengan menggunakan Matlab, penulis menemukan bahwa data MEMS mentah perlu dipotong dengan panjang data 5 detik sebelum pengurangan derau untuk mendapatkan representasi terbaik. Pada panjang data ini, penulis menyimpulkan bahwa pengestimasi Bayes Shrink mampu memberikan hasil yang lebih baik daripada pengestimasi SURE Shrink dengan selisih 7 dB pada sensor akselerometer dan 14 dB pada sensor giroskop.