Perpustakaan Digital ITB

Wheel flat atau roda benjol merupakan kerusakan yang dapat mengakibatkan gaya impak yang besar pada kontak roda-rel sehingga dapat mengakibatkan kerusakan pada sarana dan prasarana perkeretaapian. Roda benjol terjadi akibat gaya pengereman yang berlebihan, mengakibatkan roda tergelincir di atas rel dan membentuk tapak roda yang rata. Penelitian ini mengusulkan metode prediksi keparahan dan lokasi roda benjol menggunakan pembelajaran mesin (machine learning) dengan fitur respons akselerasi rel. Model dinamik kereta api dan rel serta simulasi menggunakan Universal Mechanism (UM) digunakan untuk mengumpulkan data akselerasi jalan rel. Data tersebut kemudian diproses menggunakan Transformasi Fourier dan Transformasi Wavelet untuk ekstraksi fitur dalam domain frekuensi dan waktu-frekuensi. Algoritma klasifikasi, Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM) digunakan untuk klasifikasi keparahan dan prediksi lokasi roda benjol. Hasil penelitian menunjukkan bahwa model CNN dengan fitur domain waktu-frekuensi mampu mengklasifikasikan tingkat keparahan roda benjol lebih baik dibandingkan dengan penggunaan fitur domain frekuensi saja. Model juga dapat memetakan lokasi roda benjol dengan akurasi yang cukup baik. Namun, penelitian ini menemukan bahwa model memiliki keterbatasan dalam mendeteksi roda benjol yang telah mengalami rounding akibat aus, serta kesulitan dalam memetakan kereta bila ada dua roda benjol yang berdekatan.