Perpustakaan Digital ITB

Dalam industri perkeretaapian, keausan roda gerbong merupakan masalah penting yang dapat mempengaruhi kinerja operasional dan biaya pemeliharaan. Gerbong terbuka 50 ton sering mengalami keausan pada roda akibat penggunaan yang intensif dan kondisi lingkungan yang bervariasi. Ketidakmampuan untuk memprediksi keausan roda dengan tepat dapat menyebabkan penundaan dalam perawatan, peningkatan biaya operasional, dan bahkan risiko kecelakaan yang lebih tinggi. Oleh karena itu, diperlukan metode yang lebih akurat dan efisien untuk memprediksi keausan roda guna memastikan kelancaran operasi dan keselamatan kereta api. Data keausan roda dikumpulkan dari Depo Gerbong Besar A Muaragula yang berada di Divisi Regional III Palembang. Data tersebut mencakup pengukuran diameter roda dan keausan flens roda yang diambil setiap bulan. Data kemudian diolah dan dibersihkan untuk mengidentifikasi kesalahan dan inkonsistensi. Setelah itu, dilakukan analisis menggunakan model regresi untuk memprediksi laju keausan roda, termasuk model regresi linier, polinomial, autoregresif, dan moving average, untuk menangani data time series. Model regresi polinomial dengan orde dua memberikan hasil prediksi yang paling akurat dengan nilai RMSE yang rendah pada sebagian besar posisi roda. rentang RMSE yang didapatkan pada orde 2 adalah 0,24 – 0,84 mm. Model ini mampu memprediksi keausan roda dengan baik sehingga dapat digunakan untuk merencanakan kebutuhan suku cadang roda dalam jangka pendek. Beberapa anomali dalam data, seperti kesalahan pengukuran dan data yang hilang, juga ditemukan dan perlu diperhatikan dalam analisis lebih lanjut. Metode sains data yang digunakan dalam penelitian ini terbukti efektif untuk memprediksi keausan roda gerbong terbuka 50 ton. Penggunaan model prediksi yang akurat dapat membantu PT Kereta Api Indonesia dalam meningkatkan efisiensi perawatan dan mengurangi risiko kegagalan operasional. Penelitian ini merekomendasikan pengembangan model prediksi yang lebih kompleks serta peningkatan kualitas data untuk hasil yang lebih baik di masa mendatang.