Penerapan Algoritma KNN Untuk Klasifikasi Objek Di Rel Kereta Api Menggunakan Metal Detector Sensor

Penerapan Algoritma KNN Untuk Klasifikasi Objek Di Rel Kereta Api Menggunakan Metal Detector Sensor

Pendeteksi sarana adalah alat yang digunakan untuk mengetahui ada atau tidaknya sarana di jalur rel. Alat ini terbagi menjadi dua jenis, yaitu axle counter dan track circuit, yang keduanya dipasang di rel dan memerlukan perawatan agar berfungsi optimal. Meskipun keduanya memiliki kelebihan dan kekurangan masing-masing, mereka tidak dapat mengklasifikasikan objek sebagai sarana atau bukan sarana perkeretaapian. Dalam praktiknya, semua objek yang terdeteksi dianggap sebagai sarana perkeretaapian, padahal objek yang terdeteksi bisa bukan sarana perkeretaapian. Teknologi pendeteksi yang akurat dan andal sangat penting untuk mencegah kecelakaan dan menjaga lalu lintas kereta api tetap aman. Sistem deteksi ini dirancang menggunakan metal detector sensor untuk mengklasifikasikan objek sebagai sarana atau bukan sarana perkeretaapian, berdasarkan dua variabel yaitu frekuensi logam dan kecepatan objek yang terdeteksi oleh sensor. Pembuatan alat ini melibatkan perangkat keras, seperti Arduino Uno, metal detector sensor, LCD 16x2, modul micro sd card reader, dan laptop, serta perangkat lunak, seperti Google Colab dan Arduino IDE yang dilengkapi dengan library KNN untuk mengimplementasikan algoritma KNN. Berdasarkan hasil pengujian, alat ini mampu mengklasifikasikan objek sesuai dengan kelasnya. Hasil klasifikasi ditampilkan melalui LCD 16x2 dan serial monitor. Kelas tidak ada objek, memiliki tingkat akurasi sebesar 100%, untuk kelas bukan sarana perkeretaapian memiliki tingkat akurasi sebesar 86,67%. Untuk kelas sarana perkeretaapian dibagi menjadi 3, pertama pengujian menggunakan gandar lori dengan tingkat akurasi sebesar 93,33%. Kedua pengujian menggunakan gandar dengan tingkat akurasi sebesar 86,67%. Ketiga pengujian menggunakan gandar TMC dengan tingkat akurasi sebesar 71,67%. Persentase tersebut didapatkan dari 15 kali percobaan pada setiap kelas.

Kata Kunci : Algoritma KNN, Arduino IDE, Arduino Uno, Google Colab, Metal Detector Sensor, Pendeteksi Sarana