Penerapan Sistem Predictive Maintenance Menggunakan Algoritma Random Forest Untuk Deteksi Gagal Balik Wesel Makasar - Parepare

Sistem wesel pada jaringan perkeretaapian memiliki peran vital dalam menjamin keselamatan dan kelancaran perjalanan kereta api. Gagal balik wesel merupakan salah satu bentuk gangguan kritis yang dapat menyebabkan keterlambatan, kecelakaan, maupun kerusakan operasional lainnya. Penelitian ini bertujuan untuk menerapkan sistem predictive maintenance guna mendeteksi dini potensi gagal balik pada wesel menggunakan algoritma Random Forest. Data yang digunakan terdiri dari data historis gangguan wesel selama dua tahun terakhir serta data pendukung berupa parameter suhu lidah wesel, dan getaran batang stang. Proses dimulai dari tahapan data preprocessing, feature engineering, analisis eksploratif, hingga pembangunan dan evaluasi model regresi menggunakan Random Forest. Model diuji dengan pendekatan train-test split dan cross-validation, menghasilkan metrik evaluasi seperti RMSE, MAE, dan R². Hasil penelitian menunjukkan jika berdasarkan data historis 3 tahun dan dengan data sensor yang hanya beberapa bulan yang masih bisa dikatakan rancu bahwa algoritma random forest berhasil memprediksi kegagalan berkerja dengan cukup baik, dimana ditandai dengan nilai R² sebesar 0,81, RMSE sebesar 77.52 hari, dan MAE sebesar 56.77 hari, Namun pada hasil dari simulasi dari hanya menggunakan data historis maupun hanya menggunakan data sensor didapatkan nilai prediksi namun back date, untuk penyebab dari hal tersebut masih belum diketahui penyebabnya. Hal ini bisa jadi pertimbangan kembali dari kedua perbandingan diatas untuk dapat melakukan pengumpulan data yang lebih bervariasi dan dengan memperhatikan parameter agar mendapatkan hasil model yang terbaik.

Kata kunci: Getaran, Gagal Balik Wesel, Predictive Maintenance, Random Forest, Suhu.