DOI: https://doi.org/10.14710/transmisi.28.3.167-177

PURWARUPA SISTEM KENDALI KECEPATAN KERETA BERBASIS KLASIFIKASI INSPEKSI REL MENGGUNAKAN FASTER R-CNN

*Yurixa Sakhinatul Putri  -  Program Studi Instrumentasi dan Kontrol Industri, Politeknik Negeri Jakarta, Indonesia
Yul Yunazwin Nazaruddin  -  Departemen Instrumentasi dan Kontrol, Institut Teknologi Bandung, Indonesia
Endang Juliastuti  -  Departemen Instrumentasi dan Kontrol, Institut Teknologi Bandung, Indonesia
Dikirim: 22 Jul 2025; Diterbitkan: 24 May 2026.
Akses Terbuka Copyright (c) 2026 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari

Inspeksi visual manual pada rel kereta api rentan terhadap kelelahan operator dan subjektivitas, yang berpotensi menyebabkan kesalahan deteksi. Penelitian ini mengembangkan purwarupa sistem kendali kecepatan kereta berbasis klasifikasi inspeksi rel menggunakan algoritma Faster R-CNN. Sistem terdiri dari kamera sebagai sensor visual, komputer sebagai client untuk melakukan proses klasifikasi objek, dan mikrokontroler sebagai server untuk mengendalikan kecepatan pada motor kereta. Dataset terdiri dari tiga kelas yaitu broken (rel putus), curved (rel melengkung), dan erosion (penghalang pada rel) dengan dataset terbatas 370 gambar. Proses pelatihan menggunakan GPU Nvidia GeForce MX130, RAM 6 GB, dengan total 7063 step dan waktu ± 3 jam. Didapatkan nilai akurasi 80%, precision 85%, recall 93%, dan F1 score 88%. Hasil klasifikasi diintegrasikan ke dalam sistem kendali kecepatan motor kereta melalui komunikasi TCP/IP. Sistem berhasil mendeteksi objek secara real-time dan mengontrol kecepatan motor kereta dengan logika if else sesuai tingkat kepercayaan hasil klasifikasi. Pengujian juga menunjukkan bahwa jarak deteksi objek dipengaruhi oleh posisi kamera terhadap jalur rel. Purwarupa ini dapat menunjukkan potensi yang baik dalam pengintegrasian sistem visi komputer dan kendali motor kereta api sebagai solusi untuk meningkatkan keselamatan pada kereta api.

Catatan: Artikel ini mempunyai file lampiran.

Fulltext View|Download |  Instrumen Riset
Video Alat (1)
Subjek
Tipe Instrumen Riset
  Unduh (969KB)    metadata pengindeksan
 Instrumen Riset
Video Alat (2)
Subjek
Tipe Instrumen Riset
  Unduh (910KB)    metadata pengindeksan
Email colleagues
Kata Kunci: inspeksi rel; faster r-cnn; kendali kecepatan; sistem visi komputer; TCP/IP;

Article Metrics:

Article Info
Bagian: Artikel - Sistem Kendali dan Robotik
Bahasa : ID
Most cited articles
Sistem Pengendalian Suhu Dan Kelembaban Pada Mesin Pengering Kertas ANALISIS JARINGAN FTTH (FIBER TO THE HOME) BERTEKNOLOGI GPON (GIGABIT PASSIVE OPTICAL NETWORK) SKENARIO MANAJEMEN ENERGI RENDAH EMISI SEKTOR RUMAH TANGGA UNTUK MENGURANGI EMISI GAS CO2 DI KOTA SEMARANG PERANCANGAN PEMBANGKIT TEGANGAN TINGGI IMPULS BERBASIS KONVERTER FLYBACK RANCANG BANGUN SISTEM PEMANTAUAN INFUS BERBASIS ANDROID More cited articles
  1. . H. Dwiatmoko, M. Isradi, J. Prasetijo, and A. Hamid, “Comparative study of passenger satisfaction with regional rail transport in Indonesia and Malaysia,” European Journal of Scientific Innovation and Technology, vol. 2, no. 2, pp. 32–40, Apr. 2022
  2. . J. Sresakoolchai and S. Kaewunruen, “Railway infrastructure maintenance efficiency improvement using deep reinforcement learning integrated with digital twin based on track geometry and component defects,” Scientific Reports, vol. 13, no. 1, 2023, doi: 10.1038/s41598-023-29526-8
  3. . V. N. A. Putri, K. Usman, I. Kustiani, dan A. M. Siregar, “Analisis tingkat risiko penyebab rel patah pada jalur kereta api wilayah Divre IV Tanjung Karang,” Jurnal Teknik Sipil dan Lingkungan, vol. 9, no. 2, pp. 283–292, Oct. 2024
  4. . R. Jamieson and D. Smilek, “Understanding the role of human attention in railway inspection errors,” in Proceedings of the Wheel/Rail Interaction Conference, 2022
  5. . W. Gong, M. F. Akbar, G. N. Jawad, M. F. P. Mohamed, and M. N. A. Wahab, “Nondestructive testing technologies for rail inspection: A review,” Coatings, vol. 12, no. 11, art. no. 1790, Nov. 2022
  6. . Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015
  7. . M. Krichen, “Convolutional neural networks: A survey,” Computers, vol. 12, no. 8, art. no. 151, Jul. 2023, doi: 10.3390/computers12080151
  8. . J. Pardede dan H. Hardiansah, “Deteksi objek kereta api menggunakan metode Faster R-CNN dengan arsitektur VGG16,” Jurnal Ilmiah Ilmu Komputer, vol. 7, no. 1, 2022
  9. . E. Indasyah, F. Ibrahim, D. F. Syahbana, and F. Istiqomah, “Automated visual inspection system of gear surface defects detection using Faster R-CNN,” in Proceedings of the 2023 International Conference on Advanced Mechatronics, Intelligent Manufacture and Industrial Automation (ICAMIMIA), Surabaya, Indonesia, 2023, pp. 899–904, doi: 10.1109/ICAMIMIA60881.2023.10427945
  10. . M. Yilmazer and M. Karakose, “Fastener and rail surface defects detection with deep learning techniques,” International Journal of Advances in Intelligent Informatics, vol. 10, no. 2, pp. 253–264, May 2024, doi: 10.26555/ijain.v10i2.1237
  11. . X. Chen and H. Zhang, “Rail surface defects detection based on Faster R-CNN,” in Proceedings of the 2020 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS), Vientiane, Laos, 2020, pp. 228–231, doi: 10.1109/ICITBS49701.2020.00061
  12. . Y. Bengio, A. Courville, and P. Vincent, “Representation learning: A review and new perspectives,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 8, pp. 1798–1828, Aug. 2013, doi: 10.1109/TPAMI.2013.50
  13. . I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016
  14. . Z.-Q. Zhao, P. Zheng, S.-T. Xu, and X. Wu, “Object detection with deep learning: A review,” IEEE Transactions on Neural Networks and Learning Systems, vol. 30, no. 11, pp. 3212–3232, Nov. 2019, doi: 10.1109/TNNLS.2018.2876865
  15. . S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” in Procedding Advances in Neural Information Processing Systems (NeurIPS), 2015, pp. 91–99
  16. . R. Indrakusuma, N. El Hafizah, dan D. R. A. Ardi, “Decision support to improve railway track maintenance in Indonesia: A life cycle cost approach,” Jurnal Teknologi dan Manajemen, vol. 5, no. 2, pp. 162–177, 2024, doi: 10.31284/j.jtm.2024.v5i2.5945
  17. . S. Mohammadi, S. S. Karganroudi, M. Adda, and H. Ibrahim, “Rail defect classification with deep learning method,” Green Energy and Intelligent Transportation, vol. 3, art. no. 100332, 2025, doi: 10.1016/j.geits.2025.100332
  18. . F. Yan, Y. Gu, and Y. Sun, “Deep learning-based train obstacle detection technology: Application and testing in metros,” Electronics, vol. 14, no. 7, 2025, doi: 10.3390/electronics14071318

Last update:

No citation recorded.

Last update: 2026-07-05 12:58:30

No citation recorded.