DOI: https://doi.org/10.14710/transmisi.28.3.%25p

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

*Yurixa Sakhinatul Putri  -  Politeknik Negeri Jakarta, 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

Manual inspeksi secara visual pada rel kereta api seringkali menghadapi tantangan berupa kelelahan petugas dan hasil yang subjektif, sehingga 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 total 300 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.

Kata kunci: inspeksi rel, faster r-cnn, kendali kecepatan, sistem visi komputer,  TCP/IP

Catatan: Artikel ini mempunyai file lampiran.

Fulltext |  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

Article Metrics:

Article Info
Bagian: Artikel - Sistem Kendali dan Robotik
Bahasa : ID
Most cited articles
PERANCANGAN SOFTWARE APLIKASI OPTIMASI PENATAAN LAMPU PJU SEBAGAI UPAYA PENGHEMATAN BIAYA ENERGI LISTRIK PENGENDALIAN pH AIR DENGAN METODE PID PADA MODEL TAMBAK UDANG PERANCANGAN PERANGKAT LUNAK PENDETEKSI SUDUT DAN POSISI MENGGUNAKAN MIKROKONTROLER ATMEGA 32 ANALISIS JARINGAN FTTH (FIBER TO THE HOME) BERTEKNOLOGI GPON (GIGABIT PASSIVE OPTICAL NETWORK) ANALISA PENGGUNAAN LAMPU LED PADA PENERANGAN DALAM RUMAH More cited articles
  1. . H. Dwiatmoko, M. Isradi, J. Prasetijo, dan A. Hamid, “Comparative Study of the Passenger’s Satisfaction with Regional Rail Transport in Indonesia and Malaysia,” Eur. J. Sci. Innov. Technol., vol. 2, no. 2, pp. 32–40, Apr. 2022
  2. . T. Rahayu dan A. Arfis, “Sistem Pemeliharaan Rel Kereta Api Koridor Palang Parasamia – Jembatan Sei Piring,” Jurnal VORTEKS, vol. 2, no. 2, hlm. 100–104, Okt. 2021
  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,” J. Teknik Sipil dan Lingkungan, vol. 9, no. 2, hlm. 283–292, Okt. 2024
  4. . R. Jamieson dan D. Smilek, “Understanding the role of human attention in railway inspection errors,” Proc. Wheel/Rail Interaction Conf., 2022
  5. . W. Gong, M. F. Akbar, G. N. Jawad, M. F. P. Mohamed, dan M. N. A. Wahab, “Nondestructive Testing Technologies for Rail Inspection: A Review,” Coatings, vol. 12, no. 11, art. 1790, Nov. 2022
  6. . L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al-Dujaili, Y. Duan, O. Al-Shamma, J. Santamaría, M. A. Fadhel, M. Al-Amidie, and L. Farhan, "Review of deep learning: concepts, CNN architectures, challenges, applications, future directions," Journal of Big Data, vol. 8, no. 1, p. 53, Mar. 2021, doi: 10.1186/s40537-021-00444-8
  7. . M. Krichen, "Convolutional Neural Networks: A Survey," Computers, vol. 12, no. 8, p. 151, Jul. 2023, doi: 10.3390/computers12080151
  8. . X. Xu, Y. Lei, and F. Yang, “Railway subgrade defect automatic recognition method based on improved Faster R-CNN,” Scientific Programming, vol. 2018, Art ID. 4832972, 2018. [Online]. Available: https://doi.org/10.1155/2018/4832972
  9. . X. Chen and H. Zhang, “Rail surface defects detection based on Faster R-CNN,” in Proc. 2020 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS), Vientiane, Laos, 2020, pp. 228–231, doi: 10.1109/ICITBS49701.2020.00061
  10. . J. Pardede and H. Hardiansah, "Deteksi Objek Kereta Api menggunakan Metode Faster R-CNN dengan Arsitektur VGG 16," Jurnal Ilmiah Ilmu Komputer, vol. 7, no. 1, 2022. [Online]. Available: https://jurnal.unimed.ac.id/2012/index.php/jiik/article/view/36436
  11. . J. He, L. Wang, and C. Zhang, “Faster R-CNN-based detection of wheel tread defects in high-speed trains,” in Proc. 8th Int. Symp. on Test Automation & Instrumentation (ISTAI), 2019, pp. 187–191

Last update:

No citation recorded.

Last update: 2026-05-24 17:42:15

No citation recorded.