<![CDATA[Peningkatan keandalan infrastruktur perkeretaapian menuntut sistem pemantauan yang mampu mengenali pola getaran secara adaptif untuk mendeteksi kerusakan rel secara real-time. Penelitian ini menerapkan algoritma Deep Q-Network (DQN) sebagai agen cerdas tunggal dalam Train-Based Monitoring System (TBMS) untuk mengklasifikasikan jenis kerusakan rel berdasarkan pola getaran dari sensor bogie depan, bogie belakang, dan sensor inersia longitudinal. Dataset sintetis dibangun dari nilai Root Mean Square (RMS) amplitudo getaran yang mewakili energi vibrasi per segmen waktu. Hasil pengujian menunjukkan bahwa model DQN mencapai akurasi klasifikasi 87,8% dengan macro F1-score 0,875. Kinerja terbaik diperoleh pada kelas severe transverse crack (F1 = 1,000) dan defect (F1 = 0,999), sedangkan performa terendah terdapat pada kelas head crack (F1 = 0,522). Analisis Confusion Matrix ternormalisasi memperlihatkan dominasi diagonal utama dengan kesalahan klasifikasi rendah, menandakan kemampuan model dalam membedakan pola getaran secara presisi. Analisis SHapley Additive exPlanations (SHAP) menunjukkan bahwa sensor getaran bogie depan memberikan kontribusi tertinggi terhadap keputusan model sebesar 52,3%, diikuti oleh sensor IMU longitudinal 31,7%, dan sensor bogie belakang 16,0%. Hasil ini menegaskan bahwa pola getaran awal pada roda depan merupakan indikator paling signifikan dalam mendeteksi kerusakan rel, sedangkan dua sensor lainnya berperan sebagai sinyal pendukung untuk meningkatkan stabilitas prediksi model.]]>
Copyrights © 2025
