Prediksi Track Quality Index (Tqi) Menggunakan Pendekatan Bayesian Network pada Lintas Semarang Poncol-Ujungnegoro
Tahun 2026 · Penulis: Krida Farisma
Faculty of Engineering, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kualitas jalan rel merupakan faktor penting yang mempengaruhi keselamatan dan keandalan operasi kereta api. Salah satu indikator yang digunakan untuk menganalisa kualitas jalan rel adalah Track Quality Index (TQI), yang diperoleh dari pengukuran menggunakan kereta ukur. Namun, keterbatasan ketersediaan data TQI mendorong perlunya metode alternatif untuk memprediksi kondisi kualitas rel secara efektif. Penelitian ini bertujuan untuk mengetahui parameter yang paling berpengaruh terhadap TQI dan mengetahui tingkat akurasi model. Metode yang digunakan untuk membuat model prediksi Track Quality Index (TQI) adalah Bayesian Network. Data yang digunakan merupakan data sekunder hasil pengukuran geometri rel yang meliputi angkatan, pertinggian, listringan, dan lebar sepur. Pemodelan Bayesian Network dilakukan dengan menyusun struktur Directed Acyclic Graph (DAG) dan Conditional Probability Table (CPT) menggunakan perangkat lunak GeNIe 5.0. Proses pembelajaran parameter dilakukan dengan algoritma Expectation Maximization (EM), sedangkan validasi model dilakukan menggunakan metode Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Bayesian Network mampu memprediksi nilai TQI dengan tingkat akurasi sampai dengan 97%, ditunjukkan oleh nilai MAPE sebesar 3% sehingga memenuhi kriteria kelayakan. Selain itu, berdasarkan uji sensitivitas urutan parameter yang paling berpengaruh terhadap TQI adalah pertinggian, lebar sepur, angkatan dan listringan. Penelitian ini diharapkan dapat menjadi dasar pengambilan keputusan pemeliharaan jalan rel berbasis probabilitas yang lebih efektif dan efisien, khususnya pada lintas dengan keterbatasan data pengukuran TQI.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,814
Tahun 2026 · Penulis: Hasyim Ashari Abdul Mukti
Optimasi Hyperparameter Bayesian pada Model BiLSTM untuk Prediksi Time-Series Workload: Studi Kasus Proactive Auto-scaler Kubernetes
Kubernetes auto-scaling melalui Horizontal Pod Autoscaler (HPA) bergantung pada mekanisme reaktif yang memantau metrik real-time seperti penggunaan CPU dan memori. Namun, pendekatan reaktif ini sering menyebabkan gangguan layanan dan ketidakstabilan sistem kar
- Cosine 0,798
Tahun 2026 · Penulis: JEREMY I. SIHITE
Interpretasi Pola dan Sifat Limpasan dari Parameter Fisik Sub-DAS Pengarengan Menggunakan Citra Satelit
Daerah Aliran Sungai (DAS) memerlukan data topografi yang akurat untuk mendukung analisis hidrologi, terutama dalam penyusunan Hidrograf Satuan Sintetik (HSS) sebagai dasar estimasi debit banjir rancangan pada wilayah dengan keterbatasan data debit terukur. Pe
- Cosine 0,797
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat