BANDARLAMPUNG - Institut Teknologi Sumatera (Itera) dan PT Kereta Api Indonesia (KAI) menjalin kerja sama strategis untuk mengembangkan teknologi pendeteksi kerusakan rel kereta. Hal ini sebagai upaya meningkatkan keselamatan dan efisiensi transportasi kereta api di Indonesia.
Kerja sama ini melibatkan berbagai disiplin ilmu dari Itera yang dipimpin dosen Program Studi Teknik Mesin Itera, Ir. Eko Pujiyulianto S.T., M.Eng. Kerja sama ini melibatkan beberapa program studi di Itera, yaitu Teknik Mesin, Teknik Informatika, Teknik Material, dan Teknik Perkeretaapian. Tim yang terlibat dalam kegiatan ini adalah Dekan Fakultas Teknologi Industri (FTI) Hadi Teguh Yudisitira, Ph.D. (Teknik Mesin); Dr. Muhamad Fatikul Arif, S.T., M.Sc. (Teknik Material); Andhika Setiawan, S.Kom., M.Sc. (Teknik Informatika); dan Ir. Amelia Oktavia S.T., M.T., IPM (Teknik Perkeretaapian).
Eko menuturkan, kegiatan ini bertujuan mengembangkan model dan metode deteksi kerusakan rel kereta yang lebih efektif.
Berbagai kegiatan yang direncanakan, kata Eko, meliputi survei lapangan untuk mengidentifikasi area rawan kerusakan, pelatihan bagi pegawai PT KAI untuk memahami dan menggunakan model baru, serta penelitian dan pengembangan instrumen deteksi yang akan digunakan di lapangan.
Pengembangan model tersebut, lanjut Eko, yaitu dengan memanfaat image recognition berbasis machine learning CNN. "Penggunaan teknologi image recognition dengan machine learning berbasis Convolutional Neural Networks (CNN) untuk rekognisi cacat permukaan rel kereta menawarkan berbagai manfaat signifikan," ujarnya.
Eko menyampaikan beberapa manfaat utama penggunaan teknologi image recognition dengan machine learning berbasis CNN seperti peningkatan akurasi deteksi. ''CNN dapat menganalisis gambar dengan ketelitian tinggi dan mengenali pola yang mungkin tidak terlihat oleh mata manusia. Ini membantu dalam mendeteksi cacat permukaan rel seperti retakan, deformasi, atau keausan yang mungkin sulit dideteksi dengan metode tradisional," ungkapnya.
Selain itu, kata Eko, manfaat utama lainya dari machine learning berbasis CNN adalah kecepatan pemrosesan yang tinggi. ''Dengan kemampuan untuk memproses dan menganalisis gambar dalam waktu singkat, CNN memungkinkan deteksi cacat rel secara real-time atau hampir real-time. Ini mempercepat proses pemantauan dan perawatan. Mengurangi waktu yang dibutuhkan untuk inspeksi manual," ujarnya.
Sistem ini, kata Eko, juga dinilai dapat memberikan hasil yang konsisten dan dapat direproduksi tanpa dipengaruhi oleh kelelahan atau subjektivitas yang sering terjadi dalam inspeksi manual. ''Ini meningkatkan keandalan deteksi cacat dan mengurangi risiko kesalahan manusia," katanya.