Amsali, Ali (2026) Rancang bangun sistem monitoring prediksi deformasi rel kereta api berbasis algoritma random forest regressor. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
![[img]](https://digilib.uinsgd.ac.id/style/images/fileicons/text.png) |
Text (COVER)
1_COVER.pdf Download (66kB) |
|
Text (PLAGIARISME)
2_PLAGIARISME.pdf Download (71kB) |
|
Text (ABSTRAK)
3_ABSTRAK.pdf Download (26kB) |
|
Text (DAFTAR ISI)
4_DAFTAR ISI.pdf Download (109kB) |
|
Text (BAB I)
5_BAB I.pdf Download (219kB) |
|
Text (BAB II)
6_BAB II.pdf Restricted to Registered users only Download (541kB) |
|
Text (BAB III)
7_BAB III.pdf Restricted to Registered users only Download (43kB) |
|
Text (BAB IV)
8_BAB IV.pdf Restricted to Registered users only Download (894kB) |
|
Text (BAB V)
9_BAB V.pdf Restricted to Registered users only Download (524kB) |
|
Text (BAB VI)
10_BAB VI.pdf Restricted to Registered users only Download (24kB) |
|
Text (DAFTAR PUSTAKA)
11_DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (115kB) |
|
Text (LAMPIRAN)
12_LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) |
Abstract
Rel kereta api memiliki risiko deformasi akibat fluktuasi suhu lingkungan dan tegangan mekanis yang dapat mengancam keselamatan perjalanan. Penelitian ini merancang sistem monitoring berbasis Internet of Things (IoT) menggunakan mikrokontroler ESP32 sebagai unit akuisisi data utama. Sistem ini mengintegrasikan sensor DHT22 untuk suhu dan kelembapan udara, sensor NTC 10k glass bead untuk suhu material rel, serta strain gauge BF350 untuk mendeteksi regangan mekanis. Pengujian dilakukan di KM 8 Sadang, Purwakarta, dengan merekam 497 data secara real-time melalui protokol HTTP POST ke database cloud. Hasil pengamatan menunjukkan suhu material rel mencapai titik tertinggi 47,80°C yang berkorelasi dengan peningkatan deformasi hingga 80,72 µε. Algoritma Random Forest Regressor diimplementasikan untuk memprediksi deformasi rel berdasarkan parameter lingkungan. Model ini menunjukkan performa tinggi dengan koefisien determinasi (R2) sebesar 0,9002 dan Root Mean Square Error (RMSE) sebesar 2,2112 µε. Pada pengujian lapangan, sistem mampu memprediksi deformasi dengan stabilitas tinggi pada rentang 6,36 mm hingga 7,19 mm. Implementasi ini membuktikan bahwa integrasi sensor fisik dan algoritma pembelajaran mesin dapat berfungsi sebagai soft sensor yang andal untuk pemantauan integritas struktural rel.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Uncontrolled Keywords: | ESP32; Strain Gauge; Random Forest Regressor; Deformasi Rel; IoT; Akuisisi Data |
| Subjects: | Engineering Engineering > Measurement Engineering > Engineering Materials Engineering > Safety Engineering Applied Physics Applied Physics > Electrical Engineering Applied Physics > Electronics Applied Physics > Computer Engineering |
| Divisions: | Fakultas Sains dan Teknologi > Program Studi Teknik Elektro |
| Depositing User: | Amsali Ali |
| Date Deposited: | 07 May 2026 07:53 |
| Last Modified: | 07 May 2026 07:53 |
| URI: | https://digilib.uinsgd.ac.id/id/eprint/131035 |
Actions (login required)
 |
View Item |
