Penggunaan Kecerdasan Buatan untuk Prediksi Keterlambatan Kereta Api

Ilustrasi Kecerdasan Buatan. Kredit: Geralts via Pixabay

Liputan6.com, Jakarta - Selama 20 tahun terakhir, jumlah penumpang yang bepergian dengan kereta api di Inggris meningkat hampir dua kali lipat menjadi 1,7 miliar setiap tahun.

Angka ini menunjukkan seberapa besar ketergantungan orang-orang pada layanan kereta api. Namun di sisi lain, entah ada berapa banyak orang yang terganggu atau tidak puas karena karena keterlambatan (delay).

Terkait hal itu, sebuah studi terbaru menggunakan data British Railway dan model kecerdasan buatan untuk meningkatkan kemampuan memprediksi keterlambatan di jaringan kereta api.

"Kami ingin mengeksplorasi masalah ini menggunakan pengalaman kami dengan grafik jaringan saraf (neural network)," ujar Huy Tran, peneliti di Faculty of Aerospace Engineering, University of Illinois Urbana-Champaign dikutip dari keterangan resmi via Eurekalert, Rabu (16/12/2020).

Model kecerdasan buatan ini, kata Tran, berfokus pada data yang dimodelkan sebagai grafik.

Di dalam penelitian ini, Tran berkolaborasi dengan Simon Hu, pakar di bidang jaringan kereta api. Kolaborasi mereka membuahkan cara baru untuk merepresentasikan jaringan kereta api dan menerapkannya ke data dunia nyata untuk memprediksi keterlambatan.

2 dari 3 halaman

Spatial-Temporal Graph Convolutional Network

Mereka menerapkan model Jaringan Konvolusional Grafik Spasial-Temporal (Spatial-Temporal Graph Convolutional Network) untuk memprediksi keterlambatan di sebagian jaringan rel kereta api Inggris di mana Didcot Parkway dan Long Paddington berfungsi sebagai stasiun gerbang.

"Dibandingkan dengan model statistik lainnya, model ini lebih unggul dalam memprediksi keterlambatan hingga 60 menit ke depan," kata Tran.

3 dari 3 halaman

Tantangan

Salah satu tantangan di dalam penelitian ini adalah data hanya menangkap perjalanan kereta api secara utuh dari awal hingga akhir dan tidak ada informasi di mana saja kereta api terlambat selama perjalanan.

"Formulasi baru yang kami kembangkan merupakan cara untuk memperkirakan di bagian perjalanan mana saja keterlambatan terjadi. Dari penelitian ini, kami mengetahui bahwa formulasi kami dengan model kecerdasan buatan ini dapat bekerja dengan baik dengan jaringan dunia nyata untuk melakukan prediksi," tutur Tran.

(Why/Isk)