Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Otomasi dalam Konstruksi 122 (2021) 103486

Daftar isi tersedia diScienceDirect

Otomasi dalam Konstruksi

halaman utama jurnal:www.elsevier.com/locate/autcon

IoT untuk pemantauan dan pemeliharaan aset prediktif: Strategi implementasi

untuk industri kereta api Inggris

Abdul-Quayyum Gbadamosi, Lukumon O. Oyedele*, Juan Manuel Davila Delgado,

Habeeb Kusimo, Lukman Akanbi, Oladimeji Olawale, Naimah Muhammed-yakubu
Laboratorium Perusahaan Data Besar dan Kecerdasan Buatan (Big-DEAL), Universitas Inggris Barat, Bristol, Inggris Raya

INFO ARTIKEL ABSTRAK

Kata kunci: Dengan sekitar 100% peningkatan penggunaan layanan kereta api selama 20 tahun terakhir, infrastruktur kereta api
Internet untuk segala terus berfungsi pada tingkat optimal untuk menghindari gangguan layanan, pembatalan atau penundaan karena
Pemeliharaan prediktif kerusakan aset yang tidak terduga. Dalam upaya untuk mengusulkan strategi implementasi Internet of Things (IoT)
Inspeksi jarak jauh
dalam pemeliharaan aset kereta api, metodologi kualitatif diadopsi melalui serangkaian lokakarya kelompok fokus
Aset rel
untuk mengidentifikasi area prioritas dan memungkinkan teknologi digital untuk implementasi IoT. Metode
Realitas yang diperbesar
pengumpulan data meliputi perekaman audio, pencatatan, dan pemetaan konsep. Rekaman audio ditranskrip dan
digunakan untuk analisis tematik, sedangkan peta konsep diintegrasikan untuk pemodelan dan analisis konseptual.

1. Perkenalan
Sekitar 3,23% dari semua perjalanan kereta api yang direncanakan di Inggris
dibatalkan pada tahun 2016, mengakibatkan lebih dari£28 juta klaim oleh
pelanggan layanan kereta api yang tidak puas [1]. Dengan perkiraan peningkatan
permintaan penumpang sebesar 14% dan perkiraan tonase barang sebesar 22%
pada tahun 2021, penting untuk menempatkan fokus manajemen aset kereta api
pada kebutuhan penumpang dan pelanggan. Performa aset kereta api yang andal
sangat penting untuk kepuasan pelanggan, pertumbuhan bisnis, dan
pembangunan ekonomi [2]. Pemerintah Inggris Raya memainkan peran utama
dalam mendukung penyelenggaraan operasi layanan kereta api yang aman,
andal, dan efisien dengan proyeksi£3,74 miliar dukungan termasuk hibah
Passenger Transport Executive (PTE) antara 2018 hingga 2019 [3]. Menurut Office
of Rail Regulation (ORR), Network Rail telah menghemat hingga 40% biaya
pengoperasian aset rel selama 10 tahun terakhir [3]. Namun, pendekatan
pemeliharaan aset kereta api saat ini, seperti inspeksi rutin manual oleh pekerja
garis dan pemeliharaan korektif, padat karya dan tidak efisien untuk tantangan
industri kereta api saat ini dan masa depan [4]. Selain itu, pendekatan inspeksi
rutin tidak hemat biaya karena terkadang memerlukan pencarian area tanpa
kesalahan dan seringkali deteksi aset rel yang sudah rusak atau rusak. Dengan
demikian, ada kebutuhan untuk mengembangkan cara-cara untuk pemantauan
dan pemeliharaan aset yang efisien.
Motivasi penelitian ini didasarkan pada kebutuhan akan cara yang lebih efisien
untuk memperoleh informasi tentang kondisi aset kereta api serta meningkatkan
metode pemeriksaan aset. Pemeliharaan aset kereta api yang efisien
membutuhkan informasi yang tepat waktu untuk intervensi proaktif guna
mencegah kerusakan aset kereta api dan kegiatan pemeliharaan yang tidak
direncanakan. Keterbatasan lain dari pendekatan pemeliharaan saat ini seperti
'temukan dan perbaiki' dan 'laporan kegagalan aset oleh masinis' adalah
kurangnya informasi yang tepat waktu tentang kinerja dan kondisi aset, yang
menyebabkan inefisiensi pemeliharaan, gangguan layanan kereta api, dan
akhirnya, kepuasan pelanggan yang buruk [1,5]. Selain itu, beberapa pendekatan
saat ini memerlukan penyebaran petugas inspeksi kereta api ke area berisiko
tinggi aset kereta api untuk melakukan pemeriksaan rutin, yang membahayakan
kesehatan dan keselamatan pekerja [1,6]. Pemantauan dan pemeliharaan aset
kereta api yang efisien memerlukan metode pengumpulan, pemrosesan, dan
analisis data yang inovatif untuk informasi yang tepat waktu tentang kondisi aset
kereta api saat ini dan kemungkinan di masa mendatang.
Internet of Things (IoT) adalah jaringan objek yang dapat diidentifikasi secara
unik yang memungkinkan objek fisik untuk terhubung dan bertukar data dalam
infrastruktur internet yang ada [7]. IoT adalah teknologi digital yang muncul
dengan prospek menyediakan informasi tepat waktu dan kontrol aset kereta api
melalui aktuator, sensor, dan perangkat perangkat keras IoT [8]. Meskipun
terdapat banyak metode lanjutan untuk memantau aset rel

* Penulis yang sesuai.

Alamat email:L.Oyedele@uwe.ac.uk (LO Oyedele).

https://doi.org/10.1016/j.autcon.2020.103486
Diterima 15 Agustus 2019; Diterima dalam bentuk revisi 7 September 2020; Diterima 28 September 2020
Tersedia online 4 Desember 2020 0926-5805/© 2020 Elsevier BV
Semua hak dilindungi undang-undang.
A.-Q. Gbadamosi et al.
dan mendeteksi cacat, misalnya, Thaduri et al., [9] mengidentifikasi domain
potensial untuk analitik data besar dalam pengelolaan informasi aset kereta
api. Antony dan Nasira [10] memamerkan pendekatan pengelompokan,
teknik penambangan data untuk memungkinkan pemeliharaan prediktif
aset rel menggunakan data kegagalan aset rel. Ada juga sejumlah inspeksi
aset kereta api berbasis teknologi seperti penggunaan Unmanned
Autonomous Vehicle (UAV), sensor IoT, pendaftaran gambar inframerah dan
terlihat dan sistem tiga dimensi jarak jauh berbasis robot-rel untuk inspeksi
aset kereta api [11–13]. Terlepas dari keberadaan beberapa teknologi dan
sistem terkait IoT di industri perkeretaapian, masih ada kekurangan strategi
implementasi holistik untuk IoT, yang memiliki karakteristik penting seperti
protokol komunikasi yang dapat dioperasikan dan integrasi holistik ke
dalam jaringan informasi, dalam pemeliharaan aset perkeretaapian [14].
Inspeksi, pemantauan, dan kontrol aset rel digital berbasis IoT memiliki
potensi luar biasa untuk meningkatkan efisiensi pemeliharaan, mencegah
kerusakan aset, memastikan keandalan layanan kereta api, mengurangi biaya
perawatan, dan meningkatkan keselamatan tenaga kerja dan penumpang.
Berdasarkan premis ini, dapat diakui bahwa implementasi IoT memiliki potensi
manfaat yang luar biasa untuk manajemen aset kereta api, terlepas dari manfaat
potensial tersebut, implementasi IoT untuk pemeliharaan aset kereta api
memerlukan pemahaman yang baik tentang peluang dan risiko yang terlibat
dalam implementasi IoT [15]. Selain itu, desain dan pengembangan sistem IoT
untuk keefektifan optimal dapat menjadi tantangan terutama untuk industri
berisiko seperti perkeretaapian [16]. Peluang potensial untuk menerapkan
teknologi IoT di kereta api bergantung pada kemampuannya untuk pengumpulan
dan pemrosesan data secara real-time [17]. Oleh karena itu, relevan untuk
menjawab pertanyaan penelitian berikut: (RQ-1) apa saja bidang masalah dalam
pemeliharaan aset kereta api? (RQ-2) apa area masalah prioritas untuk
implementasi IoT? (RQ-3) bagaimana IoT dapat diimplementasikan untuk
pemeliharaan aset kereta api?
Berdasarkan hal tersebut di atas, penelitian ini bertujuan untuk merumuskan
strategi implementasi yang ditargetkan pada pengembangan solusi terintegrasi
untuk pemantauan kondisi aset kereta api dan pemeliharaan prediktif.
Sehubungan dengan itu, tujuan khusus dari penelitian ini adalah untuk:
1. Mengidentifikasi area prioritas penerapan internet of things dalam
pemeliharaan aset perkeretaapian.
2. Merumuskan strategi menggunakan teknologi digital yang memungkinkan untuk
menerapkan IoT dalam pemeliharaan aset kereta api.
Studi ini mengadopsi metodologi kualitatif melalui dua putaran
lokakarya kelompok fokus yang diadakan dengan insinyur inovasi ahli dalam
pemeliharaan aset kereta api, dan peneliti ahli dalam teknologi digital.
Analisis konseptual dilakukan untuk mengidentifikasi peluang potensial,
pendukung, dan hambatan implementasi pemeliharaan aset kereta api
berbasis IoT.
2. Internet of things dan pemeliharaan aset kereta api
Pemantauan dan pemeliharaan aset kereta api tetap menjadi salah satu tantangan
penting yang dihadapi infrastruktur kereta api dalam hal efektivitas biaya, keselamatan
tenaga kerja, dan efisiensi operasional [18]. Penyebab utama dari tantangan kritis ini
adalah kurangnya informasi yang memadai dan tepat waktu untuk merencanakan
operasi pemeliharaan yang efisien, yang sering mengakibatkan keterlambatan respons
terhadap aset yang rusak, gangguan operasi yang tidak terjadwal, dan penundaan
layanan kereta api [1]. Kedua, sarana akuisisi data untuk memahami kondisi aset
perkeretaapian masih berisiko, operator aset perkeretaapian masih memasuki zona
bahaya untuk melakukan pemeriksaan dan pemeliharaan aset perkeretaapian [19].
Situasi saat ini memerlukan pengembangan pendekatan baru untuk memastikan kondisi
kerja yang benar-benar aman bagi operator aset kereta api dan memberikan layanan
yang andal kepada pengguna aset kereta api.
Dalam hal prioritas peningkatan, penumpang kereta api memilih ketepatan
waktu, keandalan, dan waktu perjalanan sebelum pengalaman di dalam kereta,
pengalaman di stasiun, dan tiket/harga [20]. Dengan 1,718 miliar perjalanan di
jaringan rel Inggris pada tahun 2016 ditambah dengan proyek perluasan jaringan
rel lebih lanjut seperti High Speed 2 (HS2), ketepatan waktu dan
2
Otomasi dalam Konstruksi 122 (2021) 103486
keandalan layanan kereta api diperlukan untuk memenuhi meningkatnya
kebutuhan akan peningkatan kapasitas transportasi kereta api [3]. Secara
umum, keandalan layanan kereta api bergantung pada kinerja aset kereta
api seperti rel, stasiun, listrik, komunikasi, dan fasilitas persinyalan [21,22].
Memahami kinerja aset rel memungkinkan praktik pemeliharaan pre-
emptive, namun, itu juga memerlukan pengumpulan informasi yang
konsisten dan berkelanjutan tentang kondisi aset saat ini dan kemungkinan
di masa depan [23]. Konsekuensinya, ada kebutuhan untuk akuisisi data,
analitik agregasi, dan manajemen yang lebih luas [24,25].
2.1. Area masalah dalam pemeliharaan aset kereta api
Sebagai bagian dari upaya pengembangan strategi teknis
perkeretaapian untuk periode kontrol 6 (CP6: 2019–2024), Jaringan Rel telah
menerbitkan sejumlah pernyataan tantangan untuk area prioritas penelitian
dan pengembangan. Network Rail adalah pemilik dan operator jaringan
kereta api utama Inggris, dan mengelola infrastruktur kereta api termasuk
sekitar 20.000 mil jalur kereta api, ribuan terowongan, sinyal, perlintasan
dan titik, sekitar 30.000 jembatan dan 20 stasiun terbesar di Inggris,
Skotlandia dan Wales [26,27]. Rencana bisnis strategis Jaringan Rel untuk
CP6 difokuskan pada pencapaian berbagai target untuk memastikan
perkeretaapian yang aman, andal, efisien, dan berkembang [27].
Sebagai bagian dari kegiatan studi ini, beberapa “Pernyataan Tantangan
Rel Jaringan” ditinjau untuk memahami sepenuhnya ruang lingkup dan
kebutuhan penelitian bidang masalah Rel Jaringan. Setelah peninjauan,
sembilan area masalah dipilih dengan cara menghindari area masalah
serupa dan mencakup area sebanyak mungkin. Ringkasan area masalah
yang dipilih diberikan diTabel 1.
Singkatnya, kelemahan umum dari pendekatan saat ini adalah kurangnya cara
yang efisien untuk secara konsisten memperoleh informasi terkini tentang kondisi
aset kereta api, yang memengaruhi kemungkinan untuk memberikan intervensi
tepat waktu terhadap aset yang gagal dan mengarahkan tenaga kerja
pemeliharaan kereta api ke operasi berisiko. di zona bahaya. Peluang untuk
mencocokkan area masalah saat ini dalam pemeliharaan aset kereta api dengan
solusi digital dalam sistem berbasis IoT disusun sebagai tujuan dari penelitian ini
karena potensi transformasional yang sangat besar yang terletak pada sistem
berbasis IoT untuk pemeliharaan aset kereta api.
2.2. Sistem berbasis IoT untuk pemeliharaan aset rel
Aplikasi berbasis IoT dirancang untuk otomatisasi akuisisi informasi,
pembuatan akal, dan kontrol aset fisik [28]. Seperti yang tertera diGambar 1,
sistem IoT biasanya terdiri dari empat tingkat data dan aliran kontrol antara
perangkat fisik dan aplikasi IoT [29]. Empat level tersebut mencakup
perangkat fisik seperti sensor dan aktuator untuk akuisisi data dan kontrol
aset, perangkat gateway IoT untuk agregasi atau pemisahan data, Teknologi
Informasi (TI) tepi/kabut dan Teknologi Operasional (OT) untuk pemrosesan
data, analitik, dan kontrol, dan terakhir, aplikasi IoT teknologi cloud untuk
manajemen data dan kontrol [30,31]. Sistem IoT mencakup interaksi
perangkat keras, perangkat lunak, jaringan, dan komponen komunikasi
yang disinkronkan untuk menyediakan kecerdasan waktu nyata dan kendali
atas aset fisik dan lingkungan [32]. IoT telah digunakan untuk memberikan
informasi sadar konteks bagi pengguna dalam pengaturan industri
manufaktur [33]. Alexopoulos et al., [34] menyimpulkan bahwa arsitektur
sistem IoT Industri memiliki beberapa karakteristik umum seperti arsitektur
berlapis, pendekatan berbasis peristiwa, dan sadar konteks.
Tujuan yang diinginkan dalam pemeliharaan aset kereta api adalah
kemampuan untuk menangkap informasi tepat waktu tentang kondisi aset
dan meredakan prosedur pemeliharaan atau mengotomatiskan kontrol,
perbaikan, atau penggantian komponen aset tersebut. Sasaran ini selaras
sempurna dengan kemampuan inti sistem IoT, yang dapat memastikan
konektivitas ke miliaran perangkat keras seperti sensor, aktuator, dan alat
pengguna untuk pemantauan, manajemen, dan kontrol aset kereta api [35].
Perangkat keras IoT terhubung melalui infrastruktur perangkat lunak,
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Tabel 1
Kekurangan pendekatan pemeliharaan saat ini (Sumber: Network Rail).
Area masalah
1 Deteksi kegagalan aset
geoteknik dengan cara
selain pengemudi kereta
api atau staf garis
2 Aset cerdas dan
pemantauan kondisi
3 Aset pinggir jalan
pengelolaan
4 Aman dan efektif
inspeksi garis
5 Mengaktifkan transisi ke
memprediksi dan mencegah
rezim pemeliharaan
6 Inspeksi otomatis
dan pemeliharaan
aktivitas untuk memindahkan
tenaga kerja dari area berisiko
tinggi dan meningkatkan
fenomena, yang dapat diatasi melalui metodologi kualitatif [40]. Metodologi
kualitatif mengandalkan teknik seperti wawancara dan kelompok fokus,
Pendekatan saat ini Kekurangan untuk mengumpulkan data subyektif dari individu untuk memahami
berbagai perspektif dari suatu fenomena.41,42].Gambar 2menunjukkan
• Inspeksi manual • Subjektif dan
oleh pemeriksa situs terkadang tidak dapat diandalkan
kerangka metodologis yang diusulkan untuk penyelidikan kualitatif dalam
• Laporan dari masinis kumpulan data penelitian ini, yang melibatkan dua lokakarya kelompok fokus, analisis
kereta api • Keterlambatan identifikasi penelitian berbasis laboratorium dan pertemuan tindak lanjut, dan
• Pengumpulan data aset yang gagal
digunakan untuk mengembangkan strategi implementasi IoT dalam
untuk proyek tertentu • Kurangnya
pemeliharaan aset kereta api. Untuk menjawab RQ-1, lokakarya pertama
pemahaman holistik
• Temukan dan perbaiki • Mitigasi yang terlambat
diadakan untuk mengevaluasi beberapa bidang masalah (lihatbagian 2.1)
mendekati dari kegagalan aset dalam pemeliharaan aset kereta api dan untuk memprioritaskan area
• Perbaikan • Tingginya biaya masalah sesuai dengan kepentingan dan minat yang melekat padanya oleh
pemeliharaan perawatan
peserta ahli kelompok fokus. Lima kelompok fokus dibentuk untuk lokakarya
• Inspeksi manual • Kurangnya
• Aset elips tindakan proaktif
pertama dan juga lokakarya kedua, yang diadakan untuk menjawab RQ-2.
tempat penyimpanan persediaan • Kurangnya informasi Lima kelompok fokus masing-masing terdiri dari empat individu dengan
tepat waktu setidaknya satu operator aset kereta api, pakar pemeliharaan aset kereta
• Inspeksi manual • Kerja tidak aman api, dan pakar teknologi digital.
oleh pekerja pinggir jalan kondisi untuk
Lokakarya kedua digunakan untuk mengumpulkan ide dan konsep
• Tugas berulang pekerja
• Penilaian sebagian • Kualitas data yang buruk implementasi IoT secara spontan dari berbagai perspektif peserta. Dalam
dari kondisi • Kurang kenyang mengidentifikasi konsep prioritas untuk implementasi IoT dalam
pemahaman tentang pemeliharaan aset kereta api, fokus ditempatkan pada penanganan area
kondisi aset
masalah langsung dari pemeliharaan aset kereta api serta manfaat jangka
• Perbaikan • Kurangnya kualitas data
pemeliharaan • Tingginya biaya panjang dari implementasi IoT [43]. Seperti yang disorot dibagian 2.1,
• Ketidakpatuhan dari perawatan sembilan bidang masalah, yang dipilih dari kumpulan pernyataan tantangan
trek yang dibutuhkan • Kurangnya pemeliharaan aset Network Rail, selanjutnya disederhanakan menjadi lima
kemampuan prediksi
akses untuk
bidang masalah melalui aktivitas pemungutan suara sederhana oleh para
pemeliharaan
peserta pada lokakarya kelompok fokus pertama. RQ-3 dijawab melalui tiga
• Manual • Tenaga kerja tinggi
pemeliharaan risiko keamanan
pertemuan lanjutan, yang diadakan untuk memvalidasi hasil lokakarya,
daerah berisiko tinggi dengan • Efisiensi biaya rendah merumuskan strategi implementasi dan mengembangkan arsitektur sistem
tenaga kerja • Tidak berkelanjutan untuk konseptual.
• Metode pengumpulan kereta api yang meningkat

pengambilan data data secara manual jasa

7 Peningkatan penerapan • Gesekan manual • Mengenakan trek 3.1. Desain kelompok fokus
manajemen gesekan untuk pengelolaan • Risiko tinggi dari
mencegah cacat, metode penggelinciran

penggelinciran dan memperpanjang • Laporan oleh

Kelompok fokus direkrut sebagai bagian dari proses keterlibatan pemangku
kehidupan rel masinis kereta kepentingan untuk proyek di mana studi ini dilakukan. Para pemangku
8 Railhead jongkok • Perbaikan • Harga tinggi kepentingan dipilih dari tiga kelompok utama, yang meliputi: ahli pemeliharaan
pemeliharaan implikasi
aset kereta api, operator aset kereta api, dan pengembang teknologi digital.
• Analisis penyebab yang • Risiko kereta api
Beberapa kriteria pra-pemilihan ditetapkan untuk memastikan bahwa peserta
buruk kecelakaan
9 Ulang-profil rel untuk • Metode manual untuk • Yang tinggi kelompok terarah memiliki pengetahuan yang diperlukan untuk tujuan penelitian
menghilangkan cacat dan memperbaiki Kontak Rel pengembangan RCF ini. Kriteria pra-pemilihan termasuk keahlian di salah satu kelompok pemangku
memperpanjang umur rel Kelelahan (RCF) cacat kepentingan, pengalaman minimal tiga tahun, dan pengetahuan sebelumnya
• Tingginya biaya
tentang pemeliharaan aset kereta api. Setiap kelompok fokus menyertakan
rerailing site dengan
cacat RCF yang parah setidaknya satu peserta dari setiap kelompok pemangku kepentingan untuk
memastikan heterogenitas dan konvergensi pendapat dari berbagai perspektif.
Lima bidang masalah yang dipilih digunakan untuk mengelompokkan
yang dicirikan oleh tiga komponen utama yaitu; model dunia maya, peserta lokakarya ke dalam lima kelompok fokus. Meskipun peserta
analitik data besar, dan aplikasi IoT [36]. Komponen model dunia maya kelompok fokus memiliki pengetahuan sebelumnya tentang bidang masalah
digambarkan sebagai representasi virtual dari aset fisik, sedangkan pemeliharaan aset kereta api, kegiatan kelompok fokus dimulai dengan
analitik data besar dan komponen aplikasi perangkat lunak penilaian kembali bidang masalah untuk wawasan baru dan
bertanggung jawab mengubah data menjadi informasi yang berguna mengidentifikasi solusi potensial dalam domain implementasi IoT. Kegiatan
dan menentukan fungsionalitas sistem IoT [37,38]. kelompok fokus lainnya termasuk identifikasi peluang implementasi IoT,
Ada banyak kasus penggunaan yang ada dan potensial untuk implementasi hambatan potensial, dan teknologi pendukung.
IoT dalam beberapa aspek pemeliharaan aset kereta api, namun, ada kekurangan
studi, yang menawarkan strategi implementasi untuk sistem berbasis IoT holistik
dalam pemeliharaan aset kereta api. Ini merupakan kesenjangan pengetahuan 3.2. Pengumpulan data

yang dieksplorasi studi ini melalui pendekatan kualitatif untuk mengatasi area
masalah dalam pemeliharaan aset kereta api melalui implementasi IoT.
3. Metodologi
Penelitian ini mengadopsi metodologi kualitatif, yang ditopang oleh
subjektivisme [39]. Sikap filosofis subjektivis diadopsi karena proses pemeliharaan
aset kereta api terutama digerakkan oleh manusia dan didukung oleh teknologi.
Oleh karena itu, penting untuk mempertimbangkan penerapan IoT untuk
pemeliharaan aset kereta api sebagai sosio-teknis
Studi ini memastikan triangulasi sumber data untuk meningkatkan
keandalan data yang diperoleh dan validitas dari pendekatan metodologis
yang diusulkan. Memastikan triangulasi dalam sumber data juga melampaui
triangulasi dalam analisis dan memastikan ketahanan metodologi secara
keseluruhan dalam penelitian kualitatif. Tiga teknik data utama yaitu.
pemetaan konsep, perekaman audio, dan pencatatan digunakan untuk
menangkap konsep teknologi, fisik, dan sosio-ekonomi dari implementasi
IoT dalam pemeliharaan aset kereta api. Data kelompok fokus dikumpulkan
dan digunakan sesuai dengan pedoman etika penelitian dan Peraturan
Perlindungan Data Umum (GDPR).

3
A.-Q. Gbadamosi et al.
Gambar 1.Aliran data dan aliran kontrol dalam arsitektur Sistem IoT.
3.3. Pemetaan konsep
Konsep dan tautan awalnya dibentuk oleh masing-masing kelompok fokus
dengan menggunakan beberapa catatan tempel berwarna pada poster dinding.
Lima pertanyaan kunci diajukan, dan model tautan konsep ditampilkan diGambar
3digunakan untuk membentuk link. Lima pertanyaan kunci meliputi: (1) apa arti
layanan pemeliharaan yang ideal bagi Anda; (2) apa solusi potensial untuk
mencapai situasi ideal ini; (3) apa peluang implementasi IoT untuk mencapai solusi
ini; (4) apa saja potensi hambatan implementasi; (5) apa saja faktor pendukung
potensial dari peluang ini.Gambar 3menunjukkan model pemetaan konsep yang
digunakan untuk membentuk keterkaitan antar konsep. Alat pemodelan
konseptual digunakan untuk melaksanakan analisis domain, pusat dan cluster dari
konsep tersebut.
4. Hasil dan analisis
Untuk memilih lima bidang masalah dalam pemeliharaan aset kereta api
untuk diskusi kelompok terarah, sembilan bidang masalah dibandingkan
menggunakan latihan prioritas sederhana oleh peserta kelompok terarah.Gambar
4menunjukkan lima area masalah yang dipilih (hijau). Tiga area masalah yang
ditunjukkan dengan warna merah tidak dipilih karena memiliki dua suara atau
kurang, meskipun item ketiga (manajemen aset sisi garis), yang memiliki 1 suara,
digabung dengan item empat karena kesamaan konteks.
Dalam penelitian ini, tiga jenis data kualitatif termasuk peta konsep,
rekaman audio, dan catatan dikumpulkan dari lokakarya kelompok
terarah. Rekaman audio ditranskrip dan dianalisis menggunakan Nvivo
untuk mengidentifikasi tema yang muncul sementara peta konsep
dikembangkan dan dianalisis menggunakan alat penjelajah keputusan
Banxia. Ini mencakup peluang penerapan IoT dalam pemantauan aset
rel, tantangan penerapan IoT, dan solusi potensial untuk mengatasi
tantangan ini.
Distribusi peserta dalam lima kelompok fokus ditunjukkan padaMeja 2,
sesuai dengan bidang masalah yang dibahas pada kelompok fokus pertama.
Area masalah dan kelompok fokus dipertahankan untuk sesi awal lokakarya
kelompok fokus kedua, namun, rotasi lintas kelompok
4
Otomasi dalam Konstruksi 122 (2021) 103486
dilakukan untuk mengidentifikasi konsistensi, mengklarifikasi, dan mencapai
konsensus tentang konsep prioritas penerapan IoT sebagaimana dibahas di
seluruh kelompok fokus. Data yang dikumpulkan selama kegiatan kelompok fokus
dianalisis dan digunakan untuk merumuskan strategi implementasi IoT melalui
pertemuan tindak lanjut dengan para peserta.
4.1. Pemodelan konseptual
Pemodelan konseptual merupakan sarana penting perumusan strategi
antara analis sistem informasi dan pengguna akhir [44]. Biasanya, peta
konsep terdiri dari simpul dan tautan, yang menandakan konsep dan
hubungan di antara mereka masing-masing [45]. Pemetaan konsep
merupakan salah satu teknik perumusan strategi dalam pengembangan
sistem informasi [46]. Muncul dari teori konstruksi pribadi, pemetaan
konsep digunakan untuk membuat konsep dan memvisualisasikan persepsi
dan pandangan orang yang berkaitan dengan pertanyaan penelitian [47].
Secara khusus, untuk akuisisi data kelompok fokus, pemetaan kognitif
mempromosikan pemahaman umum tentang pengaruh ide-ide individu
pada pertanyaan penelitian, memeriksa kembali dan membuat hubungan
baru antara konsep melalui kegiatan konsensus.48].
Pemodelan konsep dilakukan dalam alat penjelajah keputusan Banxia, yang
memungkinkan pemetaan data konsep yang dihasilkan oleh berbagai kelompok
fokus dalam model yang komprehensif.Gambar 5menunjukkan model konseptual
komprehensif yang dikembangkan dari lokakarya kelompok terarah. Sebanyak
151 konsep termasuk situasi ideal, solusi potensial, peluang implementasi,
hambatan potensial, dan pendukung dikembangkan dalam model. Model tersebut
menunjukkan bagaimana konsep muncul melalui teknik yang dijelaskan dalam
Gambar 4. Alat pemodelan konseptual digunakan untuk melaksanakan analisis
domain, pusat dan cluster dari konsep tersebut. (Melihat Gambar 6.)
4.2. Analisis domain
Analisis domain digunakan untuk mengkaji pentingnya suatu konsep berdasarkan
banyaknya konsep lain yang memiliki kaitan langsung dengan suatu konsep tertentu
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Gambar 2.Usulan Kerangka Metodologi Penyelidikan Kualitatif.

pemeliharaan aset serta skor domain disajikan diTabel 3 menurut

analisis domain.
Untuk memastikan validitas pendekatan analitis ini, pendekatan lain
yang dikenal sebagai analisis sentral dilakukan. Konsep yang dicetak tebal
dengan tanda bintang adalah umum untuk analisis domain dan pusat,
konsep ini dianggap sebagai prioritas inti untuk penelitian ini.

4.3. Analisis pusat

Berbeda dengan analisis domain yang digunakan untuk mengkaji prioritas

konsep berdasarkan jumlah keterkaitan langsung dengan konsep lain, analisis
pusat digunakan untuk mengkaji tingkat kepentingan konsep yang lebih dalam
dengan mempertimbangkan pentingnya lapisan-lapisan yang berurutan. konsep
terkait [47].Tabel 4menunjukkan 20 konsep prioritas teratas menurut analisis
pusat dan mengungkapkan 45% kesepakatan dengan analisis domain dengan
konsep prioritas inti, yang terjadi di analisis domain dan pusat, ditunjukkan
dengan huruf tebal dan tanda bintang.
Selain mengungkap 9 konsep prioritas inti, analisis pusat juga
menempatkan 5 dari 9 konsep prioritas inti sebagai konsep prioritas inti
teratas dalam 100% kesesuaian dengan analisis domain, namun urutan
prioritas dari 5 konsep prioritas inti teratas bervariasi antara keduanya.
analisis seperti yang ditunjukkan padaTabel 3 dan 4. Analisis terakhir yang
dilakukan terhadap model konseptual adalah analisis cluster.
Gambar 3.Teknik pemodelan konseptual implementasi IoT.

dan mengembalikan konsep dengan jumlah tautan tertinggi [47. Analisis 4.4. Analisis klaster
domain untuk peta konsep komprehensif dilakukan menggunakan
fungsionalitas analisis dalam alat penjelajah keputusan Banxia. Daftar dua Analisis klaster adalah teknik untuk mengklasifikasikan konsep dengan fokus yang

puluh konsep prioritas teratas untuk penerapan IoT di kereta api sama atau serupa [49]. Konsep-konsep diklasifikasikan ke dalam area fokus berdasarkan
kesamaan dalam konteks dan koneksi yang ditarik dari konsep tersebut

5
A.-Q. Gbadamosi et al.
Gambar 4.Pemilihan prioritas bidang masalah berdasarkan pemungutan suara sederhana oleh peserta.
peta [50]. Menggunakan teknik klaster, lima area fokus utama, yang
konsisten dengan konsep prioritas inti paling atas dari domain dan analisis
pusat, diidentifikasi dalam analisis klaster. Lima area fokus yang
diidentifikasi meliputi: (1) memungkinkan pemeliharaan prediktif; (2)
mengembangkan lingkungan data umum (3) memungkinkan akses jarak
jauh dan pemeriksaan aset (4) memungkinkan pemantauan kondisi aset
secara real-time (5) otomatisasi aktivitas pemeliharaan.Gambar. 7 dan 8
menunjukkan cluster 1 dan cluster 2 masing-masing.
4.5. Analisis tematik
Analisis tematik dilakukan untuk mengkonsolidasikan hasil yang
diperoleh dari analisis model konseptual, mendapatkan pemahaman lebih
lanjut tentang konteks konsep yang diidentifikasi dan memastikan validitas
pendekatan kualitatif yang diusulkan. Data audio yang diperoleh dari
lokakarya kelompok fokus ditranskrip menggunakan Perangkat Lunak NVivo
12. Karena lima bidang fokus yang ada sudah tersedia, tidak ada upaya
untuk merumuskan tema baru atau tambahan, namun validitas bidang
fokus yang ada diuji dengan mencoba menemukan konsep tambahan dalam
transkrip yang tidak relevan dengan tema. lima area fokus. Tidak ada
konsep tambahan yang ditemukan tidak tertangkap atau tidak relevan
dengan area fokus dan sebagai hasilnya, model konseptual dianggap cocok
sebagai pendekatan kualitatif yang dapat diandalkan.
Selanjutnya, transkrip digunakan untuk melacak kelompok fokus di
mana konsep muncul atau terjadi dan untuk mengkonsolidasikan konteks
konsep dalam mengembangkan strategi implementasi.Tabel 5menunjukkan
daftar konsep terkonsolidasi serta kelompok fokus tempat konsep muncul.
Bagian berikut menyajikan strategi implementasi yang diusulkan untuk IoT
di industri perkeretaapian Inggris untuk aset
6
Otomasi dalam Konstruksi 122 (2021) 103486
pemeliharaan.
5. Usulan strategi implementasi internet of things dalam
pemeliharaan aset kereta api
FGD ini melibatkan peserta dari Network Rail. Network Rail memiliki dan
mengoperasikan jaringan kereta api utama Inggris, dan sebagai bagian dari
Rencana Bisnis Strategis untuk Periode Kontrol 6 (yaitu 2019 hingga 2024),
rencana jaringan kereta api untuk mengaktifkan infrastruktur cerdas melalui
pemeliharaan prediktif. Inti dari penelitian ini adalah untuk merumuskan
strategi implementasi Internet of Things (IoT) untuk mewujudkan tujuan
infrastruktur cerdas. Studi ini terutama berfokus pada pengembangan
strategi jangka panjang melalui keterlibatan pakar industri kereta api.
Setelah analisis data, diadakan tiga pertemuan lanjutan. Pertemuan
pertama diadakan dengan tujuan untuk memvalidasi hasil analisis data
kelompok terarah. Area prioritas inti, yang diidentifikasi dari analisis
data kelompok fokus, divalidasi oleh 5 ahli operasi aset kereta api.
Pertemuan lanjutan kedua melibatkan 8 peserta termasuk 4 inovator
teknologi digital dan 4 inovator pemeliharaan aset kereta api. Para
peserta pertemuan melakukan sesi brainstorming untuk
menghubungkan bidang-bidang prioritas inti bersama-sama sebagai
sebuah sistem dengan teknologi digital yang memungkinkan.
Pertemuan tindak lanjut ketiga melibatkan perumusan strategi
implementasi oleh 6 peserta, yang juga terlibat dalam tahap analisis
data penelitian ini.Gambar 8menunjukkan strategi implementasi untuk
pemeliharaan aset rel IoT.
Lima area fokus dari strategi implementasi yang diusulkan ini meliputi: (i)
memungkinkan pemeliharaan prediktif; (ii) mengembangkan kesamaan
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Meja 2 lingkungan data; (iii) memungkinkan akses jarak jauh dan pemeliharaan
Deskripsi bidang masalah fokus dan keahlian peserta. aset; (iv) mengaktifkan pemantauan kondisi aset secara real-time, dan (v)
FG- Area masalah Keterangan Tidak dari Keahlian dari mengotomatiskan aktivitas pemeliharaan. Ruang lingkup makalah ini
PENGENAL peserta peserta (ID) terbatas pada proposisi implementasi; namun, penelitian lebih lanjut saat ini
FG- Deteksi dari Penggunaan LIDAR 4 A. Inovasi kereta api
sedang dilakukan untuk mengembangkan arsitektur sistem dan prototipe
1 Geoteknik scan untuk menilai manajer (P1A) kerja untuk sistem berbasis IoT untuk pemeliharaan aset kereta api.
Kegagalan Aset oleh dan pantau B. Rekan
berarti lain Perubahan dalam profesor besar Teknologi digital berikut, yang dijelaskan sehubungan dengan area
daripada Kereta geoteknik analitik data
fokus dari strategi yang diusulkan di bagian selanjutnya, muncul sebagai
driver atau aktiva dan AI (P1B)
staf pinggir jalan Menyeberang- C.Penelitian teknologi yang memungkinkan strategi implementasi IoT untuk
data disipliner rekanan di IoT pemeliharaan aset kereta api: (a) kecerdasan buatan; (b) augmented reality
penggunaan untuk memantau untuk aset Rel (c) komputasi tepi, kabut dan awan (d) robotika, dan; Pemodelan Informasi
lintas tingkat pengelolaan
Aset (AIM). Terbukti, penerapan sistem berbasis IoT terintegrasi bersama
fitur aktif (P1C)
tanggul. D. Sistem kereta api
dengan teknologi pendukung yang terdaftar di industri perkeretaapian
dan teknologi Inggris memerlukan pilihan investasi yang cermat untuk perangkat keras,
insinyur (P1D) perangkat lunak, dan infrastruktur jaringan yang besar.
FG- Cerdas Meningkatkan aset 4 A. Kepala Layanan Selain sensor dan aktuator perangkat keras IoT, yang memiliki kemampuan
2 Aset dan pengelolaan IoT dan Data
komputasi tepi yang diperlukan untuk berinteraksi dengan aset kereta api untuk
Kondisi mengolah dan melatih (P2A)
Pemantauan jadwal pelayanan B.Bisnis aktivitas seperti pemantauan sirkuit trek dan keterangan gambar tumbuhan yang
keandalan perkembangan melanggar batas, ada juga persyaratan perangkat keras untuk gerbang IoT dan
Mengurangi memimpin (P2B) perangkat penyimpanan untuk mengaktifkan komputasi kabut dan awan serta
jumlah kereta api C. Rekan
untuk robotika dan teknologi imersif. Terlepas dari kompleksitas yang terkait
penundaan/ profesor di Besar
pembatalan dan aplikasi data
dengan komponen strategi implementasi yang diusulkan dalam studi ini,
mengurangi perkembangan pendekatan berprinsip telah diambil dalam studi ini untuk menghubungkan
pemeliharaan (P2C) output utama yang dapat dieksploitasi dalam strategi yang diusulkan.
biaya D.Penelitian Subbagian berikut berisi pembahasan tentang area fokus dari strategi
bergaul di
implementasi yang diusulkan dalam kaitannya dengan konsep prioritas dan
melingkupi
teknologi teknologi digital yang memungkinkan.
dan Data Besar
aplikasi 5.1. Mengaktifkan pemeliharaan prediktif menggunakan mode kegagalan aset IoT dan Rail
perkembangan
(P2D)
FG- Aman dan Data baru 4 A. Kepala rel
3 efektif sumber untuk aman penjaminan (P3A) Mengaktifkan pemeliharaan prediktif aset kereta api melalui sensor IoT dan
sisi garis dan efektif B. Inovasi mode kegagalan historis aset kereta api adalah konsep paling penting dari analisis
inspeksi inspeksi manajer (P3B)
pusat dengan 38 dari 73 konsep, yang menjadikan pemeliharaan prediktif sebagai
metode C. Rekan
peluang sentral untuk penerapan IoT dalam pemeliharaan aset kereta api. Pakar
profesor di
Mesin kelompok fokus mengidentifikasi peluang untuk merevolusi pendekatan
pembelajaran (P3C) pemeliharaan saat ini seperti 'temukan dan perbaiki' menjadi pendekatan yang
D. Rekayasa lebih proaktif seperti 'prediksi dan cegah' (Network Rail, 2019). Berdasarkan
Manajer (P3D)
ketersediaan data historis mode kegagalan aset kereta api, akan menguntungkan
FG- Otomatisasi Integrasi dari 4 A.Strategis
4 pemeriksaan dan data yang berbeda perkembangan
untuk mengidentifikasi pendekatan yang akan meningkatkan deteksi otomatis
pemeliharaan sumber dan manajer (P4A) potensi kegagalan menggunakan aplikasi gabungan teknik pembelajaran mesin
kegiatan ke tambahan B. Berkelanjutan dan data dari sensor IoT.
Hapus insinyur
wawasan tentang
Seorang ahli dalam IoT dan layanan data di FG-2 mendukung pentingnya
tenaga kerja dari data yang ada untuk manajer (P4B)
mendigitalkan dan mengeksploitasi banyak data yang ada dari kegagalan aset rel
daerah berisiko tinggi kondisi terpencil C. Kepala rel
dan ditingkatkan pemantauan dan rekayasa untuk memungkinkan pemeliharaan prediktif. Argumen ini juga muncul dari FG-3,
penangkapan data prediktif (P4C) di mana seorang manajer inovasi rel berpendapat bahwa;“penting untuk
pemeliharaan D. Rekan mengintegrasikan riwayat lengkap data kegagalan rel seperti Fault Management
profesor di Besar
System FMS-2000 dan mempelajari mode kegagalan untuk memeriksa
data dan
palsu kemampuan sensor IoT untuk mendeteksi kegagalan tersebut, dan persyaratan
intelijen sistem IoT apa yang diperlukan untuk memantau pola kegagalan tersebut ”.
(P4D) Artinya kecenderungan suatu aset gagal di masa depan dapat disimpulkan bila
E.Solusi variabelnya sama. Data kegagalan historis akan meningkatkan pengembangan
Arsitek (P4E)
sensor perangkat keras IoT yang memiliki kemampuan untuk mengukur berbagai
FG- Mengaktifkan Keamanan yang lebih baik 4 A. Rekayasa
5 transisi ke dari memeriksa Manajer (P5A) parameter dan membandingkannya dengan kumpulan data yang ada untuk
memprediksi dan daerah berisiko tinggi B.Penelitian menemukan sedikit perbedaan dalam kondisi aset rel. Seorang peneliti
mencegah Mengembangkan Rekan di kecerdasan buatan di FG-5 menambahkan bahwa pengembangan teknik
pemeliharaan teknologi untuk Palsu
pembelajaran mesin canggih seperti pembelajaran mendalam dapat memfasilitasi
rezim mengotomatisasi dan Intelijen untuk
mekanik Konstruksi pemeliharaan prediktif. Ini berarti bahwa penerapan IoT tidak hanya akan
inspeksi (P5B) mengotomatiskan akuisisi data dari aset fisik rel, tetapi juga meningkatkan
proses. C. Lulusan sipil penerapan data tersebut untuk menandai sedikit variasi antara kumpulan data
Data yang ditingkatkan insinyur (P5C) dan mengidentifikasi tanda peringatan dini.
koleksi dan D. Karbon senior
Banyak peserta berpendapat bahwa pemeliharaan prediktif ada di industri
analitik. manajer (P5D)
kereta api. Misalnya, Kereta Pengukuran Baru (NMT) Jaringan Rel memiliki
kemampuan untuk mengidentifikasi tanda-tanda peringatan dini pada kesalahan
trek seperti putaran trek, puncak siklik, dan masalah dengan alat pengukur. NMT

7
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Gambar 5.Model konseptual yang komprehensif (jumlah total 151 konsep).

Gambar 6.Cluster 1 (Mengaktifkan pemeliharaan terjadwal prediktif).

dapat melakukan perjalanan hingga kecepatan 125 mph dan menangkap sekitar
10 TB data setiap 440 mil (Network Rail, 2017). NMT mengaktifkan Pengenalan
Pola Garis Biasa (PLPR), yang menggunakan analisis gambar untuk
mengidentifikasi kesalahan pada trek melalui sensor laser dan kamera. Peserta
mengakui bahwa inovasi seperti PLPR penting dalam memungkinkan
pemeliharaan prediktif di kereta api, namun peserta FG-1 mencatat bahwa inovasi
tersebut tidak boleh berbasis disiplin, katanya.“penerapan PLPR dapat diperluas
untuk pemantauan aset geoteknik karena beberapa patahan lintasan dihasilkan
dari perubahan kondisi geoteknik...kondisi tanah dapat
dipantau dengan mengintegrasikan kumpulan data seperti gambar yang dipindai dan
parameter tanah untuk menandai potensi kegagalan aset geoteknik”. Hal ini membuat
alasan untuk mengadopsi pendekatan implementasi IoT, yang mempromosikan
desentralisasi data dan memungkinkan pemeliharaan prediktif terintegrasi dari seluruh
sistem kereta api. Para peserta sepakat bahwa penerapan IoT dalam pemeliharaan aset
kereta api memerlukan pendekatan holistik untuk memastikan bahwa industri kereta api
memaksimalkan semua bentuk data IoT yang diperoleh untuk aplikasi di seluruh industri
untuk pemeliharaan aset kereta api prediktif.

8
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Tabel 3 Tabel 4
20 Konsep Prioritas Teratas menurut Analisis Domain. 20 konsep sentral teratas dari model konseptual.

TIDAK. 20 Konsep Prioritas Teratas menurut Analisis Domain Domain TIDAK. 20 area prioritas teratas untuk implementasi IoT dalam layanan Skor tengah
skor kereta api

1 110 Menciptakan lingkungan data umum di seluruh industri 27 tautan 1 116 Aktifkan pemeliharaan aset prediktif melalui 38 dari 73
kereta api *** pembelajaran mesin *** konsep
2 116 Mengaktifkan pemeliharaan aset prediktif melalui 19 tautan 2 144 Otomasi inspeksi dan pemeliharaan aset 35 dari 67
pembelajaran mesin*** kereta api *** konsep
3 118 Pemantauan kondisi waktu nyata menggunakan sensor IoT *** 19 tautan 3 118 Pemantauan kondisi waktu nyata menggunakan sensor IoT 34 dari 62
4 144 Otomatisasi kontrol dan pemeliharaan aset menggunakan 18 tautan *** konsep
robotic-IoT *** 4 110 Menciptakan lingkungan data umum di seluruh 31 dari 39
5 38 Inspeksi jarak jauh menggunakan augmented reality yang dapat 15 tautan industri kereta api *** konsep
dikenakan IoT *** 5 38 Inspeksi jarak jauh menggunakan augmented reality yang dapat dikenakan 26 dari 47
6 9 Menghubungkan data pemeliharaan dengan penyimpanan komponen 5 tautan IoT *** konsep
7 65 Mendigitalkan dan mengintegrasikan informasi aset yang ada *** 5 tautan 6 143 Adopsi Pemodelan Informasi Bangunan *** 22 dari 44
8 115 Deteksi kesalahan otomatis menggunakan sensor IoT 143 Adopsi 5 tautan konsep
9 Pemodelan Informasi Bangunan *** 31 Pembelajaran mesin untuk 5 tautan 7 32 Mengintegrasikan teknologi yang dapat dikenakan dengan augmented reality 20 dari 42
10 prediksi kondisi 4 tautan konsep
11 33 Pantau kinerja aset menggunakan sensor IoT tertanam 102 4 tautan 8 111 Menggabungkan sensor BIM, VR, dan IoT 19 dari 42
12 Pantau parameter tanah geoteknik menggunakan perangkat IoT 4 tautan konsep
13 147 Optimalisasi operasi layanan menggunakan sistem IoT 4 tautan 9 20 Memperbaiki monitor aset LiDAR ke rolling stock 19 dari 42
*** konsep
14 7 Mengidentifikasi pola kegagalan melalui pembelajaran mesin 3 tautan 10 121 Tingkatkan kecerdasan data melalui aplikasi IoT 18 dari 39
*** konsep
15 46 Digitalisasi kartu catatan 3 tautan 11 104 Mengintegrasikan sensor pabrikan tertanam kereta api ke 18 dari 39
16 24 Asisten ahli jarak jauh menggunakan HoloLens AR 28 3 tautan dalam sistem IoT konsep
17 Pemindaian laser untuk mengoptimalkan akses yang 3 tautan 12 95 Mengintegrasikan sistem manajemen data tim pemeliharaan 18 dari 37
18 tersedia 40 Otomatisasi ujung ke ujung manajemen aset 3 tautan konsep
19 46 Representasi visual aset secara digital 58 Pengenalan 3 tautan 13 68 Gunakan lebih banyak sumber data terbuka 18 dari 39
20 pola garis biasa 3 tautan konsep
14 67 Kumpulkan lebih banyak data menggunakan radar apertur sintetik 18 dari 37
(Catatan: Asterisk menunjukkan Konsep yang umum dalam analisis domain dan interferometrik konsep
pusat) 15 64 Mengintegrasikan informasi desain rel kereta api 18 dari 37
konsep
16 61 Mendigitalkan dan mengintegrasikan laporan geoteknik 18 dari 37
5.2. Mengembangkan lingkungan data umum untuk manajemen aset Rail
konsep
17 147 Optimalisasi operasi layanan menggunakan 17 dari 37
Banyak ahli dari semua kelompok fokus terutama FG-2 berpendapat bahwa sistem IoT *** konsep
pengembangan pemeliharaan aset rel Common Data Environment (CDE), yang 18 65 Mendigitalkan dan mengintegrasikan informasi aset yang ada 17 dari 37
didahulukan dengan 27 tautan dalam analisis domain, merupakan peluang penting *** konsep
19 7 Mengidentifikasi pola kegagalan melalui pembelajaran 17 dari 38
untuk implementasi IoT. CDE, menurut para peserta, akan memungkinkan pendekatan
mesin *** konsep
holistik yang diperlukan untuk pemeliharaan aset rel berbasis IoT dan menawarkan 20 6 Integrasikan alarm ke jadwal perawatan 17 dari 38
transisi yang lancar dari sistem silo data berbasis disiplin saat ini. Seorang manajer teknik konsep
di FG-5 berpendapat demikian“pengumpulan data oleh berbagai disiplin ilmu di industri
perkeretaapian saat ini belum optimal…beberapa disiplin ilmu mengumpulkan dan
infrastruktur rel [51]. Ini berarti bahwa CDE membutuhkan aliran data
menyimpan data untuk digunakan sendiri meskipun data tersebut memiliki relevansi
masuk dan keluar sistem yang memadai untuk representasi yang memadai
dengan disiplin ilmu lain dan dapat meningkatkan sistem pemeliharaan kereta api secara
dari kondisi aset kereta api dan penggunaan data besar yang sesuai untuk
keseluruhan”.
pemeliharaan aset. Seorang peserta FG-3 menegaskan bahwa integrasi
Misalnya, metode pengumpulan dan penyimpanan informasi desain aset dan
jadwal layanan akan bermanfaat untuk optimalisasi akses pemeliharaan
rekam jejak pemeliharaan telah berubah selama bertahun-tahun dan banyak
dengan memantau tren penggunaan aset.
catatan telah hilang atau saat ini ada dengan aplikasi yang diremehkan. Biasanya,
Setelah mengidentifikasi beberapa manfaat penerapan CDE untuk
dalam melaksanakan pemeliharaan prediktif melalui pemantauan kondisi dan
pemeliharaan aset rel berbasis IoT, peserta kelompok fokus mendiskusikan
pembelajaran mesin, penting untuk menggunakan jumlah data yang cukup dan
sumber data yang tersedia dan potensial yang dapat meningkatkan pemeliharaan
diperlukan untuk pengambilan keputusan oleh berbagai disiplin ilmu di industri
aset rel berbasis IoT. Peserta berkontribusi dari berbagai perspektif bahwa, sambil
perkeretaapian [15]. Rekan peneliti dalam pengembangan aplikasi data besar di
memastikan integritas data, semua kumpulan data yang relevan untuk
FG-2 menambahkan bahwa integrasi dataset di berbagai disiplin ilmu dan aset di
pemeliharaan aset kereta api seperti laporan geoteknik, informasi desain aset,
industri kereta api akan menjadi peluang yang menguntungkan untuk
citra satelit, data dari sensor, data manajemen pemeliharaan, jadwal, data
implementasi IoT. Sebagai sarana untuk memastikan kualitas data, integritas, dan
ketersediaan komponen, dan sumber daya pemeliharaan harus diintegrasikan ke
penggunaan data yang diselaraskan lintas disiplin, aplikasi IoT untuk
dalam CDE. Berbeda dengan sistem silo data dari pengumpulan dan penggunaan
pemeliharaan aset rel harus mengintegrasikan berbagai kumpulan data seperti
data berbasis disiplin, CDE akan meningkatkan standardisasi data dan
informasi desain kereta, data sensor tertanam kereta, dan data radar apertur
penggunaan optimal di industri perkeretaapian.
sintetik interferometrik. Seorang peserta FG-4 juga mencatat bahwa penting
untuk mengintegrasikan sistem komunikasi dan informasi staf pemeliharaan ke
dalam CDE untuk memastikan bahwa data dan visualisasi yang relevan dapat 5.3. Memastikan pemantauan jarak jauh terhadap area berisiko tinggi dari aset kereta api

dirujuk dengan cepat dan informasi pemeliharaan dapat dilacak secara real-time.
Lebih lanjut ia menyatakan bahwa“CDE dapat memfasilitasi alokasi sumber daya
pemeliharaan yang optimal dan visualisasi peta panas pemeliharaan yang efisien
melalui data waktu nyata, sumber data terbuka, dan sumber daya yang
bertanggung jawab.”FG-4.
Bukti dari literatur menunjukkan bahwa Pemodelan Informasi Sistem
(SIM) untuk pemeliharaan aset kereta api memerlukan digitalisasi
Konsep memungkinkan inspeksi jarak jauh dari area berisiko tinggi aset
kereta api secara konsisten berada di urutan kelima baik di domain (15 tautan)
dan analisis pusat (26 dari 47 konsep). Dengan kepedulian yang tulus terhadap
keselamatan operator aset rel yang bekerja di area berisiko tinggi, beberapa ahli
menyebutkan pentingnya mengembangkan teknologi digital seperti AI, AR, dan
Robotika untuk melakukan pemeriksaan dan pemeliharaan aset rel jika
memungkinkan. Sambil menopang titik arsitek solusi rel

9
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Gambar 7.Cluster 2 (Mengembangkan lingkungan data umum).

di FG4, yang berpendapat bahwa teknologi digital tidak dapat sepenuhnya antara operator pemeliharaan aset rel di lokasi dan pakar atau pengawas
menggantikan inspektur aset kereta api dan terkadang diperlukan intervensi jarak jauh sedemikian rupa sehingga akan mengintegrasikan visualisasi
manusia, namun dia setuju bahwa “meskipun teknologi ini penting, mereka harus lingkungan fisik nyata, model holografik virtual, dan data waktu nyata dari
dirancang untuk mendukung operasi pekerja kereta api daripada menggantikan sensor IoT.
pekerjanya”FG4.
Menurut pendapat seorang ahli di FG-4, aspek penting dari inspeksi jarak
5.4. Memfasilitasi sistem informasi aset kereta api real-time
jauh adalah Pemodelan Informasi Aset (AIM), yang memungkinkan
representasi digital aset fisik di lingkungan digital virtual untuk akses mulus
Memiliki sistem informasi kondisi aset kereta api real-time adalah
ke informasi aset. IoT diperlukan dalam kombinasi dengan AIM untuk
peluang terpenting ketiga baik di domain (19 tautan) dan analisis pusat (34
menciptakan teknologi yang dikenal sebagai “kembaran digital”, yang
dari 62 konsep). Selain memiliki kemampuan untuk mengintegrasikan data
memungkinkan replika aset fisik secara simultan melalui pengumpulan data
dari berbagai sumber dan format dalam lingkungan data umum, peluang
yang mulus melalui perangkat fisik seperti drone dan sensor IoT untuk
lain yang diidentifikasi oleh para ahli untuk adopsi IoT dalam pemeliharaan
memperbarui AIM secara otomatis. Seorang manajer teknik di FG-5
aset rel adalah kemungkinan untuk mengintegrasikan analitik data waktu
menambahkan itu“kembar digital untuk aset rel memerlukan validasi dan
nyata dalam aplikasi IoT untuk konversi data sensor mentah yang mudah. ke
pemodelan aset rel yang ada dan lingkungan data umum untuk
informasi yang berguna. Dari sudut pandang ahli FG-4, “mengotomatiskan
meningkatkan sumber data IoT”. Kembar digital memerlukan agen fisik
analitik data dan sistem pembaruan informasi aset penting untuk
seperti sensor IoT, drone, dan robot untuk mengumpulkan informasi dari
pemantauan kondisi aset secara real-time”,ini, pada intinya, berarti ada
aset fisik dan memperbarui replika virtual aset rel secara otomatis.
peluang untuk memanfaatkan kemampuan analitik data real-time dari
Para ahli membahas pentingnya sensor IoT, kamera, pemindai LiDAR, drone,
aplikasi IoT untuk menciptakan kecerdasan aset melalui“sistem alarm”FG-2,
perangkat keras AR dan VR untuk bertindak sebagai agen penghubung antara
"pemberitahuan tepat waktu"FG-4 dan mengaktifkan penyebaran operator
lingkungan fisik aset dan kembaran digital dari aset tersebut guna meningkatkan
pemeliharaan di tempat untuk“intervensi cepat”FG-2 jika diperlukan.
aliran data dua arah untuk pemeriksaan jarak jauh. Rekan peneliti dalam
Seorang profesor di bidang AI dan pembelajaran mesin berpendapat
kecerdasan buatan menegaskan kemungkinan "mengidentifikasi anomali dalam
demikian“untuk mengembangkan sistem analitik data real-time untuk
aset fisik menggunakan teknik AI canggih seperti pembelajaran mesin,
infrastruktur besar dengan sejumlah besar data bisa membosankan tetapi
pengenalan gambar, dan visi komputer”FG-5. Gagasan lain dicatat dari FG-2
bukan tidak mungkin…kita hanya harus mulai dari mengembangkan
menangkap“integrasi GIS, InSAR, cuaca, dan model virtual aset rel yang dipasang
prototipe yang dapat disesuaikan”FG-4.
di kereta api untuk memantau pergerakan bumi dan dampak lingkungan pada
Konsep serupa dengan digital twin muncul dari diskusi di FG-4, di mana
aset”.Seorang pakar FG-3 juga menyoroti kemungkinan penggunaan perangkat
seorang arsitek solusi menyebutkan penggunaan“Membangun Pemodelan
keras AR seperti sensor IoT untuk akuisisi data real-time. Ini dapat digunakan
Informasi dengan sensor IoT untuk visualisasi kondisi waktu nyata”. Gagasan
untuk“digitalisasi kartu catatan perawatan”FG-1, dan“inspeksi digital jarak jauh”
menggunakan Building Information Modeling (BIM) yang dikombinasikan dengan
FG-2, FG-3, FG-4. Peluang lain yang penting untuk IoT dalam pemeliharaan aset rel
Virtual Reality (VR) dan IoT untuk visualisasi real-time dari model holografik aset
adalah “dukungan dan pengawasan aktivitas pemeliharaan di lokasi oleh pakar
rel juga dicatat dalam FG-2. Namun, rekanan penelitian dalam teknologi imersif
jarak jauh” FG-2.Dengan tingkat perkembangan teknologi Augmented Reality (AR)
lebih lanjut menyoroti tantangan utama itu“Alat pemodelan BIM saat ini tidak
saat ini dan penerapannya di industri lain, para ahli membahas kemungkinan
disinkronkan dengan alat VR…beberapa percakapan manual masih diperlukan
menggunakan AR untuk menyediakan lingkungan yang imersif bagi pakar
untuk memvisualisasikan model BIM dalam format VR”FG-2. Dapat disimpulkan
pemeliharaan aset kereta api untuk mengakses dan menilai aktivitas
dari sebelumnya bahwa pengembangan teknologi yang memungkinkan yang
pemeliharaan dari jarak jauh. Poin utama di sini adalah mengaktifkan konektivitas
menjembatani kesenjangan antara model Computer-Aided-Design (CAD) dan
berbasis AR dan IoT
model imersif, serta antara model dan

10
A.-Q. Gbadamosi et al. Otomasi dalam Konstruksi 122 (2021) 103486

Gambar 8.Strategi Implementasi IoT dalam Pemeliharaan Aset Kereta Api.

Data real-time IoT akan meningkatkan kemampuan adaptasi pemeliharaan
aset rel IoT.
Seorang profesor dengan pengetahuan ahli tentang pembelajaran mesin juga
memperdebatkan bahwa,“untuk mengintegrasikan sensor IoT yang dapat dipakai
dan perangkat augmented reality dapat digunakan untuk memvalidasi aset atau
model virtual aset menggunakan pembelajaran mesin”FG-3. Dia lebih lanjut
berpendapat bahwa Convolutional Neural Network (CNN) sangat berguna untuk
pengenalan citra dan dapat digunakan untuk mengukur perbedaan antara kondisi
aset. Saran lain dari pengumpulan data visual dari FG-2 memerlukan“penggunaan
pemindai LiDAR yang terpasang pada kereta penumpang untuk memantau setiap
perpindahan kecil aset dari posisi aslinya”Namun, ide tersebut dipertanyakan
berdasarkan kemampuan pemindai LiDAR untuk merekam secara akurat
data saat dipasang pada kereta api yang bergerak cepat dengan getaran yang disebabkan oleh
pergerakan dan kecepatan kereta api. Seorang manajer inovasi di FG-3 menyatakan hal itu
“penelitian yang menarik adalah untuk menyelidiki kemungkinan meningkatkan data pemindai
LiDAR yang dibawa melalui kereta menggunakan sensor gerak dan getaran”. Penggunaan
pemindai LiDAR yang dibawa oleh kereta dapat digunakan untuk melacak vegetasi yang
merambah, aset yang dipindahkan seperti jalur dan terowongan, dan sebagainya.
5.5. Otomasi pemeliharaan aset kereta api
Konsep mengotomatisasi kegiatan pemeliharaan aset kereta api merupakan
peluang terpenting kedua menurut analisis sentral yang dilakukan dalam
penelitian ini dengan 35 konsep dari 67 konsep. Konsepnya juga datang

11
A.-Q. Gbadamosi et al.
Tabel 5
Konsep prioritas dan area fokus untuk implementasi IoT dalam pemeliharaan aset
kereta api.
Tema
Mengaktifkan pemeliharaan terjadwal prediktif 1
Integrasikan alarm ke jadwal pemeliharaan Kembangkan
2 algoritme pembelajaran mesin untuk mengidentifikasi
pola kegagalan aset
3 Gunakan pembelajaran mesin untuk memprediksi kondisi aset
potensial
4 Pertimbangkan keseluruhan sistem yang terintegrasi
untuk pemantauan kondisi prediktif
5 Integrasikan data sensor waktu nyata untuk tanda
peringatan dini kegagalan aset
6 Pengenalan pola garis polos
7 Simulasi mode kegagalan
Mengembangkan Common Data Environment (CDE) di seluruh industri perkeretaapian 8
Mengintegrasikan informasi desain aset ke dalam CDE
9 Mengintegrasikan informasi desain kereta api dan melatih
data sensor yang disematkan ke dalam CDE
10 Mengintegrasikan data dari radar apertur sintetik
interferometrik
11 Mengintegrasikan sistem komunikasi dan informasi staf
pemeliharaan ke dalam CDE
12 Visualisasikan peta panas tugas pemeliharaan dengan sumber
daya yang bertanggung jawab di CDE
13 Terhubung ke sumber data terbuka untuk sistem
informasi yang lebih baik
14 Mengintegrasikan laporan geoteknik ke dalam CDE
15 Mengintegrasikan data Geographic Information System (GIS)
ke dalam CDE
Akses jarak jauh dan pemeriksaan aset 16
Visualisasi digital data dari sensor perangkat
keras dan monitor dari jarak jauh Pemodelan
17 informasi aset
18 Inspeksi digital aset Digitalisasi kartu catatan
19 pemeliharaan Implementasi kembar digital aset
20 menggunakan pemodelan kondisi realtime
21 Aktifkan asisten ahli jarak jauh menggunakan augmented
reality
22 Kolaborasi digital tingkat komponen dengan
produsen atau pemasok komponen
Pemantauan kondisi aset secara real-time 23
Gunakan Pemodelan Informasi Bangunan (BIM) untuk
pemantauan kondisi waktu nyata
24 Mengotomatiskan sistem pembaruan informasi aset
25 Pasang pemindai LiDAR di kereta penumpang untuk
akuisisi data berkelanjutan
26 Mengintegrasikan teknologi yang dapat dikenakan dengan
sensor IoT dan perangkat augmented reality
27 Mengembangkan perangkat lunak analitik data real-
28 time Pelacakan vegetasi menggunakan analisis video
29 Deteksi kereta api dan kontrol aset real-time
30 Menggabungkan BIM, Virtual Reality (VR), dan sensor
IoT untuk visualisasi aset real-time Otomasi aktivitas
pemeliharaan 31
Pasang sensor getaran untuk deteksi kereta api
otomatis
32 Pemindaian drone otomatis terhadap aset yang ditandai Deteksi
33 kesalahan otomatis melalui sensor Penandaan aset
34 menggunakan kode QR/RFID untuk identifikasi otomatis
35 Otomasi manajemen aset end-to-end Pemindaian laser
36 untuk mengoptimalkan akses yang tersedia
37 Mengotomatiskan analitik dan simulasi data real-time
keempat dalam analisis domain dengan 18 link. Terlepas dari manfaat potensial
dari pengurangan jumlah pekerja yang terpapar ke area berisiko tinggi melalui
inspeksi aset jarak jauh, para ahli lebih lanjut membahas pentingnya
mengaktifkan aktivitas pemeliharaan otomatis untuk mengoptimalkan akses
operasi layanan kereta api. Dengan gagasan “mengotomatiskan analitik dan
simulasi data waktu nyata”FG-5 sudah ada dalam perdebatan, argumen “
membangun otomatisasi end-to-end pemeliharaan aset”menggunakan
Otomasi dalam Konstruksi 122 (2021) 103486
kemampuan penggerak sistem IoT dan robot didirikan. Beberapa ahli
di FG-3 dan FG-4 membahas pentingnya “penandaan aset seperti kode
QR atau RFID untuk identifikasi otomatis”aset tersebut oleh sistem
Grup fokus digital.
Seperti yang disajikan diGambar 8, gagasan untuk menggunakan pembelajaran
123 4 5
mesin dalam kombinasi dengan mode kegagalan historis aset rel, yang diusulkan untuk
ditempatkan dalam CDE terintegrasi berbasis cloud, dipertanyakan berdasarkan
✓ ✓
✓ kemampuan sistem cloud untuk membuat sistem peringatan dalam jumlah waktu
respons yang baik jika aktivitas pemeliharaan dapat dilakukan dengan cepat oleh an
✓ ✓ robot di tempat atau kereta yang mendukung perbaikan aset. Menanggapi hal ini, seorang
peneliti AI untuk konstruksi mengemukakan hal itu“Perangkat IoT dapat memiliki kemampuan
✓
deteksi kesalahan otomatis untuk aset dengan menggunakan edge atau fog
✓✓✓✓✓ komputasi”. Ini akan memungkinkan sistem manajemen aset kereta api memaksimalkan
manfaat untuk pembelajaran mode kegagalan berbasis CDE serta
✓✓✓ ✓ penerapan sistem pemeliharaan dan kontrol otomatis berbasis aturan
✓✓ ✓
seperti“pemindaian drone otomatis atas aset yang ditandai”dan inisiasi kedaruratan
✓ ✓ protokol gency karena“deteksi kesalahan otomatis”oleh sistem IoT yang dilokalkan
✓ dengan kemampuan komputasi kabut serta kemampuan untuk mendorong data
ke cloud.
✓✓✓ Ringkasnya, pengembangan sistem robotik untuk aktivitas pemeliharaan
otomatis diklasifikasikan sebagai masa depan yang diinginkan yang dapat
✓ ✓
dimungkinkan melalui penerapan IoT secara holistik dalam aset kereta api.
✓ ✓ pemeliharaan.
✓ ✓
6. Implikasi untuk latihan
✓✓
✓✓ ✓ Karena makalah ini adalah bagian dari penelitian berkelanjutan untuk menerapkan
sistem berbasis IoT untuk pemeliharaan aset kereta api, penting untuk memahami
dengan jelas potensi implikasi praktis dari penelitian ini. Dalam makalah ini, pendekatan
✓
kualitatif yang ketat telah diambil untuk mengusulkan strategi implementasi untuk
✓✓ sistem berbasis IoT dalam pemeliharaan aset kereta api, dengan integrasi teknologi
✓✓✓ digital relevan lainnya yang dapat dieksploitasi dengan jelas. Strategi implementasi yang
✓ ✓ diusulkan dalam makalah ini diatur untuk memungkinkan
✓ ✓
pemeliharaan prediktif, integrasi data, inspeksi jarak jauh, pemantauan
✓ kondisi waktu nyata, dan otomatisasi operasi pemeliharaan. Dengan
pengembangan lebih lanjut dari strategi yang diusulkan, ada banyak
✓ ✓ peluang bagi industri perkeretaapian Inggris untuk mengubah pendekatannya terhadap
pemeliharaan aset perkeretaapian, memastikan efektivitas biaya, efisiensi operasional,
dan keselamatan. Maklum, penerapan sistem berbasis IoT yang diusulkan dalam
✓ ✓
penelitian ini membutuhkan pengambilan keputusan yang hati-hati, namun makalah ini
✓ telah menguraikan dan dengan jelas membenarkan kebutuhan akan lima komponen
✓ utama dari sistem yang diusulkan. Dengan menggunakan kelima komponen tersebut,
makalah ini diharapkan dapat memandu investasi untuk penerapan sistem secara
✓
bertahap dan dapat diperluas. Beberapa prototipe dari keseluruhan sistem yang
✓ ✓ diusulkan dapat dikembangkan dan diperkenalkan dengan hati-hati untuk memastikan
✓ ✓ keamanan penerapan inovasi teknologi.
✓ Perlu dicatat bahwa banyak masalah yang saat ini disaksikan dalam
✓ ✓✓
pemeliharaan aset kereta api berasal dari kurangnya atau tidak efektifnya metode
perolehan informasi tentang kondisi saat ini dan yang mungkin terjadi.
✓✓ ✓ kondisi masa depan aset kereta api. Dengan menerapkan sistem yang diusulkan dalam studi ini,
pengelola aset kereta api akan memastikan kelancaran pengoperasian kereta api
✓ ✓✓
aset dengan memberikan dukungan digital yang memadai untuk operator
✓✓✓✓
✓✓ pemeliharaan, yang membutuhkan tanda peringatan dini potensi kerusakan aset
untuk mengoptimalkan jadwal pemeliharaan dan memastikan tidak ada atau
✓ minimal gangguan layanan. Selain itu, saat melakukan aktivitas pemeliharaan,
✓ ✓ sistem yang diusulkan mampu memfasilitasi dukungan digital ahli, mengambil
✓ ✓✓
informasi aset, dan mendigitalkan catatan pemeliharaan. Jika diimplementasikan,
sistem yang diusulkan juga akan memindahkan operator aset kereta api dari zona
bahaya menggunakan teknik inspeksi jarak jauh dan memajukan pengembangan
robot yang diawasi dan agen perbaikan otonom untuk aktivitas di zona tersebut.
Teknologi dari sistem yang diusulkan diatur untuk merevolusi
pendekatan pemeliharaan, meskipun ada kekhawatiran bahwa sistem yang
diusulkan dapat menggantikan sejumlah besar pekerjaan dan akibatnya
mengakibatkan ketergantungan berlebihan yang berisiko pada teknologi.
Selain itu, masih ada masalah etika dengan implementasi digital dan
12
A.-Q. Gbadamosi et al.
sistem buatan, yang tidak dapat bertanggung jawab atas tindakan atau keputusan
yang menyesatkan atau salah. Potensi hambatan implementasi ini merupakan
pertimbangan penting dalam strategi yang diusulkan, yang telah dirumuskan
dengan menggunakan pendekatan dari bawah ke atas. Operator aset rel telah
dilibatkan dalam studi ini untuk memastikan bahwa hanya teknologi yang akan
meningkatkan efisiensi dan akurasi operasi yang dimasukkan dalam strategi.
Meskipun otomatisasi tingkat tinggi akan tercapai jika strategi yang diusulkan
tercapai, peran pengawasan manusia telah diintegrasikan ke dalam strategi yang
diusulkan untuk memastikan keamanan adopsi, menghindari dampak etis, dan
memberikan sistem yang efisien untuk pemeliharaan aset kereta api.
7. Kesimpulan
Industri kereta api memainkan peran penting dalam pertumbuhan ekonomi
yang berkelanjutan melalui distribusi barang dan transportasi orang jarak jauh.
Ekonomi Inggris akan mendapat manfaat dari£85 miliar pertumbuhan ekonomi
melalui investasi swasta dan publik di industri kereta api [52]. Peningkatan kinerja
layanan kereta api akan terus meningkatkan kegiatan ekonomi, berkontribusi
pada pertumbuhan ekonomi dan semakin memperluas permintaan layanan
kereta api [26]. Dengan perkiraan peningkatan pengguna jasa kereta api sebesar
40% pada tahun 2040, tantangan pengelolaan aset kereta api dalam memenuhi
permintaan yang terus meningkat dan memastikan layanan yang efisien, andal,
dan aman, akan terus meningkat [27]. Oleh karena itu, untuk meningkatkan 'nilai
uang' bagi pelanggan layanan kereta api, inovasi digital, termasuk IoT dapat
dimanfaatkan untuk mengelola aset kereta api dengan fokus pada keselamatan,
keandalan, dan efisiensi.
Untuk tujuan menjawab pertanyaan penelitian, penelitian ini
mengadopsi metodologi kualitatif melalui keterlibatan kelompok fokus dan
pemodelan konseptual. Untuk mengatasi RQ-1“apa area masalah dalam
pemeliharaan aset kereta api?”, area masalah dalam pemeliharaan aset rel
diidentifikasi dan diklasifikasikan melalui tinjauan pernyataan tantangan rel
jaringan dan pemungutan suara prioritas awal. Pemungutan suara prioritas
digunakan untuk memilih bidang masalah, yang menjadi dasar diskusi
kelompok terarah. Pertanyaan penelitian kedua (RQ-2)“apa area masalah
prioritas untuk implementasi IoT?”, dibahas melalui analisis konsep yang
kuat, yang dihasilkan melalui diskusi kelompok terarah dan pemetaan
konseptual. Analisis domain, sentral, klaster, dan tematik dilakukan untuk
mengidentifikasi konsep-konsep prioritas dan area fokus untuk
implementasi strategi. Lima area fokus diidentifikasi termasuk pemeliharaan
prediktif, inspeksi jarak jauh, pemantauan kondisi waktu nyata, otomatisasi
pemeliharaan, dan integrasi data. Pertanyaan penelitian ketiga (RQ-3)“
bagaimana IoT dapat diimplementasikan untuk pemeliharaan aset kereta
api?”, ditangani melalui pengembangan arsitektur sistem dan perumusan
strategi implementasi IoT. Kontribusi utama dari penelitian ini adalah
pembentukan hubungan praktis antara area masalah dalam pemeliharaan
aset kereta api dan kemampuan teknologi digital dalam sistem berbasis IoT.
Studi ini mengidentifikasi area fokus yang dapat dieksploitasi serta teknologi
digital penting yang memungkinkan implementasi IoT dalam pemeliharaan
aset kereta api.
Manajemen aset rel digital berbasis IoT memfasilitasi akuisisi yang efisien dan
penggunaan informasi yang optimal untuk pengoperasian aset yang berkelanjutan [51].
Untuk terus memastikan keselamatan pelanggan dan tenaga kerja layanan kereta api,
penting untuk memanfaatkan sarana digital untuk memahami kondisi aset kereta api,
memantau degradasi, dan mendigitalkan pola kegagalan untuk memungkinkan
pemeliharaan prediktif. Pemantauan aset kereta api melalui sarana yang aman dan jarak
jauh juga memastikan layanan kereta api yang andal dengan mencegah pemeliharaan
aset yang tidak direncanakan dan gangguan layanan. Oleh karena itu, penting untuk
memanfaatkan inovasi digital untuk pemantauan aset perkeretaapian guna
memungkinkan kinerja yang dioptimalkan dengan belajar dari tren efisiensi masa lalu
dan saat ini untuk memberikan masa depan yang ideal untuk infrastruktur
perkeretaapian, meminimalkan kegagalan aset perkeretaapian, gangguan layanan, dan
meningkatkan indeks keandalan.
13
Otomasi dalam Konstruksi 122 (2021) 103486
Deklarasi Kepentingan Bersaing
Para penulis mengkonfirmasi bahwa tidak ada konflik kepentingan yang
diketahui terkait dengan manuskrip ini dan badan pendanaan telah diakui
sebagaimana mestinya.
Pengakuan
Pekerjaan ini didanai oleh dana Departemen Transportasi (DfT)
melalui Innovate UK, nomor Proyek 104242.
Referensi
[1] Rel Jaringan, Perkeretaapian yang lebih baik untuk Inggris yang lebih baik: rencana bisnis strategis
2019 hingga 2024, Diakses pada 27 Agustus 2020 dari,https://www.networkrail.co.uk/wp
- content/uploads/2018/02/Strategic-business-plan-high-level-summary.pdf, 2016.
[2] Departemen Transportasi, Mereformasi perkeretaapian kita: mengutamakan pelanggan.
Disampaikan kepada Parlemen oleh Sekretaris Negara untuk Transportasi, oleh
Komando Yang Mulia. The Stationery Office Limited, UK, Diakses pada 27 Agustus 2020
dari,https://assets.publishing.service.gov.uk/government/uploads/system/u ploads/
attachment_data/file/4216/reforming-our-railways.pdf, 2012.
[3] Kantor Peraturan Perkeretaapian, Peluang dan tantangan untuk perkeretaapian:
Pernyataan peraturan jangka panjang ORR, Diakses pada 27 Agustus 2020 dari,https://
orr. gov.uk/__data/assets/pdf_file/0008/2321/long-term-regulatory-statement.pdf, 2013.
[4] AH Tsang, Dimensi strategis manajemen pemeliharaan, J. Qual. Pemeliharaan.
Eng. 8 (1) (2002) 7–39,https://doi.org/10.1108/13552510210420577.
[5] FPG Marquez, RW Lewis, AM Tobias, C. Roberts, Biaya siklus hidup untuk
pemantauan kondisi kereta api, Transp. Res. E 44 (6) (2008) 1175–1187,https://
doi.org/ 10.1016/j.tre.2007.12.003.
[6] B. Zimolong, G. Elke, Manajemen kesehatan dan keselamatan kerja. Buku
Pegangan Faktor Manusia dan Ergonomi, 2006,https://doi.org/
10.1002/0470048204. ch26, 673–707.
[7] F. Xia, LT Yang, L. Wang, A. Vinel, Internet of Things, Int. J.Commun. Sistem. 25 (9)
(2012) 1101,https://doi.org/10.1002/dac.2417.
[8] T. Jing, AV Vasilakos, J. Wan, J. Lu, D. Qiu, Keamanan internet hal-hal: perspektif dan
tantangan, Wirel. Jaringan 20 (8) (2014) 2481–2501,https://doi. org/10.1007/
s11276-014-0761-7.
[9] A. Thaduri, D. Galar, U. Kumar, Railway assets: a potential domain for big data
analytics, Proc. Komputer. Sains. 53 (2015) 457–467,https://doi.org/10.1016/j.
procs.2015.07.323.
[10]JJV Antony, GM Nasira, Towards predictive maintenance and management in rail
sector: a clustering approach, in: 2013 International Conference on Recent Trends
in Information Technology (ICRTIT), 2013, 502-507). IEEE. ISBN: 978-1-4799-1024-3.
[11] T. Tang, Z. Deng, S. Zhou, L. Lei, H. Zou, Fast vehicle detection in UAV images, dalam:
2017 International Workshop on Remote Sensing with Intelligent Processing
(RSIP), IEEE, 2017,https://doi.org/10.1109/RSIP.2017.7958795, 1-5.
[12] C. Chellaswamy, L. Balaji, A. Vanathi, L. Saravanan, sistem informasi dan pemantauan
kesehatan jalur kereta api berbasis IoT, dalam: Konferensi Internasional 2017 tentang
Perangkat, Sirkuit, dan Sistem Mikroelektronika (ICMDCS), IEEE, 2017,https://doi. org/
10.1109/ICMDCS.2017.8211548, 1-6.
[13] D. Minoli, B. Occhiogrosso, peralatan berbasis Internet of things (IoT) dan metode untuk
peringatan penyeberangan rel terhadap intrusi jalur rel statis atau dinamis, dalam: ASME/
IEEE joint Rail conference, Vol. 50718, 2017,https://doi.org/10.1115/JRC2017-2304.
V001T06A016). Saya. Soc. Mekanisme Eng.
[14]A. Bahga, V. Madisetti, Internet of Things: A Hands-on Approach, 2014, ISBN 978-
0996025515.
[15] D. Galar, A. Thaduri, M. Catelani, L. Ciani, Context awareness for maintenance
decision making: a diagnosis and prognosis approach, Pengukuran 67 (2015)
137–150,https://doi.org/10.1016/j.measurement.2015.01.015.
[16] L. Atzori, A. Iera, G. Morabito, Internet of things: survei, Comput. Jaringan 54
(15) (2010) 2787–2805,https://doi.org/10.1016/j.comnet.2010.05.010.
[17] T. Wang, G. Zhang, A. Liu, MZA Bhuiyan, Q. Jin, Arsitektur layanan IoT yang aman
dengan dinamika keseimbangan yang efisien berdasarkan komputasi cloud dan
edge, IEEE Internet Things J. 6 (3) (2010 ) 4831–4843,https://doi.org/ 10.1109/
JIOT.2018.2870288.
[18] J. Carretero, JM Pérez, F. Garcıá-Carballeira, A. Calderón, J. Fernández, JD Garcıá, A. Lozano, L.
Cardona, N. Cotaina, P. Prete, Menerapkan RCM dalam sistem berskala besar: studi kasus
dengan jaringan kereta api, Reliab. Eng. Sistem. Aman.82(3) (2003) 257–273,https://
doi.org/10.1016/S0951-8320(03)00167-4.
[19] Polisi Transportasi Inggris, Mengawasi Jaringan Kereta Api Britania Raya. Otoritas Polisi
Transportasi Inggris, Diakses pada 27 Agustus 2020 dari,https://www.btp.police. uk/pdf/
8271_BTPA_National_Policing_Plan_c.pdf, 2018.
[20] Fokus Transportasi, Prioritas peningkatan penumpang kereta api. Tinta TU, Diakses
pada 27 Agustus 2020 dari,www.tuink.com/15897, 2017.
[21] RB Faiz, EA Edirisinghe, Pengambilan keputusan untuk pemeliharaan prediktif
dalam manajemen informasi aset, Interdiscip. J.Inf. Tahu. Kelola. 4 (1) (2009), 23–
36. Diakses pada 27 Agustus 2020 dari,http://www.ijikm.org/Volume4/IJIKMv4
p023-036Faiz422.pdf.
[22] C. Stenström, A. Parida, D. Galar, Indikator kinerja infrastruktur perkeretaapian, int.
J. Teknologi Kereta Api. 1 (3) (2012) 1–18,https://doi.org/10.4203/ijrt.1.3.1.
A.-Q. Gbadamosi et al.
[23] C. Lohman, L. Fortuin, M. Wouters, Merancang sistem pengukuran kinerja: studi
kasus, Eur. J.Oper. Res. 156 (2) (2004) 267–286,https://doi.org/10.1016/
S0377-2217(02)00918-9.
[24] M. Bilal, LO Oyedele, J. Qadir, K. Munir, SO Ajayi, OO Akinade, HA Owolabi,
HA Alaka, M. Pasha, Big Data di industri konstruksi: tinjauan status saat ini,
peluang, dan tren masa depan, Adv. Eng. Memberitahukan. 30 (3) (2016) 500–521,
https://doi.org/10.1016/j.aei.2016.07.001.
[25] Y. Wang, L. Kung, TA Byrd, Analisis data besar: memahami kemampuannya dan manfaat
potensial untuk organisasi layanan kesehatan, Technol. Ramalan. Soc. Chang. 126 (2018)
3–13,https://doi.org/10.1016/j.techfore.2015.12.019.
[26] Peraturan Kantor Perkeretaapian, Rencana bisnis 2017–2018, Diakses pada 27 Agustus 2020
dari,https://orr.gov.uk/__data/assets/pdf_file/0008/24587/business-plan-20 17-18.pdf,
2013.
[27] Rel Jaringan, Kereta api yang lebih baik untuk Inggris yang lebih baik: rencana bisnis
strategis 2019–2024, Diakses pada 27 Agustus 2020 dari.https://www.networkrail.co.uk/
wp-content/uploads/2018/02/Strategic-business-plan-high-level-summary.pdf, 2019.
[28] J. Gubbi, R. Buyya, S. Marusic, M. Palaniswami, Internet of things (IoT): visi, elemen
arsitektur, dan arah masa depan, Futur. Gen. Komputer. Sistem. 29 (7) (2013)
1645–1660,https://doi.org/10.1016/j.future.2013.01.010.
[29] J. Jin, J. Gubbi, S. Marusic, M. Palaniswami, Kerangka informasi untuk
menciptakan kota pintar melalui internet hal, IEEE Internet Things J. 1 (2)
(2014) 112–121,https://doi.org/10.1109/JIOT.2013.2296516.
[30] X. Zheng, Z. Cai, Y. Li, Keterkaitan data dalam sistem hal-hal internet cerdas:
pertimbangan dari perspektif privasi, IEEE Commun. Mag. 56 (9) (2018) 55–61,
https://doi.org/10.1109/MCOM.2018.1701245.
[31] AQ Gbadamosi, L. Oyedele, AM Mahamadu, H. Kusimo, O. Olawale, Peran Internet of
Things dalam menghadirkan konstruksi cerdas. Kongres Gedung Dunia CIB, 2019,
17thke 21stJuni 2019, Hong Kong SAR, Tiongkok. Diakses pada 27 Agustus, dari,
https://uwe-repository.worktribe.com/preview/1492592/Gbadamosi%20et
%20al_Ab0501.pdf, 2020.
[32] P. Kochovski, V. Stankovski, Mendukung konstruksi cerdas dengan infrastruktur dan aplikasi
edge computing yang dapat diandalkan, Autom. Konstruksi 85 (2018) 182–192, https://
doi.org/10.1016/j.autcon.2017.10.008.
[33] K. Alexopoulos, S. Makris, V. Xanthakis, K. Sipsas, G. Chryssolouris, Sebuah konsep untuk
komputasi sadar konteks di bidang manufaktur: kasus barang putih, Int. J.Komput.
Integral Manuf. 29 (8) (2016) 839–849,https://doi.org/10.1080/ 0951192X.2015.1130257.
[34] K. Alexopoulos, K. Sipsas, E. Xanthakis, S. Makris, D. Mourtzis, Platform berbasis
internet industri untuk layanan informasi sadar konteks di bidang manufaktur, Int.
J.Komput. Integral Manuf. 31 (11) (2018) 1111–1123,https://doi.org/
10.1080/0951192X.2018.1500716.
[35] I. Lee, K. Lee, Internet of things (IoT): aplikasi, investasi, dan tantangan untuk
perusahaan, Business Horizons 58 (4) (2015) 431–440,https://doi. org/10.1016/
j.bushor.2015.03.008.
[36] J. Lee, B. Bagheri, HA Kao, Kemajuan terbaru dan tren sistem cyber-fisik dan analitik
data besar dalam informatika industri, dalam: Prosiding Internasional Konferensi
Internasional tentang Informatika Industri (INDIN), 2014, 1–6 . Diperoleh pada 27
Agustus 2020 dari:https://www.researchgate.net/profile/Behrad_Bagheri /
publication/266375284_Recent_Advances_and_Trends_of_Cyber-Physical_Sy
14
Otomasi dalam Konstruksi 122 (2021) 103486
stems_and_Big_Data_Analytics_in_Industrial_Informatics/links/542dc0100cf2
7e39fa948a7d.pdf.
[37] H. Li, K. Ota, M. Dong, Learning IoT in edge: deep learning untuk internet of things
dengan edge computing, IEEE Netw. 32 (1) (2018) 96–101,https://doi.org/
10.1109/MNET.2018.1700202.
[38] S. Yun, JH Park, HS Kim, WT Kim, mekanisme kontrol SDN yang menyadari
pentingnya layanan distribusi data real-time, dalam: Konferensi Internasional 2018
tentang Konvergensi Teknologi Informasi dan Komunikasi(ICTC), 2018,https://
doi.org/10.1109/ICTC.2018.8539690, 1113-1118. IEEE.
[39]M. Crotty, Yayasan Penelitian Sosial, Australia, Publikasi SAGE, 1998.
[40] V. Krotov, Internet of things dan peluang bisnis baru, Cakrawala Bisnis 60 (6) (2017)
831–841,https://doi.org/10.1016/j.bushor.2017.07.009.
[41] M. Sandelowski, Membaca, menulis dan tinjauan sistematis, J. Adv. Nur. 64 (1)
(2008) 104–110,https://doi.org/10.1111/j.1365-2648.2008.04813.x.
[42]M. Saunders, P. Lewis, A. Thornhill, Memahami filosofi dan pendekatan penelitian,
Res. Metode Mahasiswa Bisnis. 4 (2009) 106–135. ISBN: 978-0-273-71686-0.
[43] J. Glova, T. Sabol, V. Vajda, Model bisnis untuk lingkungan internet hal-hal, Proc.
Ekon. Keuangan 15 (2014) 1122–1129.https://www.research gate.net/deref/
http%3A%2F%2Fdx.doi.org%2F10.1016%2FS2212-5671(14) 00566-8.
[44] K. Siau, X. Tan, Peningkatan Kualitas Model Konseptual Menggunakan Teknik
Pemetaan Kognitif, Data Knowl. Eng. 55 (3) (2005) 343–365,https://doi.org/
10.1016/j.datak.2004.12.006.
[45] P. Giorgini, S. Rizzi, M. Garzetti, GRAnD: pendekatan berorientasi tujuan untuk analisis
kebutuhan di gudang data, Decis. Mendukung. Sistem. 45 (1) (2008) 4–21,https://doi. org/
10.1016/j.dss.2006.12.001.
[46] J. Village, FA Salustri, WP Neumann, Pemetaan kognitif: mengungkapkan hubungan
antara faktor manusia dan tujuan strategis dalam organisasi, Int. J.Ind.Ergon. 43
(4) (2013) 304–313,https://doi.org/10.1016/j.ergon.2013.05.001.
[47] C. Eden, Menganalisis peta kognitif untuk membantu menyusun masalah atau masalah,
Eur. J.Oper. Res. 159 (3) (2004) 673–686,https://doi.org/10.1016/S0377-2217(03) 00431-4.
[48] D. Shaw, C. Eden, F. Ackermann, Pemetaan pengetahuan kausal: bagaimana manajer
mempertimbangkan lingkungan mereka selama rapat, Int. J.manag. Keputusan. Mak. 10
(5/6) (2009) 321–340,https://doi.org/10.1504/IJMDM.2009.026681.
[49] L. Wallace, M. Keil, A. Rai, Memahami risiko proyek perangkat lunak: analisis cluster,
Inf. Kelola. 42 (1) (2004) 115–125,https://doi.org/10.1016/j.im.2003.12.007.
[50] T. Wagener, N. McIntyre, MJ Lees, HS Wheater, HV Gupta, Menuju pengurangan
ketidakpastian dalam pemodelan curah hujan konseptual: analisis identifikasi
dinamis, Hydrol. Proses. 17 (2) (2003) 455–476,https://doi.org/10.1002/ hyp.1135.
[51] PE Love, J. Zhou, J. Matthews, M. Lavender, T. Morse, Mengelola infrastruktur kereta api
untuk masa depan digital: pembuktian informasi aset di masa depan, Transp. Res. Sebuah
Praktik Kebijakan. 110 (2018) 161–176,https://doi.org/10.1016/j.tra.2018.02.014.
[52] P. Plummer, Dalam kemitraan untuk kemakmuran Inggris: rencana industri kereta api
untuk mengamankan pertumbuhan di seluruh negeri. Rail Delivery Group, Diakses pada
27 Agustus 2020 dari,https://www.raildeliverygroup.com/files/Publications/2017-10_in_pa
rtnership_for_britains_prosperity.pdf, 2017.