Dongeng Sore Soal Kereta Tak Berkusir dan Berkuda

Kereta baterai otonom buatan INKA kini tengah memasuki fase uji coba di wilayah kerja PT KAI Daop 6, tepatnya di lintas sekitar Surakarta. Banyak hal menarik terkait pengembangan kereta listrik dengan baterai mandiri ini. Pertama kereta atau tram ini tidak menggunakan sistem OCS atau overhead catenary system dan motor listriknya dicatudayai oleh baterai yang dibawanya.

Kedua, kereta ini bersifat otonom dan dapat melakukan proses operasi mandiri dengan menganalisis data yang bersumber dari sensor yang terintegrasi dengan sistem kendali perjalanan dan persinyalan.

Di masa yang akan datang moda transportasi semacam ini, dengan catu daya hijau seperti listrik dan hidrogen serta bersifat otonom dalam proses operasi adalah suatu keniscayaan yang akan jamak ditemui.

Transformasi dari industri kereta api seperti INKA yang lahir dari pengembangan balai yasa lokomotif uap Madiun yang merupakan peninggalan jawatan kereta api di era kolonial, menjadi sebuah perusahaan manufaktur transportasi modern dengan teknik traksi berbasis energi baru dan terbarukan adalah capaian yang punya makna luar biasa bagi akselerasi peradaban bangsa di masa depan.

Kembali ke model kereta listrik otonom dengan sumber energi mandiri sebagaimana tram baterai INKA, sebenarnya juga sudah mulai dirintis dari kurun waktu yang cukup lama. Saat ini model yang sudah beroperasi antara lain adalah trainset kereta bandara YIA dan feeder kereta cepat KCIC. Kedua kereta berwarna hijau itu adalah kereta yang dikenal sebagai KRDE atau kereta rel diesel elektrik, dimana diesel yang dibawanya secara mandiri menjadi pemasok listrik yang akan menggerakkan motor listrik. KRDE ME 204 ini juga dilengkapi oleh generator buatan VEM (Vereinigter Elektro-Maschinenbau) tipe DREBZ 3509-6 dengan output sebesar 560kVA di kedua kereta TeC. KRDE ini juga dilengkapi baterai dengan kapasitas 70 Ah (Ampere Hour) dan 200 Ah (Ampere Hour) dengan Float Charging untuk digunakan pada saat kondisi darurat. Yang membanggakan, KRDE ini didesain oleh ITS dengan menggunakan integrated digital design (IDD).

Pada kereta baterai otonom yang sedang diujicoba di Surakarta, sumber daya utama dari motor listrik penggerak kereta adalah baterai yang dibawa dalam struktur rangkaian. Dimana secara umum ada beberapa jenis motor listrik dan spesifikasi baterai serta sistem integrasi dan kontrolnya yang saat ini jamak digunakan.

Motor listrik pada kereta otonom didesain untuk menghasilkan daya besar, efisiensi tinggi, dan kemampuan kontrol yang baik. Berikut adalah beberapa jenis motor listrik yang sering digunakan, Permanent Magnet Synchronous Motor (PMSM), motor ini sering digunakan pada kendaraan listrik karena efisiensinya yang tinggi, torsi yang konsisten, dan respons kontrol yang cepat. PMSM memiliki magnet permanen di dalam rotor yang menciptakan medan magnet, memberikan efisiensi tinggi dalam konversi energi dan pengendalian kecepatan yang stabil. Motor ini juga lebih hemat energi, membuatnya cocok untuk aplikasi seperti kereta otonom yang membutuhkan konsumsi energi minimal.

Kemudian ada Induction Motor (IM), atau AC induction motor yang memiliki desain sederhana dan tahan lama. Motor ini digunakan pada kereta yang memerlukan daya besar karena mampu menahan beban berat dan menghasilkan torsi yang tinggi. Namun, motor ini biasanya lebih besar dan lebih berat dibandingkan dengan PMSM. Keunggulan motor induksi adalah ketahanannya terhadap kondisi ekstrem, membuatnya cocok untuk aplikasi yang membutuhkan performa tinggi.

Berikutnya ada Switched Reluctance Motor (SRM), di mana motor jenis ini dikenal dengan efisiensinya yang tinggi dan struktur yang sederhana. SRM tidak memiliki magnet permanen dan bekerja dengan prinsip daya tarik antara rotor dan stator. SRM dapat dioperasikan dalam berbagai kecepatan dan lebih hemat biaya daripada PMSM. Namun, SRM memerlukan kontrol yang lebih kompleks dan dapat menghasilkan suara lebih berisik dibandingkan motor lainnya.

Ada pula Brushless DC Motor (BLDC), di mana motor BLDC umumnya digunakan pada kendaraan listrik yang lebih kecil tetapi juga dapat diterapkan pada kereta otonom yang berukuran sedang. BLDC menawarkan torsi tinggi pada kecepatan rendah, efisiensi tinggi, dan sedikit perawatan karena tidak memiliki sikat. Motor ini juga sangat responsif terhadap sistem kendali dan bisa dipadukan dengan baterai yang hemat energi.

Sementara baterai yang banyak digunakan dalam sistem catu daya kendaraan listrik, termasuk kereta baterai otonom INKA, dengan pertimbangan terutama pada kebutuhan daya, durabilitas, dan siklus pengisian ulang, antara lain adalah, Lithium-Ion Battery (Li-Ion), di mana baterai lithium-ion adalah pilihan utama untuk kereta otonom karena kepadatan energinya yang tinggi, siklus pengisian ulang yang panjang, dan masa pakai yang relatif lebih lama. Baterai Li-Ion juga lebih ringan dibandingkan baterai berbasis asam timbal, sehingga lebih efisien dalam operasional. Namun, baterai ini cukup sensitif terhadap suhu tinggi dan perlu sistem manajemen suhu yang baik.

Pilihan berikutnya ada baterai Lithium Iron Phosphate Battery (LiFePO4) dimana jenis baterai ini merupakan salah satu varian dari lithium-ion yang terkenal dengan stabilitas termal yang baik, umur panjang, dan keamanan yang lebih tinggi. Meskipun kepadatan energinya sedikit lebih rendah dibandingkan lithium-ion standar, keunggulan dalam hal keamanan membuatnya cocok untuk penggunaan dalam jangka panjang pada kendaraan besar seperti kereta.

Varian baterai lain adalah Nickel Metal Hydride (NiMH), di mana baterai NiMH menawarkan alternatif yang lebih stabil dan memiliki siklus pengisian yang cukup panjang, meskipun kepadatan energinya lebih rendah daripada Li-Ion. NiMH juga tahan terhadap suhu yang lebih tinggi, menjadikannya pilihan yang baik untuk aplikasi yang memerlukan daya tahan yang lebih lama.

Lalu ada Solid-State Battery, di mana baterai solid-state adalah inovasi yang saat ini sedang berada dalam fase pengembangan untuk kendaraan listrik termasuk kereta otonom. Jenis baterai ini memiliki kepadatan energi yang sangat tinggi, siklus hidup yang panjang, dan risiko kebakaran yang lebih rendah. Namun, teknologi ini masih dalam tahap awal dan belum banyak diimplementasikan pada kereta otonom.

Baterai lain yang juga masih dalam tahapan riset berkelanjutan adalah Sodium Ion Battery atau baterai ion Natrium. Dimana baterai natrium-ion memiliki potensi besar karena natrium mudah ditemukan dan memiliki daya tahan yang lebih baik, terutama untuk aplikasi yang tidak memerlukan kepadatan energi sangat tinggi. Namun, untuk meningkatkan kinerja elektrokimia, diperlukan desain anoda berbasis sulfida yang lebih unggul daripada karbon atau sianida, karena memiliki kemampuan penyimpanan dan pelepasan ion natrium yang lebih baik.

Pembuatan baterai natrium-ion dimulai dengan pemurnian natrium dari garam laut menggunakan proses elektrolisis untuk menghasilkan natrium-ion sebagai bahan dasar. Pemurnian ini melibatkan penghilangan kontaminan dengan menambahkan Na2CO3, yang berfungsi untuk menghilangkan kalsium dan zat pengotor lainnya.

Setelah natrium murni diperoleh, senyawa polisulfida terbentuk melalui reaksi antara natrium cair dan sulfur, yang berperan dalam proses penyimpanan energi listrik melalui mekanisme kimia. Energi dilepaskan dalam bentuk listrik ketika dibutuhkan, sementara proses pengisian ulang membalikkan siklus kimia ini.

Hal yang tak kalah penting dalam pengelolaan sistem traksi dengan catudaya listrik adalah model pengelolaan dan integrasi Baterai-Motor, khususnya dalam sistem catudaya Autonomous Train seperti yang dikembangkan INKA Madiun.

Pengelolaan daya antara baterai dan motor listrik adalah faktor kritis dalam pengoperasian autonomous train. Sistem manajemen baterai (Battery Management System/BMS) dan motor control unit (MCU) bekerja bersama untuk mengoptimalkan konsumsi energi, menghindari overheat, dan meningkatkan efisiensi.

Battery Management System (BMS) berfungsi untuk mengelola pengisian ulang, distribusi energi, dan pemantauan suhu pada baterai. BMS memastikan bahwa baterai beroperasi dalam suhu yang aman, menghindari terjadinya kondisi overcharging dan over-discharging, yang bisa mengurangi umur baterai.

Sementara Motor Control Unit (MCU) berfungsi untuk mengontrol pengaturan daya yang diterima oleh motor listrik, dan memastikan motor beroperasi pada level daya yang sesuai dengan kondisi perjalanan. MCU juga memungkinkan perubahan cepat dalam akselerasi atau pengereman, membantu dalam responsivitas kendali kereta otonom.

Hal yang sangat krusial pada pengoperasian kereta dengan teknologi di level GoA-3 atau grade of automation-3 adalah sistem kontrol perjalanan atau pengendalian kereta api. Pengendalian kereta otonom membutuhkan berbagai sistem yang bekerja bersama-sama untuk memastikan keamanan, efisiensi, dan ketepatan dalam operasinya. Sistem utama yang terlibat dalam proses pengendalian kereta otonom antara lain adalah sistem interlocking, communication-based train control (CBTC), dan berbagai teknologi berbasis AI. Berikut adalah uraian rinci tentang peran masing-masing sistem dan bagaimana mereka berkolaborasi.

Sistem interlocking adalah mekanisme kontrol yang mengatur jalur kereta di persimpangan rel atau sinyal untuk memastikan bahwa dua kereta tidak berpotongan atau bertabrakan di jalur yang sama. Beberapa karakteristik sistem ini adalah, sistem ini dapat memastikan hanya satu kereta yang dapat bergerak melalui persimpangan tertentu pada satu waktu, dengan mengatur sinyal dan jalur secara otomatis.

Sistem interlocking menggunakan berbagai sensor, seperti track circuits dan axle counters, untuk mendeteksi posisi kereta dan status sinyal. Teknologi AI dapat meningkatkan sistem interlocking dengan memprediksi pola pergerakan kereta dan memberikan rekomendasi optimal untuk pengaturan rute, sehingga kereta dapat bergerak lebih efisien dan aman. Algoritma berbasis AI, seperti algoritma optimasi atau deep reinforcement learning, dapat membantu dalam membuat keputusan rute terbaik secara real time.

Sistem berikutnya adalah Communication Based Train Control atau CBTC yang merupakan sistem kontrol kereta berbasis komunikasi dengan menggunakan komunikasi digital untuk mengendalikan dan memonitor pergerakan kereta secara lebih presisi dibandingkan sistem sinyal konvensional. Beberapa karakteristik CBTC, antara lain adalah sistem ini mengandalkan komunikasi terus-menerus antara kereta dan pusat kontrol untuk menjaga jarak aman antar kereta serta menentukan kecepatan dan lokasi kereta secara real time.

CBTC menggunakan GPS atau GNSS, dan komunikasi radio (sering kali berbasis LTE atau 5G) untuk menentukan lokasi kereta dengan presisi tinggi dan mengirimkan instruksi kepada kereta. Dimana sistem GNSS dengan mengetahui jarak dari beberapa satelit, penerima GNSS dapat menentukan posisi 3D (garis lintang, bujur, dan ketinggian) pengguna dengan metode trilaterasi, yaitu menghitung titik perpotongan antara beberapa lingkaran atau bola di ruang tiga dimensi.

AI berperan besar dalam CBTC, di mana algoritma machine learning dapat digunakan untuk memprediksi kondisi lalu lintas kereta, menganalisis data dari ribuan sensor, dan mengoptimalkan jadwal perjalanan. Model prediktif berbasis AI membantu CBTC dalam memperkirakan kapan dan di mana kereta perlu memperlambat, berhenti, atau mempercepat laju rangkaian.

Teknologi AI yang telah dikembangkan dalam beberapa aspek kontrol/kendali kereta otonom, antara lain adalah; Autonomous Driving Algorithms, dimana AI mengatur sistem kemudi, akselerasi, dan pengereman kereta. Deep learning dan reinforcement learning membantu dalam pengambilan keputusan yang diperlukan untuk menjalankan kereta secara otonom.

Ada pula penggunaan model Computer Vision, di mana sistem pengenalan gambar/citra yang menggunakan CNN membantu dalam mendeteksi objek di jalur kereta, seperti pejalan kaki, hewan, atau kendaraan lain.

Hal yang tak jalan penting dari pemanfaatan teknologi AI, adalah untuk pengembangan konsep Predictive Maintenance:, di mana teknologi AI digunakan untuk memonitor kesehatan sistem kereta dan mendeteksi masalah potensial sebelum terjadi, dengan memproses data sensor dari komponen mekanik, seperti roda dan rel. Teknik predictive analytics memungkinkan operator untuk melakukan perawatan hanya ketika diperlukan, bukan secara terjadwal. PT KAI bermitra dengan SAP telah mengembangkan sistem ini untuk memonitor kualitas operasional sarana-sarana perkeretapiannya.

Dalam konsep kereta baterai otonom, model AI yang paling umum digunakan adalah model pembelajaran mendalam (deep learning) dan pembelajaran penguatan (reinforcement learning). Model yang sering diterapkan meliputi, antara lain; Convolutional Neural Networks (CNN), yang dapat digunakan untuk pengenalan gambar dari kamera yang dipasang di depan kereta, memungkinkan identifikasi objek seperti sinyal rel, persimpangan, atau pejalan kaki.

Kemudian ada _*Recurrent Neural Networks (RNN)*_, khususnya _Long Short-Term Memory (LSTM)_ yang dapat digunakan untuk memproses urutan data dan perilaku historis, memungkinkan prediksi terhadap jalur perjalanan dan penyesuaian kecepatan.

Ada juga Reinforcement Learning (RL) untuk membantu kereta dalam belajar dan beradaptasi dari lingkungan nyata, termasuk respons terhadap situasi darurat. Teknik seperti Deep Q-Networks (DQN) atau Proximal Policy Optimization (PPO) sering digunakan untuk melatih model agar kereta dapat mengambil keputusan secara otonom dalam pengaturan dinamis.

Last but not least adalah Sensor Fusion Model yang dapat menggabungkan data dari beberapa sensor seperti LIDAR, radar, dan kamera untuk membuat keputusan yang lebih akurat mengenai lingkungan di sekitar kereta.

Sedangkan teknologi sensor dan IoT adalah teknologi yang sangat penting dalam sistem autonomous train. Sensor yang umum digunakan meliputi, antara lain LIDAR (Light Detection and Ranging), yang dapat membuat peta 3D dari lingkungan di sekitar kereta, memetakan objek dalam jarak dekat dengan akurasi tinggi.

Kemudian digunakan juga teknologi radar yang dapat mendeteksi objek yang berada lebih jauh dan berguna dalam kondisi cuaca buruk di mana LIDAR dan kamera mungkin tidak efektif.

Berikutnya secara visual dibutuhkan kamera beresolusi tinggi untuk memproses citra visual untuk mengenali sinyal lalu lintas, tanda jalan, dan mengidentifikasi hambatan atau objek di jalur kereta.

Untuk menilai posisi kereta secara akurat dalam waktu nyata dan memastikan koordinasi dengan sistem lalu lintas kereta diperlukan sistem monitor inersia berbasis GPS, juga teknologi IoT yang dapat menyediakan komunikasi antar-perangkat melalui jaringan 5G untuk koneksi berkecepatan tinggi antara kereta dan infrastruktur pendukung, memungkinkan kereta untuk berinteraksi dengan pusat kontrol atau kendaraan lainnya.

Beberapa teori yang mendasari penerapan AI pada kereta otonom meliputi, antara lain adalah model Prediktif Kontrol (MPC). Digunakan dalam sistem kontrol otonom untuk menghitung prediksi dari gerakan dan menentukan aksi optimal yang harus diambil oleh kereta untuk mencapai jalur yang diinginkan.

Dan juga Sensor Fusion Theory yang merupakan konsep gabungan dari berbagai data sensor yang memberikan persepsi holistik kepada kereta mengenai lingkungannya.

Lalu dapat diimplementasikan juga Theory of Reinforcement Learning, berdasarkan pembelajaran dari interaksi dengan lingkungan melalui sistem reward dan punishment, yang memungkinkan sistem untuk menyesuaikan kecepatan, rem, dan rute perjalanan.

Teori Kalman Filtering juga mungkin untuk digunakan sebagai alat prediksi yang dapat memperbaiki posisi kereta secara terus-menerus, menggabungkan data dari GPS dan sensor inersia dengan cara yang akurat.

Walhasil jika kereta otonom dengan sistem kendali terintegrasi antara sensor spasial dan kondisi inersia yang dimonitor dan dikendalikan dengan teknologi IoT dan diperkaya dengan sistem pengolahan data dan pengambilan keputusan berbasis kecerdasan artifisial dapat diintegrasikan dengan sistem catudaya hijau seperti fuellcell/ hidrogen, dan baterai, maka kereta-kereta INKA di masa depan dapat dibayangkan seolah mewujud sebagai kereta tak berkusir dan berkuda yang bisa jalan kemana saja. Terlebih jika teknologi seperti autonomous rapid urban transport yang tak memerlukan rel, melainkan hanya marka jalan sebagai pemandu saja, telah berhasil diadopsi, kereta-kereta kencana yang hilir mudik dalam senyap akan menjadi bagian dari urat nadi kota. 🙏🏾🩵🇲🇨