Pelacakan lokasi kereta yang akurat dan kontinu merupakan elemen krusial dalam sistem perkeretaapian untuk menjamin keselamatan dan efisiensi jadwal operasional. Namun, data dari sensor kereta api sering kali memiliki pembaruan yang tidak teratur akibat gangguan sinyal atau keterlambatan transmisi data, yang menyebabkan adanya celah dalam data. Penelitian ini bertujuan untuk mengatasi tantangan tersebut dengan mengembangkan model prediksi lokasi kereta berbasis deep learning yang mendekati real-time.
Pendekatan yang diusulkan melibatkan tiga langkah utama. Langkah awal merupakan data preprocessing yang dilakukan dengan memanfaatkan data titik-titik pembentuk jalur lintasan kereta api yang konsisten dan akurat sebagai referensi spasial untuk memastikan data sensor memiliki akurasi posisi yang optimal. Kemudian, interpolasi data diterapkan untuk menghasilkan dataset dengan resolusi temporal yang konsisten setiap 60 detik. Pendekatan interpolasi ini juga diterapkan pada