Memprediksi keterlambatan kereta secara akurat penting dilakukan untuk meningkatkan keandalan operasional dan kepuasan penumpang dalam jaringan kereta komuter perkotaan. Penelitian ini mengembangkan sebuah kerangka kerja yang menggunakan ekstraksi fitur dari data spasial dan temporal yang terbatas dari sistem kereta komuter di wilayah 2 Bandung untuk merekonstruksi waktu kedatangan dan keberangkatan meskipun dengan informasi minimal. Dengan memanfaatkan dimensi spasial dan temporal dari data sensor, metode ini memungkinkan prediksi keterlambatan dengan akurasi yang lebih baik, sebanding dengan model yang menggunakan dataset yang lebih lengkap. Untuk mencapai prediksi yang akurat, penelitian ini mengadopsi pendekatan Long Short-Term Memory (LSTM) yang dioptimalkan dengan 64 unit LSTM, ukuran batch 64, optimizer Adam, dan dropout rate 0.2, berhasil memprediksi keterlambatan kereta dengan nilai Mean Absolute Error (MAE) 0.111 dan Root Mean Squared Error (RMSE) 0.171, menunjukkan rata-rata kesalahan prediksi ±6,66 detik dan rata-rata akar kuadrat kesalahan ±10,26 detik. Penelitian ini menunjukkan bahwa data sensor yang terbatas dapat dimaksimalkan untuk prediksi keterlambatan yang efektif, menawarkan pendekatan praktis untuk meningkatkan penjadwalan dan keandalan dalam jaringan transit dengan keterbatasan data.
Kata kunci — keterlambatan kereta, prediksi keterlambatan, data spasial dan temporal, ekstraksi fitur, long short-term memory