Slip roda merupakan fenomena anomali interaksi roda-rel yang berkontribusi terhadap keausan rel, pemanjangan jarak pengereman, dan penurunan kenyamanan operasi kereta. Sistem Wheel Slide Protection (WSP) konvensional pada LRT bekerja secara reaktif berdasarkan ambang batas tetap, sehingga sering kesulitan mengenali indikasi slip pada fase awal. Penelitian ini bertujuan mengembangkan sistem deteksi dini slip roda LRT berbasis machine learning yang memanfaatkan data operasional data logger Train Control and Monitoring System (TCMS) untuk mengidentifikasi slip lebih awal dibandingkan sistem konvensional.Penelitian menggunakan data primer berupa 165 sesi data logger TCMS dari 11 trainset LRT Jabodebek periode 6 Oktober hingga 13 November 2025, mencakup 49 variabel pada tiga laju pencuplikan (32 ms, 128 ms, dan 256 ms). Tahapan penelitian meliputi akuisisi data, sinkronisasi multi-rate berbasis Dynamic Time Warping (DTW) ke grid 32 ms, ekstraksi fitur Continuous Wavelet Transform (CWT) Morlet 30 kanal, klasifikasi dengan arsitektur hibrida LSTM+MLP, serta pemetaan zona rawan slip berbasis chainage dengan granularitas 50 meter. Evaluasi kinerja dilakukan menggunakan precision, recall, F1-score, dan AUC pada test set yang belum pernah dilihat selama pelatihan.Evaluasi pada skema pembagian data berbasis waktu menghasilkan Balanced F1-score 0,942 dengan AUC 0,981 pada test set. Pemetaan spasial atas 20.883 kejadian yang teridentifikasi menghasilkan 982 zona unik dengan 571 zona berkategori HIGH, yang sebagian besar terkonsentrasi pada segmen berkombinasi gradien dan lengkungan. Sistem yang dikembangkan dapat menjadi komplemen TCMS dalam memberikan peringatan dini slip serta mendukung perencanaan perawatan prediktif lintasan LRT Jabodebek.