This work addresses the development of Distributed Model Predictive Control (DMPC) approaches for the planning of maintenance operations of large-scale railway infrastructure formulated as a Mixed-Integer Linear Programming (MILP) problem. The proposed optimization problem is solved using two different decomposition schemes: Alternating Direction Method of Multipliers (ADMM) and Distributed Robust Safe But Knowledgeable (DRSBK). The original distributed algorithms are modified to handle the non-convex nature of the optimization problem, hence improving the solution quality. The results of large-scale test instances show that DRSBK can outperform the conventional centralized approach and ADMM, by providing the closest-to-optimum solution while requiring the least computation time. Intisari-Makalah ini mengembangkan metode Distributed Model Predictive Control (DMPC) untuk perencanaan operasi pemeliharaan infrastruktur kereta api skala besar yang diformulasikan sebagai masalah Mixed-Integer Linear Programming (MILP). Masalah optimasi yang diusulkan kemudian diselesaikan dengan menggunakan dua skema optimasi DMPC yang berbeda: Alternating Direction Method of Multipliers (ADMM) dan Distributed Robust Safe But Knowledgeable (DRSBK). Selain itu, algoritme standarnya dimodifikasi untuk menangani sifat non-convex dari masalah optimasi, sehingga dapat meningkatkan kualitas solusi. Hasil pengujian dalam masalah skala besar menunjukkan bahwa DRSBK dapat mengungguli metode centralized yang konvensional dan ADMM, dengan menghasilkan solusi mendekati ke global optimum tetapi membutuhkan waktu komputasi minimum. Kata Kunci-Penjadwalan, rekayasa perkeretaapian, optimisasi, MIP, kendali prediktif.