VOKASI NEWS – Keterlambatan penerbangan atau delay menjadi permasalahan yang sering dialami oleh pengguna transportasi udara. Berdasarkan Data Statistik Angkutan Udara Indonesia tahun 2024, lebih dari 23% penerbangan domestik mengalami keterlambatan.
Bagi penumpang, keterlambatan penerbangan dapat mengganggu rencana perjalanan. Sementara itu, bagi maskapai dan pengelola bandara, kondisi tersebut dapat berdampak pada kerugian ekonomi serta penurunan reputasi pelayanan.
Berangkat dari permasalahan tersebut, penelitian skripsi Program Studi D4 Teknik Informatika, Fakultas Vokasi, Universitas Airlangga, mengembangkan pendekatan berbasis kecerdasan buatan untuk memprediksi kemungkinan keterlambatan penerbangan.
Penelitian berjudul “Prediksi Penundaan Penerbangan Menggunakan Algoritma LSTM dan MLP Backpropagation di Bandara Juanda” ini membandingkan dua metode deep learning dalam memprediksi kemungkinan terjadinya delay pada penerbangan.
Mengolah Data Penerbangan dan Cuaca
Penelitian menggunakan data penerbangan kedatangan dan keberangkatan di Bandara Internasional Juanda, Surabaya, selama sembilan bulan, yaitu September 2025 hingga Mei 2026.
Data penerbangan diperoleh secara manual setiap hari melalui situs Flightradar24. Data tersebut mencakup jadwal penerbangan, status pendaratan atau keberangkatan, serta jenis pesawat.
Selain data penerbangan, penelitian juga memanfaatkan data cuaca dalam format METAR (Meteorological Aerodrome Report) serta informasi hari libur nasional. Dari laporan cuaca tersebut, sebanyak delapan fitur berhasil diekstraksi menggunakan teknik regular expression.
Fitur tersebut meliputi indikator hujan, kabut, badai petir, kecepatan angin, dan jarak pandang. Selanjutnya, data tersebut digabungkan dengan tiga atribut penerbangan, yaitu jam jadwal, jenis penerbangan, dan status hari libur.
Hasil pengolahan menghasilkan dataset akhir dengan hampir 43.500 baris data dan 11 fitur input. Namun, terdapat tantangan berupa ketidakseimbangan data, yaitu 62% penerbangan tepat waktu dan 38% penerbangan mengalami delay.
Kondisi tersebut dapat menyebabkan model machine learning cenderung memilih prediksi tidak delay karena memiliki jumlah data lebih banyak. Akibatnya, tingkat akurasi dapat terlihat tinggi meskipun kemampuan mendeteksi delay masih rendah.
Membandingkan Performa LSTM dan MLP
Penelitian ini membandingkan dua arsitektur jaringan saraf tiruan, yaitu Long Short-Term Memory (LSTM) dan Multilayer Perceptron (MLP) Backpropagation.
LSTM merupakan jenis jaringan saraf yang dirancang untuk mengenali pola dari data berurutan atau temporal. Metode ini mampu mempertimbangkan hubungan waktu dalam rangkaian penerbangan sebelumnya untuk memprediksi kondisi penerbangan berikutnya.
Sementara itu, MLP Backpropagation memiliki struktur yang lebih sederhana. Model ini memproses setiap data penerbangan secara independen tanpa mempertimbangkan urutan waktu.
Untuk mengatasi ketidakseimbangan data, penelitian menerapkan teknik SMOTE (Synthetic Minority Over-sampling Technique) dan class weight. SMOTE digunakan untuk menghasilkan data sintetis pada kelas minoritas, sedangkan class weight memberikan bobot lebih besar terhadap kesalahan prediksi kasus delay.
Selain itu, optimasi threshold keputusan juga dilakukan agar model tidak hanya menggunakan batas standar 0,5. Langkah tersebut bertujuan memperoleh nilai ambang yang mampu meningkatkan performa prediksi.
Mengembangkan Sistem Prediksi Delay Berbasis Web
Berdasarkan delapan skenario eksperimen yang diuji menggunakan metrik accuracy, precision, recall, dan F1-Score, model LSTM dengan kombinasi SMOTE dan class weight menghasilkan performa terbaik.
Model tersebut memperoleh F1-Score sebesar 47,02%, recall 58,33%, dan akurasi 69,35% pada threshold optimal 0,62. Hasil tersebut menunjukkan bahwa model mampu mendeteksi lebih dari separuh kejadian delay yang sebenarnya terjadi.
Menariknya, model MLP tanpa SMOTE tetapi menggunakan class weight memiliki performa yang hampir setara dengan LSTM. Perbedaannya hanya 0,01% pada F1-Score, tetapi waktu pelatihan yang dibutuhkan empat kali lebih cepat.
Temuan tersebut menunjukkan bahwa MLP dapat menjadi alternatif yang efisien apabila kecepatan komputasi menjadi prioritas dalam sistem prediksi keterlambatan penerbangan.
Model terbaik kemudian diimplementasikan melalui aplikasi web bernama SkyCheck menggunakan framework Flask. Aplikasi ini memungkinkan pengguna memasukkan nomor penerbangan, tanggal, jam, dan jenis penerbangan untuk memperoleh prediksi kemungkinan delay secara real-time.
Selain itu, admin dapat mengelola dataset, memantau performa model, serta memperbarui data penerbangan dan cuaca terbaru melalui panel khusus.
Dengan demikian, penelitian ini menunjukkan bahwa pendekatan deep learning berbasis LSTM dan MLP memiliki potensi untuk dikembangkan sebagai sistem prediksi keterlambatan penerbangan. Khususnya, pada konteks lokal seperti Bandara Juanda, Surabaya.
[BACA JUGA: Persiapkan Pemimpin Masa Depan, PSDM BEM VOKASI Sukses Gelar “PSDM GOES TO SCHOOL Vol.1”]
Penulis: Fairuz Zahira
Editor: Sinta Rahmah (Tim Vokasi Branding)
