Prediksi Jarak Pandang Menggunakan Long Short-Term Memory pada Data Spatio-Temporal Multivariat

Abstrak

Prediksi jarak pandang di bandara merupakan faktor krusial dalam menjaga keselamatan dan efisiensi operasional penerbangan. Penelitian ini bertujuan mengembangkan model prediksi jarak pandang di Bandara Internasional Juanda dengan memanfaatkan data Automatic Weather Observation System (AWOS) multivariat berbasis Long Short-Term Memory (LSTM). Data yang digunakan adalah catatan observasi cuaca per menit sepanjang tahun 2022 dari tiga titik pengamatan, yaitu titik 10, titik 10–28, dan titik 28. Proses penelitian meliputi pra-pemrosesan data, imputasi nilai hilang dengan interpolasi kontinu dan vektor, reduksi dimensi menggunakan Principal Component Analysis (PCA), pembentukan sequence data sepanjang 168 langkah waktu, serta pelatihan model LSTM dua lapisan dengan regularisasi dropout. Hasil evaluasi menunjukkan bahwa model mampu memberikan prediksi yang akurat dan stabil, dengan nilai MAE sebesar 0.0617 pada data validasi dan 0.0618 pada data uji. Sementara itu, nilai MSE yang diperoleh adalah 0.0170 pada data validasi dan 0.0150 pada data uji, sedangakan nilai RMSE sebesar 0.1305 pada data validasi dan 0.1225 pada data uji . Perbedaan kecil antara data validasi dan uji menegaskan kemampuan generalisasi model yang baik tanpa indikasi overfitting signifikan, sementara penggunaan PCA terbukti meningkatkan kinerja dengan menyoroti fitur-fitur utama yang paling relevan. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan LSTM multivariat berbasis data AWOS efektif untuk mendukung sistem prediksi jarak pandang otomatis di bandara sekaligus membuka peluang pengembangan sistem peringatan dini berbasis data.