ESTIMASI JARAK PANDANG METEOROLOGI DI BANDAR UDARA MENGGUNAKAN METODE BACK PROPAGATION DAN CNN

Maesaroh, Siti and Triloka, Joko (2025) ESTIMASI JARAK PANDANG METEOROLOGI DI BANDAR UDARA MENGGUNAKAN METODE BACK PROPAGATION DAN CNN. Volume 7, No 1, June 2025 Page: 1−9, Building of Informatics, Technology and Science (BITS), 7 (1). pp. 1-9. ISSN ISSN 2685-3310

	Text Cover_Siti Maesaroh_MTI_2321211015.pdf Download (96kB)
	Text Surat Pernyataan, Persetujuan, Pengesahan, Siti Maesaroh_MTI_2321211015.pdf Download (1MB)
	Text Daftar isi_Siti Maesaroh_MTI_2321211015.pdf Download (10kB)
	Text Artikel Jurnal_Siti Maesaroh_MTI_2321211015.pdf Download (754kB)
	Text Lampiran_Siti Maesaroh_MTI_2321211015_Repository-20.pdf Download (110kB)

Abstract

Abstrak−Bandar Udara di Indonesia sering menghadapi masalah cuaca buruk yang mempengaruhi jarak pandang dan berdampak pada operasional penerbangan. Data historis menunjukkan adanya beberapa insiden yang disebabkan oleh penurunan jarak pandang karna adanya kabut ataupun hujan yang mengakibatkan penundaan dan pembatalan penerbangan. Dapat dikatakan bahwa pentingnya estimasi jarak pandang yang lebih akurat untuk meningkatkan keselamatan dan efisiensi operasional di bandar udara. Tujuan dari penelitian ini untuk mengetahui kinerja model Back Propagation dan Convolutional Neural Network (CNN) dalam mengestimasi jarak pandang meteorologi di Bandar Udara karena jarak pandang yang akurat sangat penting dalam menentukan keputusan operasional, terutama pada saat kondisi cuaca buruk. Pemilihan metode Back Propagation didasarkan pada keunggulannya dalam menangani berbagai jenis data dengan dinamis dan terarah sehingga lebih tepat dalam prediksi jarak pandang berdasarkan variabel-variabel meteorologi yang saling terkait. Sedangkan Convolutional Neural Network (CNN) sangat efektif dalam menangani masalah yang melibatkan data berbentuk gambar. Namun saat ini cukup banyak penelitian yang menggunakan CNN untuk pemrosesan text karena hasilnya yang cukup menjanjikan. Data yang digunakan adalah data meteorologi yang mencakup suhu, kelembapan, tekanan udara, kecepatan angin dan parameter lainnya di Bandar Udara Radin Inten II. Dari hasil penelitian ini, model Backpropagation lebih baik dalam ROC AUC (85%) dibandingkan dengan CNN (84%), ini menunjukkan sedikit keunggulan dalam membedakan kelas. Model CNN lebih baik dalam Precision sebesar 71% dibandingkan dengan Back Propagation 70%, yang berarti sedikit lebih baik dalam menghindari prediksi yang salah positif. CNN memiliki korelasi lebih tinggi pada data uji (0.20) dibandingkan dengan Back Propagation (0.18) menunjukkan prediksinya sedikit lebih sejalan dengan data aktual. Selisih korelasi lebih besar pada CNN (0.18) dibandingkan dengan Back Propagation (0.10) menunjukkan kemungkinan overfitting CNN yang lebih tinggi dibandingkan BP. Karena kedua model menunjukkan performa yang hampir sama dan perbedaannya tidak terlalu signifikan, maka pemilihan model bisa bergantung pada kebutuhan spesifik dalam implementasi. Jika tujuannya adalah mendapatkan model yang lebih stabil, maka Backpropagation lebih direkomendasikan karena memiliki selisih korelasi lebih kecil dan ROC AUC lebih tinggi. Namun, jika yang dicari adalah model dengan prediksi yang lebih akurat dalam skenario nyata, maka CNN bisa menjadi pilihan lebih baik karena memiliki Precision lebih tinggi dan korelasi uji lebih baik.

Item Type:	Article
Subjects:	Ilmu Komputer eTheses
Divisions:	Pasca Sarjana > Magister Teknik Informatika
Depositing User:	Siti Maesaroh
Date Deposited:	11 Nov 2025 01:11
Last Modified:	11 Nov 2025 01:11
URI:	http://repo.darmajaya.ac.id/id/eprint/23067

Actions (login required)

View Item