PREDIKSI KETERLAMBATAN SEBUAH MASKAPAI MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Article Sidebar
Read Counter : 53
Download : 34
Main Article Content
Abstract
Penelitian ini bertujuan untuk membandingkan model prediksi keterlambatan penerbangan maskapai menggunakan tiga algoritma machine learning: K-Nearest Neighbor (KNN), Naïve Bayes, dan Random Forest. Data yang digunakan diperoleh dari platform Kaggle, terdiri dari 539.382 observasi dengan 6 atribut utama. Fitur target dalam prediksi adalah "Class", dengan fitur lain seperti 'Flight', 'Time', 'Length', 'Airline', dan 'DayOfWeek'. Dataset dibagi menjadi data latih (60%) dan data uji (40%). Hasil eksperimen menunjukkan bahwa metode K-Nearest Neighbor menghasilkan akurasi tertinggi sebesar 64%, diikuti oleh Random Forest dengan 62%, dan Naïve Bayes dengan 60%. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Penelitian ini menunjukkan bahwa metode K-Nearest Neighbor lebih unggul dibandingkan dua metode lainnya dalam memprediksi keterlambatan maskapai. Implikasi dari hasil ini mencakup potensi peningkatan efisiensi maskapai dalam memitigasi risiko keterlambatan, yang berdampak pada kepuasan pelanggan dan pengelolaan operasional.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
References
[1] S. Lolitha, S. Lukas, and F. Panduwinata, “Prediksi Keterlambatan Penerbangan Menggunakan Metode Decision Tree Untuk Penentuan Premi Asuransi Perjalanan,” Prosiding Seminar Nasional Teknoka, vol. 5, 2020, doi: 10.22236/teknoka.v5i.326.
[2] W. Cheevachaipimol, B. Teinwan, and P. Chutima, “Flight delay prediction using a hybrid deep learning method,” Engineering Journal, vol. 25, no. 8, 2021, doi: 10.4186/ej.2021.25.8.99.
[3] V. Y. P. Ardhana et al., “Prediksi Flight Delay Berbasis Algoritma Neural Network,” Journal of Informatics, Electrical and Electronics Engineering, vol. 2, no. 1, 2022, doi: 10.47065/jieee.v2i1.429.
[4] R. Kothari et al., “Selection of Best Machine Learning Model to Predict Delay in Passenger Airlines,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3298979.
[5] N. M. T. Dewi, “Perlindungan Hukum Bagi Penumpang Pesawat Udara Jika Terjadi Keterlambatan Jadwal Penerbangan Menurut Undang - Undang Nomor 1 Tahun 2009 Tentang Penerbangan,” KERTHA WICAKSANA, vol. 15, no. 2, 2021, doi: 10.22225/kw.15.2.2021.122-129.
[6] Z. Wang, C. Liao, X. Hang, L. Li, D. Delahaye, and M. Hansen, “Distribution Prediction of Strategic Flight Delays via Machine Learning Methods,” Sustainability (Switzerland), vol. 14, no. 22, 2022, doi: 10.3390/su142215180.
[7] A. Geryana and D. Rachmawati, “Dampak Ketidaksesuaian Konfigurasi Parkir Pesawat di Parking Stand Bandar Udara Iskandar Pangkalan Bun Kalimantan Tengah,” El-Mal: Jurnal Kajian Ekonomi & Bisnis Islam, vol. 5, no. 2, 2023, doi: 10.47467/elmal.v5i2.3534.
[8] D. Schösser and J. Schönberger, “ON THE PERFORMANCE OF MACHINE LEARNING BASED FLIGHT DELAY PREDICTION – INVESTIGATING THE IMPACT OF SHORT-TERM FEATURES,” Promet - Traffic and Transportation, vol. 34, no. 6, 2022, doi: 10.7307/ptt.v34i6.4132.
[9] I. Hatıpoğlu, Ö. Tosun, and N. Tosun, “FLIGHT DELAY PREDICTION BASED WITH MACHINE LEARNING,” Logforum, vol. 18, no. 1, 2022, doi: 10.17270/J.LOG.2022.655.
[10] A. N. Kasanah, M. Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 3, no. 2, 2019, doi: 10.29207/resti.v3i2.945.
[11] N. Azizah, M. Riyad Firdaus, R. Suyaningsih, and F. Indrayatna, “Penerapan Algoritma Klasifikasi K-Nearest Neighbor pada Penyakit Diabetes,” Prosiding Seminar Nasional Statistika Aktuaria, vol. 2, no. 1, 2023.
[12] S. Margaretta, I. Arwani, and D. E. Ratnawati, “Implementasi Algoritma K-Nearest Neighbor Pada Database Menggunakan Bahasa SQL,” Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 7, 2020.
[13] M. H. Setiono, “A KOMPARASI ALGORITMA DECISION TREE, RANDOM FOREST, SVM DAN K-NN DALAM KLASIFIKASI KEPUASAN PENUMPANG MASKAPAI PENERBANGAN,” INTI Nusa Mandiri, vol. 17, no. 1, 2022, doi: 10.33480/inti.v17i1.3420.
[14] M. B. Ressan and R. F. Hassan, “Naïve-Bayes family for sentiment analysis during COVID-19 pandemic and classification tweets,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 28, no. 1, 2022, doi: 10.11591/ijeecs.v28.i1.pp375-383.
[15] A. Z. Amrullah, A. Sofyan Anas, and M. A. J. Hidayat, “Analisis Sentimen Movie Review Menggunakan Naive Bayes Classifier Dengan Seleksi Fitur Chi Square,” Jurnal, vol. 2, no. 1, 2020, doi: 10.30812/bite.v2i1.804.
[16] N. Husin, “Komparasi Algoritma Random Forest, Naïve Bayes, dan Bert Untuk Multi-Class Classification Pada Artikel Cable News Network (CNN),” Jurnal Esensi Infokom : Jurnal Esensi Sistem Informasi dan Sistem Komputer, vol. 7, no. 1, 2023, doi: 10.55886/infokom.v7i1.608.
[17] G. Gustientiedina, M. Siddik, and Y. Deselinta, “Penerapan Naïve Bayes untuk Memprediksi Tingkat Kepuasan Mahasiswa Terhadap Pelayanan Akademis,” Jurnal Infomedia, vol. 4, no. 2, 2020, doi: 10.30811/jim.v4i2.1892.
[18] Y. Wanli Sitorus, P. Sukarno, S. Mandala, F. Informatika, and U. Telkom, “Analisis Deteksi Malware Android menggunakan metode Support Vector Machine & Random Forest,” in e-Proceeding of Engineering, 2021.
[19] N. I. S. Baldanullah, N. Mulyarizki, I. Permatasari, I. P. Naufal, and D. C. Pratama, “Parallel Processing Pada Pemodelan Machine Learning Menggunakan Random Forest,” Journal of Informatics and Advanced Computing (JIAC), vol. 4, no. 1, 2023.
[20] M. L. Suliztia, “Penerapan Analisis Random Forest Pada Prototype Sistem Prediksi Harga Kamera Bekas Menggunakan Flask,” Fakultas Matematika Dan Ilmu Pengetahuan Alam, 2020.