PREDIKSI DURASI KETERLAMBATAN PENERBANGAN MENGGUNAKAN ALGORITMA RANDOM FOREST

Abstract

Keterlambatan penerbangan merupakan masalah krusial dalam industri transportasi udara yang berdampak pada kerugian finansial maskapai dan ketidaknyamanan penumpang. Amerika Serikat, dengan volume lalu lintas udara tertinggi di dunia, menghadapi tantangan besar dalam mengelola efisiensi jadwal. Penelitian ini bertujuan untuk membangun model prediktif machine learning untuk mengestimasi durasi keterlambatan penerbangan (dalam menit) dengan memanfaatkan algoritma Random Forest. Dataset yang digunakan bersumber dari dataset kaggle, yang mencakup fitur-fitur seperti (year, month, kode maskapai, nama maskapai, kode airport, nama airport, total jumlah penerbangan, jumlah penerbangan yang terlambat lebih dari 15 menit, penyebab, waktu delay karena keamanan, waktu delay karena keterlambatan sebelumnya). Metodologi penelitian meliputi tahap preprocessing data, penanganan missing values, serta optimasi hyperparameter pada model Random Forest. Algoritma Random Forest dipilih karena kemampuannya dalam menangani data berdimensi tinggi dan hubungan non-linear antar variabel melalui mekanisme ensemble learning. Performa model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R²). Penelitian ini memberikan kontribusi bagi pengelola bandara dan maskapai dalam melakukan mitigasi risiko keterlambatan secara lebih proaktif.