Evaluasi Imputasi Missing Value K-Nearest Neighbor Data Cuaca dengan Metode Long Short-Term Memory (Studi Kasus: Stasiun Meteorologi Bandara Juanda Tahun 2021-2022)
Abstract
Memiliki data cuaca yang lengkap dan akurat adalah hal yang sangat penting
khususnya di bidang penerbangan. Data cuaca dapat mempengaruhi keputusan
pilot, pengatur lalu lintas udara, dan manajemen bandara dalam hal keselamatan,
efisiensi, dan kenyamanan penerbangan. Data cuaca yang lengkap dan akurat dapat
membantu menghindari risiko terbang di kondisi cuaca buruk, seperti angin
kencang, hujan lebat, petir, kabut, atau es. Oleh karena itu, data cuaca yang lengkap
dan akurat adalah salah satu faktor kunci yang mendukung operasional
penerbangan yang aman, efisien, dan nyaman. Data cuaca ini diperoleh dari suatu
alat pengamatan meteorologi yang bernama Automatic Weather Station (AWS)
Digi yang terdapat di Stasiun Meteorologi Bandara Juanda. Namun, pada
pelaksanaannya, masih terdapat data yang mengandung missing value. Penelitian
ini menggunakan metode imputasi missing value dengan menggunakan K-Nearest
Neighbor (KNN) dengan nilai K = 3 dan K = 5. Kemudian, dilakukan peramalan
menggunakan metode Long Short-Term Memory (LSTM) dengan proporsi 80%
data training, 9.5% data validasi, dan 10.5% data testing. Setelah itu, diperoleh hasil
peramalan dengan grafik loss yang baik dengan nilai K = 5 dan epoch = 10
menghasilkan MAE untuk variabel tekanan udara sebesar 0.86, variabel
kelembapan udara sebesar 5.15, variabel kecepatan angin sebesar 1.1, dan variabel
suhu udara sebesar 1.24.
Collections
- Statistics [969]