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.