DEVELOPMENT OF FLIGHT DELAY PREDICTION SYSTEM USING SUPERVISED MACHINE LEARNING U�
DERGRADUATE THESIS Submitted as a condition to obtain a Bachelor of Engineering degree from Institut Teknologi Bandung By: Muhammad Saiful Anwar 13619069 Advisor: Dr. Khairul Ummah, S.T., M.T. AEROSPACE E�
GI�
EERI�
G STUDY PROGRAM FACULTY OF MECHA �
ICAL A�
D AEROSPACE E�
GI�
EERI�
G I�
STITUT TEK�
OLOGI BA�
DU�
G 2024 ABSTRACT DEVELOPME�
T OF FLIGHT DELAY PREDICTIO �
SYSTEM USI�
G SUPERVISED MACHI �
E LEAR�
I�
G By Muhammad Saiful Anwar 13619069 Flight delays are a significant and escalating issue as the aviation sector records continuous growth. These delays cause losses for passengers, airlines, and airports. Although several flight delay prediction models have been developed, their performances remain rather low. This research aims to create an explainable artificial intelligence (XAI) flight delay prediction model using machine learning. The methods employed in the research include formulating delay categories, comparing several machine learning methods, selecting the best model, and conducting feature influence analysis using the SHAP (Shapley Additive Explanations) method. The data employed is domestic flight data in the United States from 2021 to 2022. The research results in a prediction model using the random forest algorithm, achieving an accuracy of 83% and an F1 score of 0.83. SHAP analysis identifies key factors influencing delays, including turnaround time, previous delay duration, airline, airport delay, and flight distance. These findings are beneficial for airlines to improve on-time performance (OTP) and for airports to enhance slot management. Keywords – flight delay, prediction models, machine learning, SHAP method ABSTRAK DEVELOPME�
T OF FLIGHT DELAY PREDICTIO �
SYSTEM USI�
G SUPERVISED MACHI �
E LEAR�
I�
G Oleh Muhammad Saiful Anwar 13619069 Keterlambatan penerbangan adalah masalah yang terus ada dan meningkat seiring dengan peningkatan jumlah penerbangan dan pertumbuhan sektor aviasi. Keterlambatan ini menimbulkan kerugian baik bagi pelanggan, maskapai penerbangan, maupun bandar udara. Walaupun telah banyak dibuat model prediksi keterlambatan penerbangan, namun akurasi prediksi belum cukup tinggi. Penelitian ini bertujuan untuk membuat model prediksi keterlambatan penerbangan dengan cara pembelajaran mesin yang dapat dijelaskan (explainable artificial intelligence). Metode yang digunakan adalah dengan merumuskan kategori keterlambatan, membandingkan beberapa metode pembelajaran mesin, memilih metode model terbaik, dan dilanjutkan dengan analisis fitur yang berpengaruh terhadap keterlambatan menggunakan metode SHAP (Shapley Additive Explanations). Data yang digunakan adalah data penerbangan domestik di Amerika Serikat pada tahun 2021-2022. Hasil penelitian adalah model prediksi dengan metode random forest yang mencapai akurasi sebesar 83% dan skor F1 sebesar 0,83. Analisis SHAP mengidentifikasikan faktor-faktor kunci yang mempengaruhi keterlambatan, yaitu waktu turnaround, durasi penundaan sebelumnya, maskapai penerbangan, penundaan bandara, dan jarak penerbangan. Hasil penelitian ini bermanfaat bagi maskapai penerbangan untuk meningkatkan kinerja tepat waktu (on-time performance) dan bagi bandar udara untuk meningkatkan pengelolaan slot.