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.