Perpustakaan Digital ITB

Seiring meningkatnya perkembangan kepadatan lalu lintas udara diperlukan peningkatan keselamatan penerbangan terutama pada fase approach dan landing. Kondisi fase approach yang berpotensi beresiko disebut unstable approach. Terdapat penelitian terkait dalam mendeteksi kondisi tersebut, diantaranya deteksi anomali jalur penerbangan untuk seluruh fase penerbangan. Metode Recurrent Neural Network (RNN) telah berhasil mengidentifikasi pola anomali jalur penerbangan dengan menawarkan kelebihan dari segi akurasi, ketepatan dalam mengidentifikasi pola pada fase pendek, serta tidak memerlukan reduksi dimensi menjadi keunggulan RNN dibandingkan dengan metode Multiple Kernel dan Clustering. Namun metode tersebut memerlukan pakar untuk mengidentifikasi karakteristik risk event yang menyebabkan terjadinya anomali. Sedangkan metode heuristik dapat mengidentifikasi pola anomali secara spesifik pada fase approach atau disebut unstable approach dengan berbasis aturan untuk setiap risk event. Oleh karena itu penelitian ini menggabungkan pendekatan dua metode tersebut untuk mengidentifikasi pola unstable approach. Fokus utama penelitian ini adalah menyiapkan data hingga siap dilakukan proses pembentukan model dengan teknik preprocessing, kemudian dilakukan pemodelan data menggunakan metode RNN dengan arsitektur stacked Long Short Term Memory (LSTM), lalu mengidentifikasi jenis risk event yang mempengaruhi kondisi unstable approach dengan metode heuristik. Dalam pembentukan model dilakukan percobaan dengan mencari nilai optimum pada setiap parameter masukan. Didapatkan nilai optimum untuk batch size=128, epoch=150, serta fungsi optimizer gradient descent yaitu rmsprop, dengan hasil akurasi 90,12%, recall 59,44%, dan nilai precision 100%. Hasil yang didapatkan menunjukkan bahwa model yang dibentuk telah mampu mengklasifikasikan jalur penerbangan unstable approach maupun stable approach, dengan nilai precision tinggi, namun nilai recall masih rendah. Oleh karena itu untuk penelitian selanjutnya dapat digunakan jumlah data unstable approach yang lebih banyak untuk meningkatkan kinerja data latih.