Perpustakaan Digital ITB

Klasifikasi fase penerbangan yang akurat adalah komponen fundamental dari aplikasi penerbangan seperti Flight Operational Quality Assurance (FOQA), manajemen lalu lintas udara (ATM), analisis kinerja pesawat, dan penilaian keselamatan operasional. Seiring dengan semakin banyaknya maskapai penerbangan yang mengandalkan data penerbangan operasional untuk mendukung analisis ini, kebutuhan akan model klasifikasi yang akurat dan efisien secara komputasi semakin meningkat. Namun, implementasi praktis tetap menantang karena data Quick Access Recorder (QAR) mengandung frekuensi pengambilan sampel yang heterogen, nilai yang hilang, dan sejumlah besar parameter yang direkam. Studi ini mengusulkan kerangka kerja pembelajaran mesin terawasi untuk klasifikasi fase penerbangan multikelas menggunakan data QAR Boeing 747-300 yang heterogen. Kerangka kerja ini mengintegrasikan praproses data QAR, rekayasa fitur, klasifikasi XGBoost, pemilihan fitur berbasis SHapley Additive exPlanations (SHAP), dan evaluasi ketahanan, sementara model berbasis aturan deterministik dan state machine hibrida diterapkan sebagai perbandingan dasar. Model XGBoost yang diusulkan mencapai akurasi klasifikasi keseluruhan sebesar 99,29% dengan skor Macro F1 sebesar 97,58%, mengungguli kedua metode baseline. Analisis SHAP lebih lanjut mengurangi set fitur input dari 236 menjadi hanya 10 fitur sambil mempertahankan akurasi 98,19% dan mengurangi waktu pelatihan sekitar 70%. Hasil ini menunjukkan bahwa klasifikasi fase penerbangan yang akurat, dapat diinterpretasikan, dan efisien secara komputasi dapat dicapai dengan menggunakan subset kompak dari parameter QAR yang bermakna secara fisik, memberikan dasar praktis untuk aplikasi penerbangan berbasis data.