GDL

Analysis of Dilated Causal Convolutional Neural Network for Flight Delay Prediction

Skripsi, 014 / 2019 / TI4
Undergraduate Theses from JBPTPPOLBAN / 2019-12-18 14:57:53
Oleh : Naufal Athaya Shabah Ramadhan - 151524023 (naufala354@gmail.com)
Dibuat : 2019-12-18, dengan 4 file

Keyword : prediksi, keterlambatan penerbangan, time series, DC-CNN
Subjek : prediction, flight delay, time series, DC-CNN

Transportasi udara merupakan sistem yang kompleks, dengan interaksi di antara beberapa komponen, seperti wilayah udara, bandara, banyaknya pesawat udara, air traffic controller (ATC) dan gangguan cuaca menambah kemungkinan untuk terjadinya keterlambatan keberangkatan penerbangan. Keterlambatan keberangkatan penerbangan juga menyebabkan dampak negatif dari sisi ekonomi dikarenakan setiap keberangkatan penerbangan mengalami keterlambatan, pihak maskapai harus melakukan ganti rugi kepada penumpang sesuai dengan lamanya keterlambatan keberangkatan penerbangan. Dilakukannya prediksi pada keterlambatan keberangkatan penerbangan dapat menjadi langkah pertama untuk meminimalisir ataupun menyelesaikan masalah yang telah disebutkan di atas. Pendekatan machine learning dapat digunakan untuk memprediksi keterlambatan keberangkatan penerbangan. Pada penelitian ini digunakan dilated causal convolutional neural network (DC-CNN) untuk memprediksi keterlambatan keberangkatan penerbangan. Penelitian ini dilakukan analisis mengenai penerapan DC-CNN terkait dengan penggunaan hidden layer dan ukuran kernel yang meningkat. Penambahan dilated causal convolution layer dan ukuran kernel tidak menghasilkan akurasi yang lebih baik. Error terendah yang diperoleh yaitu 10.35 menit untuk memprediksi penerbangan pada interval 24-25 jam ke depan dengan menggunakan empat dilated causal convolution layer dan ukuran kernel bernilai dua. Kata kunci: prediksi, keterlambatan penerbangan, time series, DC-CNN.

Deskripsi Alternatif :

Air transportation is a complex system, with interactions between several components, such as airspace, airports, airplanes, air traffic controllers (ATC) and weather, increased the possibility of flight departure delays. Flight departure delays also lead to negative impacts on the economic side because every flight has been delayed, the airline have to make compensation to passengers in accordance with the length of the flight has been delayed. Making predictions on flight departure delays can be the first step to minimize or solve the problems mentioned above. Machine learning approach can be used to predict flight delays. This research uses dilated causal convolutional neural network (DC-CNN) to predict flight departure delays. This study, conducted an analysis of the application of DC-CNN associated with the use of hidden layers and increased kernel size. By adding dilated causal convolution layer and kernel size do not improve accuracy. Lowest error obtained is 10.35 minutes to predict flight at intervals of the next 24-25 hours using four dilated causal convolution layers and kernel size of two. Keywords: prediction, flight delay, time series, DC-CNN.

Beri Komentar ?#(1) | Bookmark

Properti	Nilai Properti
ID Publisher	JBPTPPOLBAN
Organisasi
Nama Kontak	Erlin Arvelina
Alamat	Jl. Trsn. Gegerkalong Hilir Ds. Ciwaruga
Kota	Bandung
Daerah	Jawa Barat
Negara	Indonesia
Telepon	022 201 3789 ext. 168, 169, 239
Fax	022 201 3889
E-mail Administrator	erlin.arvelina@polban.ac.id
E-mail CKO	erlin.arvelina@polban.ac.id