PREDIKSI JARAK PANDANG DI BANDAR UDARA FATMAWATI SOEKARNO MENGGUNAKAN QUANTILE REGRESSION FOREST DAN LONG SHORT-TERM MEMORY

Jarak pandang merupakan parameter meteorologi yang berdampak langsung
pada keselamatan dan operasional penerbangan. Kondisi jarak pandang yang
rendah merupakan faktor utama penyebab penundaan, pengalihan, dan pembatalan
penerbangan. Oleh karena itu, pengembangan model prediktif yang akurat untuk
jarak pandang menjadi sangat penting untuk meningkatkan perencanaan
operasional dan keselamatan bandar udara. Untuk menjawab kebutuhan tersebut,
penelitian ini menerapkan statistik prediktif, yaitu prosedur untuk menganalisis data
historis guna menghasilkan prediksi berdasarkan data yang tidak teramati. Terdapat
dua pendekatan prediktif terbaik yang sering digunakan yaitu metode ensemble dan
neural network. Salah satu metode ensemble ini ialah Quantile Regression Forest
(QRF), yang merupakan pengembangan dari Regression Tree dan Random Forest
yang mampu mengestimasi distribusi probabilitas kumulatif kondisional.
Sementara itu, Long Short-Term Memory (LSTM) adalah pengembangan dari
neural network yang dirancang khusus untuk menangkap dependensi jangka
panjang dalam data sekuensial. Tujuan utama penelitian ini adalah memperoleh
model statistika prediktif terbaik serta mengevaluasi tingkat akurasi model tersebut.
Studi kasus dalam penelitian ini menggunakan data jarak pandang di Bandar Udara
Fatmawati Soekarno Bengkulu periode 2015-2024. Berdasarkan penelitian yang
dilakukan, diperoleh bahwa model QRF merupakan model terbaik dengan Root
Mean Square Error (RMSE) sebesar 2,104 dan Mean Absolute Percentage Error
(MAPE) sebesar 41,11%, yang menunjukkan bahwa model memiliki prediksi yang
cukup. Pada model Quantile Regression Forest yang sama, dilakukan prediksi
interval dengan selang kepercayaan 90% dan diperoleh coverage sebesar 89,7%,
yang menandakan bahwa reliabilitas prediksi interval model sangat baik.
Kata kunci: Jarak Pandang, Keselamatan Penerbangan, Statistik Prediktif,
QRF, LSTM.