PEMODELAN VISIBILITY RUNWAY BANDARA JUANDA MENGGUNAKAN GAN BERBASIS IMBALANCED DATASET
RUNWAY VISIBILITY MODELING AT JUANDA AIRPORT USING GAN BASED ON AN IMBALANCED DATASET
Keamanan dan keselamatan penerbangan sangat dipengaruhi oleh visibilitas di bandara, di mana pilot memerlukan referensi visual yang jelas untuk mendarat. Namun, kondisi cuaca buruk dapat mengurangi visibilitas dan meningkatkan risiko kecelakaan. Oleh karena itu, diperlukan sistem otomatis untuk mengklasifikasikan tingkat visibilitas secara cepat dan akurat, meskipun menghadapi tantangan dataset yang tidak seimbang. Penelitian ini menggunakan pendekatan Generative Adversarial Network (GAN) dengan fokus pada model VanillaGAN, DCGAN, dan StyleGAN. Data yang digunakan berasal dari CCTV AWOS di Runway 10 Bandara Juanda, mencakup 14.458 citra dari periode 13 hingga 31 Agustus 2023. Model dievaluasi menggunakan score SSIM dan ekstraksi fitur warna, tekstur, dan HOG pada berbagai epoch. Hasil penelitian menunjukkan bahwa model Vanilla GAN pada epoch 60 menjadi model terbaik yang cocok dengan kelas minoritas dibandingkan dengan model lainnya, berdasarkan evaluasi fitur, skor SSIM, kualitas citra sintesis, dan pola hasil loss. Kesederhanaan arsitekturnya membantu dalam menangkap variasi rendah dalam dataset, membuatnya unggul dibandingkan dengan arsitektur yang lebih kompleks seperti DCGAN dan StyleGAN. Optimalisasi lebih lanjut dan penyesuaian arsitektur dapat membantu meningkatkan hasil lebih jauh, terutama untuk dataset dengan variasi rendah seperti yang digunakan dalam penelitian ini.
Aviation safety and security are heavily influenced by airport visibility, as pilots require clear visual references for landing. However, poor weather conditions can reduce visibility and increase the risk of accidents. Therefore, an automated system is needed to classify visibility levels quickly and accurately, even when faced with the challenge of imbalanced datasets. This study employs a Generative Adversarial Network (GAN) approach, focusing on VanillaGAN, DCGAN, and StyleGAN models. The data used is sourced from CCTV AWOS at Runway 10 of Juanda Airport, encompassing 14,458 images from the period of August 13 to 31, 2023. The models are evaluated using SSIM scores and feature extraction of color, texture, and HOG at various epochs. The results indicate that the Vanilla GAN model at 60 epochs is the most suitable for the minority class compared to the other models, based on feature evaluation, SSIM scores, synthetic image quality, and loss pattern outcomes. Its simple architecture aids in capturing low variation in the dataset, making it superior to more complex architectures like DCGAN and StyleGAN. Further optimization and architectural adjustments could enhance the results, especially for datasets with low variation like the one used in this study.