PREDIKSI VARIABEL PENENTU CUACA PADA RUNWAY 10 BANDARA JUANDA MENGGUNAKAN HYBRID LSTM

PREDICTION OF WEATHER DETERMINING VARIABLES ON RUNWAY 10 OF JUANDA AIRPORT USING HYBRID LSTM

Perubahan iklim global meningkatkan frekuensi cuaca ekstrem yang berdampak pada berbagai sektor, termasuk penerbangan. Prediksi cuaca yang akurat menjadi sangat penting untuk menjamin keselamatan kegiatan manusia, termasuk operasi penerbangan. Penelitian ini bertujuan untuk memprediksi variabel penentu cuaca pada Runway 10 Bandara Juanda menggunakan arsitektur  Long Short Term Memori (LSTM) yang digabung dengan arsitektur lain Recurrent Neural Network(RNN) atau Gated  Recurrent Unit (GRU) yang dinamakan Hybrid LSTM. Data yang digunakan dalam penelitian ini adalah suhu udara, kelembapan udara, dan tekanan udara yang dikumpulkan dari Automatic Weather Observing System (AWOS). Setiap variabel memiliki variasi dan pola yang berbeda, sehingga hasil prediksi untuk masing-masing variabel juga akan memiliki nilai yang berbeda beda. Pengujian dilakukan dengan tiga periode berbeda yaitu 5, 10 dan 30 menit dan juga dilakukan perbandingan antara model Hybrid dan yang tidak di Hybrid.  Hasil uji coba menunjukkan bahwa arsitektur LSTM-RNN menghasilkan nilai evaluasi terbaik saat memprediksi suhu 10 menit ke depan dengan MSE sebesar 0.050, MAE 0.1277, RMSE 0.2249, dan MAPE 0.46%. Juga memberikan prediksi terbaik untuk kelembapan udara dalam 5 dan 10 menit ke depan dengan MSE 0.3403, MAE 0.2737, RMSE 0.53833, dan MAPE 0.32% untuk 5 menit; serta MSE 1.0853, MAE 0.4342, RMSE 1.0418, dan MAPE 0.52% untuk 10 menit. Arsitektur LSTM-GRU menghasilkan nilai evaluasi terbaik saat memprediksi suhu 5 menit ke depan dengan MSE 0.0183, MAE 0.0854, RMSE 0.1359, dan MAPE 0.30%. Juga memberikan prediksi terbaik untuk tekanan udara 10 menit ke depan dengan MSE 0.0078, MAE 0.0617, RMSE 0.855, dan MAPE 0.01%. Hal ini menunjukkan model yang telah dibangun lebih cocok untuk memprediksi jangka pendek dan menengah (5 dan 10 menit), sedangkan untuk memprediksi jangka panjang (30 menit) diperlukan pengembangan model dengan melakukan penambahan fitur atau penyesuaian hyperparameter untuk meningkatkan akurasi. 

Global climate change increases the frequency of extreme weather, impacting various sectors, including aviation. Accurate weather prediction becomes crucial to ensure the safety of human activities, including aviation operations. This research aims to predict key weather variables at Runway 10 Juanda Airport using a Long Short Term Memory (LSTM) architecture combined with another Recurrent Neural Network (RNN) or Gated  Recurrent Unit (GRU) architecture, named Hybrid LSTM. The data used in this research includes temperature, air humidity, and air pressure obtained from the Automatic Weather Observing System (AWOS). Each variable has different variations and patterns, resulting in different prediction values for each variable. Testing was conducted over three different periods: 5, 10, and 30 minutes, and a comparison was also made between the Hybrid and non-Hybrid models. The test results showed that the LSTM-RNN architecture produced the best evaluation values when predicting the temperature 10 minutes ahead with an MSE of 0.050, MAE of 0.1277, RMSE of 0.2249, and MAPE of 0.46%. It also provided the best prediction for air humidity within 5 and 10 minutes ahead with an MSE of 0.3403, MAE of 0.2737, RMSE of 0.53833, and MAPE of 0.32% for 5 minutes; and an MSE of 1.0853, MAE of 0.4342, RMSE of 1.0418, and MAPE of 0.52% for 10 minutes. The LSTM-GRU architecture produced the best evaluation values when predicting the temperature 5 minutes ahead with an MSE of 0.0183, MAE of 0.0854, RMSE of 0.1359, and MAPE of 0.30%. It also provided the best prediction for air pressure 10 minutes ahead with an MSE of 0.0078, MAE of 0.0617, RMSE of 0.855, and MAPE of 0.01%. This indicates that the developed model is more suitable for short and medium-term predictions (5 and 10 minutes), whereas for long-term predictions (30 minutes), model development is required by adding features or adjusting hyperparameters to improve accuracy.