AKMAL, RIZKI APRIANSYAH (2025) MEMPREDIKSI LONJAKAN JUMLAH PENUMPANG PESAWAT DAN KARGO DI BANDARA SOEKARNO HATTA: PENERAPAN LONG SHORT TERM MEMORY. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (627kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (101kB) |
|
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (247kB) |
|
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (131kB) |
|
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (731kB) |
|
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (35kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (125kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (417kB) |
Abstract
The increasing mobility of air transportation in Indonesia requires a prediction system to anticipate the surge in the number of passengers and cargo. SoekarnoHatta Airport, as the largest airport in Indonesia, has experienced a drastic decline in the number of passengers due to the COVID-19 pandemic but is projected to increase along with post-pandemic recovery. Therefore, an accurate prediction model is needed to assist airport management in making the right decisions regarding facility management and operational planning. This study aims to predict the number of passengers and cargo at Soekarno-Hatta Airport using the Long Short Term Memory (LSTM) method, which is an effective model for handling sequential data. The data used comes from the Directorate of Air Transportation Navigation from January 2020 to June 2024. This data includes Flight Date, Aircraft Type, Airline Type, Number of Passengers, Goods, Baggage, Packages, Passenger Age, Gender, Origin and Destination, Hours (TakeOff and Landing), and Runway (TakeOff and Landing). The data will go through a preprocessing process such as cleaning, normalization, and labeling, and is divided into training and validation data. To optimize the LSTM model with certain parameters, such as epochs, the Mean Square Error (MSE) and Root Mean Square Error (RMSE) metrics are used. In addition, the clustering method will be used to group different passenger patterns. This can help in making plans to cope with the surge in passengers and maintain the quality of airport services. It is expected that the results of this study will provide an accurate picture of the number of passengers and cargo to come. This will help reduce the risk of undercapacity and help in planning more efficient facilities and services. This study helps the Indonesian aviation sector in air transportation planning and developing LSTM-based prediction methods. Kata kunci: prediction, air passengers, cargo, Soekarno Hatta Airport, Long Short Term Memory, air traffic management. Mobilitas transportasi udara yang semakin meningkat di Indonesia memerlukan sistem prediksi yang untuk mengantisipasi lonjakan jumlah penumpang dan kargo. Bandara Soekarno-Hatta, sebagai bandara terbesar di Indonesia, mengalami penurunan drastis dalam jumlah penumpang akibat pandemi COVID-19 namun diproyeksikan akan mengalami peningkatan seiring dengan pemulihan pascapandemi. Karena itu, diperlukan model prediksi yang akurat untuk membantu manajemen bandara dalam pengambilan keputusan yang tepat terkait pengelolaan fasilitas dan perencanaan operasional. Penelitian ini bertujuan untuk memprediksi jumlah penumpang dan kargo di Bandara Soekarno-Hatta dengan menggunakan metode Long Short Term Memory (LSTM), yang merupakan model yang efektif untuk menangani data berurutan. Data yang digunakan berasal dari Direktorat Navigasi Perhubungan Udara dari tahun Januari 2020 hingga Juni 2024. Data ini termasuk Tanggal Penerbangan, Tipe Pesawat, Jenis Maskapai, Jumlah Penumpang, Barang, Bagasi, Paket, Usia Penumpang, Jenis Kelamin, Asal dan Tujuan, Jam (TakeOff dan Landing), dan Runway (TakeOff dan Landing). Data akan melalui proses preprocessing seperti pembersihan, normalisasi, dan pelabelan, serta dibagi menjadi data pelatihan dan validasi. Untuk mengoptimalkan model LSTM dengan parameter tertentu, seperti epochs, digunakan metrik Mean Square Error (MSE) dan Root Mean Square Error (RMSE). Selain itu, metode clustering akan digunakan untuk mengelompokkan pola penumpang yang berbeda. Ini dapat membantu dalam pembuatan rencana untuk mengatasi lonjakan penumpang dan menjaga kualitas layanan bandara. Diharapkan hasil penelitian ini akan memberikan gambaran yang akurat tentang jumlah penumpang dan kargo yang akan datang. Ini akan membantu mengurangi risiko undercapacity dan membantu dalam perencanaan fasilitas dan layanan yang lebih efisien. Penelitian ini membantu sektor penerbangan Indonesia dalam perencanaan transportasi udara dan pengembangan metode prediksi berbasis LSTM. Kata kunci: prediksi penumpang pesawat, kargo, Bandara Soekarno Hatta, Long Short Term Memory, manajemen lalu lintas udara.
Actions (login required)
 |
View Item |
