Prediksi visibility pada penerbangan dengan menggunakan metode gate recurrent unit (GRU) berbasis seleksi fitur cross correlation function (CCF)

Visibility yang rendah menyebabkan terganggunya penerbangan terutama pada keterlambatan atau pembatalan jadwal penerbangan. Keadaan tersebut sulit diprediksi karena kondisinya yang relatif berubah-ubah tiap jamnya. Salah satu cara untuk mengetahui rendahnya visibility adalah dengan melihat jarak pandang aman di udara > 5 kilometer menurut peraturan Dinas Perhubungan. Oleh karena itu, tujuan dari penelitian ini adalah memprediksi visibility untuk mengantisipasi rendahnya visibility dengan menggunakan metode Gate Recurrent Unit (GRU). Model memiliki arsitektur yang lebih sederhana dibandingkan dengan model LSTM. GRU menggabungkan input gate dan forget gate LSTM menjadi update gate tunggal sehingga menghasilkan arsitektur yang lebih ramping. Variabel independen atau fitur yang digunakan dalam penelitian ini adalah suhu titik embun, suhu bola kering, kelembapan, arah dan kecepatan angin, serta curah hujan. Uji coba parameter dilakukan dengan memvariasikan batch size, learning rate, dan dropout. Hasil Cross Correlation Function (CCF) menunjukkan fitur yang digunakan untuk prediksi visibility adalah kecepatan angin, suhu bola kering, dan kelembapan. Hasil tingkat kesalahan prediksi menggunakan MAPE sebesar 12.75% dengan batch size sebanyak 32, learning rate sebesar 0.01, dan dropout sebesar 0.1. Dengan hasil tersebut menunjukkan bahwa model memiliki performa yang baik dalam memprediksi visibility.