OPTIMASI PENJADWALAN PENERBANGAN DENGAN

PENDEKATAN DEEP LEARNING MEMANFAATKAN ROOT

MEAN SQUARE PROPAGATION DALAM PENYESUAIAN
RUTE DAN WAKTU UNTUK EFISIENSI OPERASIONAL
TIM PENGUSUL
1. Ketua Tim Pengusul
a. Nama Lengkap : Dona
b. NIDN :-
c. Jabatan Fungsional : Asisten Ahli
d. Program studi : Teknik Telekomunikasi & Navigasi Udara
e. Perguruan Tinggi : Politeknik Penerbangan Medan
f. Nomor HP : 081370563202
g. Alamat Surel :-
2. Anggota Tim Pengusul
a. Jumlah Anggota : 3 Orang Dosen
b. Nama Anggota 1 : Muhammad Amril, S.T., M.Pd
c. Nama Anggota 2 : Ivana
d. Nama Anggota 4 : Darmeli Nasution, S.Kom.,M.Kom
PENDAHULUAN
Penerbangan merupakan industri yang semakin maju dan bergantung pada
parameter seperti efisiensi, keamanan dan ketepatan waktu. Dalam penerbangan
terdapat penjadwalan yang merupakan aspek paling krusial dalam industri
penerbangan.
Pada industri penerbangan sangat erat kaitannya dengan penjadwalan yang akan
melibatkan variabel variabel yang kompleks seperti rute penerbangan, waktu
keberangkatan.
Namun dalam pengelolaan rute dan waktu penerbangan akan memerlukan
analisa mendalam terkait dengan kondisi kondisi seperti cuaca, lalu lintas udara,
ketersediaan bandara dan trafik penumpang.
PENDAHULUAN
Dalam perkembangannya banyak peneliti menggunakan deep learning untuk
mengatasi masalah prediksi dan pengambilan keputusan yang begitu kompleks
dalam melakukan pengelolaan terhadap penjadwalan penerbangan.
Banyak penelitian terkaitt penjadwalan penerbangan yang sudah melakukan
pengelolaan terhadap lalu lintas udara menggunakan deep learning ataupun
machine learning.
Namun penggunaan algoritma dari root mean square propagation belum pernah
dilakukan sehingga penelitian in akan menerapkan pendekatan Deep Learning
dan penggunaan optimasi root mean square propagation yang diharapkan dapat
memberikan solusi yang lebih adaptif dan responsif terhadap perubahan dinamis
yang terjadi pada penjadawalan rute penerbangan
BATASAN PENELITIAN
1. Penelitian ini hanya difokuskan pada data rute penerbangan, waktu
penerabangan yang menyangkut variabel cuaca, jumlah penumpang dan
ketersediaan bandara
2. Penelitian ini menggunakan optimasi algoritma Root Mean Square
Propagation (RMSprop)
3. Penelitian ini menggunakan Root mean square error
TUJUAN DAN MANFAAT
Pada penelitian ini memiliki tujuan dan manfaat untuk menerapkan teknik Deep
Learning khususnya dengan menggunakan algoritma RMSprop untuk
memprediksi dan mengoptimalkan penjadwalan rute dan waktu penerbangan.
meningkatkan ketepatan waktu penerbangan dan mengurangi keterlambatan
penerbangan dengan memperbaiki penjadwalan rute dan waktu dan mengurangi
biaya operasional dan meningkatkan efisiensi keseluruhan operasi maskapai
penerbangan dengan penjadwalan yang lebih optimal.
TARGET LUARAN

NO JENIS LUARAN INDIKATOR

CAPAIAN
KATEGORI SUB KATEGORI
Teknologi Tepat Guna, dengan Software
1 Model Deep Learning Ada
Pengujian Bahasa Pemrograman Python
Pertemuan Ilmiah (Seminar
2 Prosiding Publish
Nasional/Internasional)
Jurnal Ilmiah Bereputasi (Sinta 2), Nama
3 Publikasi Jurnal Publish
Jurnal Akan menyesuaikan
Akuisisi data
Dilakukan pengumpulan data berupa data lalu lintas penerbangan yang akan
diperoleh dari website Airnav Indonesia pada tahun 2022 sampai 2023
METODE PENELITIAN
Pada bagian ini akan dijelaskan arsitektur model dalam melaksanakan tugas
pengelolaan penjadwalan penerbangan. Arsitektur ini akan menggunakan data
dari website airnav Indonesia yang akan dimasukkan pada input data yang akan
diproses pada tahapan training dan testing yang kemudian akan melakukan
evaluasi model menggunakan root mean square error
METODE PENELITIAN
1 Tahap Persiapan Data

Dataset

Data lalu lintas

penerbangan Preprocessing data proses

2 Tahap Training Dan Testing 3 Tahap Evaluasi

Deep Learning

Training Data
CNN
RMSE

Root Mean Square

Propagation

Testing Data
TAHAPAN PENELITIAN
1. Tahapan persiapan data bertujuan untuk mengetahui apa yang harus dilakukan terkait dengan
pengumpulan data, pembersihan data sehingga menjadi data set. Tahap pengumpulan data akan
diperoleh dari website airnav.

2. Pelatihan model: Tahap ini melibatkan pelatihan model dengan pendekatan deep learning
menggunakan algoritma CNN dan menggunakan arsitektur optimasi dari CNN yaitu root
means square propogation

3. Tahapan Evaluasi ini akan melibatkan evaluasi dari perhitungan nilai error menggunakan
RMSE