Aplikasi Computational Intelligence Di Bandara Bandara

HomeARTICLESAplikasi Computational Intelligence di Bandara Bandara 1. Introduction
Dengan adanya perencanaan pemindahan ibu kota Indonesia ke Kalimantan Timur membuat adanya kemungkinan sejumlah imigran yang ingin tinggal di daerah ibu kota baru. Transportasi umum yang memungkinkan perpindahan ini adalah transportasi udara/pesawat. Dengan peningkatan penggunaan airport ini tentu saja harus diadakan system yang dapat meningkatkan efektifitas kinerja dari airport itu sendiri. Untuk mencegah dari hal tersebut, diperlukan adaptasi Artificial Intelligence pada keamanan maupun logistic airport agar dapat mengurangi tingkat antrian yang biasa terjadi pada waktu sibuk.

Tidak hanya Artificial Intelligence, tetapi Computational Intelligence (CI) juga diperlukan pada system bandar udara. Kegunaan dari CI pada bandara sendiri beragam, seperti memprediksi cuaca penerbangan, memprediksi harga tiket dll. Pada penelitian ini, peneliti akan mencari beberapa penelitian yang berkaitan dengan kegunaan CI pada lingkungan bandar udara.

2. Related Works
a. Sistem Peramalan Untuk Penumpang, Pesawat, Bagasi, dan Kargo dengan Menggunakan Artificial Intelligence Method-Backpropagation Neural Network di Bandara Internasional Juanda

Prabowo (2021) telah melakukan sebuah penelitian dalam pembuatan sistem peramalan penumpang, bagasi, dan muatan untuk pesawat pada bandara internasional Juanda dengan menggunakan metode backpropagation neural network. Tujuan dari sistem prediksi ini yaitu untuk membantu pihak manajemen bandara untuk menentukan keputusan dalam meningkatkan fasilitas yang ada dikarenakan peningkatan penumpang yang selalu bertambah seiring waktu. Data yang digunakan pada penelitian ini adalah jumlah pesawat, penumpang, dan muatan yang terjadi pada Mei 2014 sampai Mei 2019. Variabel yang digunakan dalam proses backpropagation adalah Input layer = 12, Hidden Layer = 7, Output layer = 1, Total Connection = 99, Learning rate = 0.01 Goal Error = 0.001, Forecasting = 12 months ahead. Untuk memprediksi data yang terjadi pada 12 bulan kedepan, peneliti menggunakan data pada tanggal Mei 2014 sampai Mei 2018 dengan iterasi. Hasil perbandingan data yang diprediksi dan yang terjadi pada Mei 2018 sampai Mei 2019 memiliki RMSE penumpang 0.00353, bagasi penumpang 0.009671, muatan 0.00919.

b. Studi Model Image Local Semantic Feature Extraction berbasis Bag-Of-Words untuk keamanan Bandara.
Penelitian yang dilakukan oleh (Ning Zhang & Jin-fu Zhu, 2015), meneliti tentang metode ekstraksi dengan model Image Local Semantic Features Extraction dengan mesin X-Ray. penelitian ini dilakukan dengan tujuan untuk meningkatkan keamanan di bandara dengan menyaring benda benda berbahaya yang disembunyikan oleh penumpang yang dapat membahayakan keselamatan penerbangan serta penduduk sipil. Peneliti menganalisis visual semantic untuk meningkatkan kemampuan image recognition yang dapat melihat benda berbahaya serta menerapkan metode local semantic feature extraction. metode ini dilakukan untuk mentraining serta screening data untuk mengenali gambar gambar tertentu. setelah mendapatkan hasil klasifikasi dan ringkasan, peneliti dapat mengenali gambar dan menunjukkan tingkat akurasi yang cukup tinggi. Local semantic feature juga dapat diterapkan untuk mendapatkan ruang distribusi dari local semantic feature yang digunakan untuk memodelkan gambar dari benda berbahaya untuk dilakukan klasifikasi serta training agar mendapatkan hasil yang memuaskan. hasil dari penelitian yang dilakukan juga menunjukkan peningkatan akurasi serta efisiensi dari image recognition untuk menyaring gambar dan menunjukkan efek yang memuaskan.

c. Simulasi aplikasi logika Fuzzy pada proses pendaratan otomatis pesawat terbang
AIDHA (2006) melakukan penelitian dengan menggunakan logika Fuzzy untuk menentukan apakah pesawat diperbolehkan untuk melakukan pendaratan secara otomatis. Tujuan utama dari penelitian ini yaitu untuk membantu pihak ATC (Air Traffic Control) untuk dapat memproses analisa data lebih efisien untuk pesawat untuk mendarat. Variabel himpunan fuzzy yang ditentukan untuk dilakukan proses fuzzifikasi adalah kecepatan angin, jarak pandang, awan, dan suhu udara. Setelah pembuatan fuzzifikasi, defuzzifikasi dilakukan dengan menggunakan metode centroid untuk menemukan nilai crisp. Hasil dari penelitian ini yaitu sistem dapat menggolongkan penerbangan pesawat jenis cassa 212 itu termasuk dalam BL (boleh landing) atau TBL (tidak boleh landing) menggunakan metode logika fuzzy. Setelah dilakukan penelitian, penerbangan pesawat jenis cassa 212 termasuk pada golongan TBL.

d. Model fuzzy untuk mengevaluasi pekerjaan pemeriksa keamanan bandara
Penelitian yang dilakukan oleh (Skorupski, J. & Uchronski, P., 2015), meneliti tentang analisis tentang faktor peran manusia dalam proses pemeriksaan bagasi di bandara. Tujuan utama penelitian ini adalah untuk mengevaluasi efektivitas proses ini, yaitu kemampuan untuk mendeteksi semua barang terlarang yang disimpan di bagasi yang ditempatkan di kompartemen bagasi di pesawat terbang. Ini adalah sebuah topik yang rumit karena efektivitas penyaringan keamanan bergantung pada faktor manusia dan banyak faktor subjektif lainnya

sebagai serta yang tidak dapat diukur secara objektif. Hirarki model fuzzy yang telah dikembangkan, bersama dengan komputer alat RBES, memungkinkan untuk mengevaluasi pemeriksa bagasi yang bekerja di Bandara Internasional Katowice-Pyrzowice. Karyawan ini dievaluasi baik secara individu maupun bersama-sama, yaitu sebagai kelompok yang menangani pemeriksaan bagasi yang terdaftar. Secara kuantitatif ditunjukkan bahwa evaluasi kelompok berubah setelah beberapa anggotanya diganti. Dari hasil analisis penelitian ini, rekomendasi dibuat bahwa sesi pelatihan komprehensif harus dilakukan setiap 12 bulan, sedangkan sesi pelatihan berkelanjutan harus diadakan setiap 6 bulan.

e. Computational Intelligence-Based Prediction Model for Flight Departure Delays

Penelitian oleh (Hopane & Gatsheni, 2019) yaitu meneliti tentang prediksi keterlambatan jadwal kedatangan dan keberangkatan pesawat di bandara Afrika selatan yaitu bandara ORTIA yang memiliki 28 juta penumpang setiap tahunnya menjadikan bandara tersebut termasuk bandara dengan tingkat kesibukan dan kepadatan yang tinggi di Afrika selatan. Keterlambatan pesawat memberikan pengaruh negatif terhadap proses bisnis, lowongan pekerjaan dan turisme. Penelitian dilakukan dengan beberapa algoritma Machine Learning; Decision Tree, Support Vector Machine, K-Means Clustering, dan Multi Layered Perceptron. Data yang digunakan adalah data penerbangan di bandara ORTIA yang berisi 82 penerbangan domestic dan International. Hasil penelitian menunjukkan Decision Tree memiliki hasil akurasi sebesar 67.1% yaitu lebih unggul dibandingkan model algoritma lainnya sehingga ORTIA atau bandara lainnya dapat memanfaatkan model prediksi tersebut untuk membantu para penumpang untuk terhindar dari keterlambatan dan pembatalan penerbangan.

3. Conclusion
Dari hasil review sebelumnya bisa disimpulkan bahwa ada beberapa konsep teknologi CI yang dapat diimplementasikan pada bandar udara di Indonesia untuk meningkatkan efektifitas dan efisiensi kerja. Menurut peneliti untuk menanggulangi peningkatan jumlah pengguna bandar udara konsep yang paling tepat untuk di implementasi yaitu penelitian pertama. Dengan memprediksi kapasitas penumpang dan memperkirakan jumlah muatan yang akan masuk, pihak bandara dapat mengantisipasi dengan meningkatkan kapasitas bandara untuk menampung kebutuhan yang akan datang.

Refrensi

Prabowo, A. S. (2021). Forecasting System for Passenger, Airplane, Luggage and Cargo, Using Artificial Intelligence Method-Backpropagation Neural Network at Juanda International Airport. WARTA ARDHIA, 45(2), Zhang, N., & Zhu, J. (2015). A STUDY OF X-RAY MACHINE IMAGE LOCAL SEMANTIC FEATURES EXTRACTION MODEL BASED ON BAG-OF-WORDS FOR AIRPORT SECURITY. International Journal on Smart Sensing & Intelligent Systems, 8(1).

AIDHA, Z. R. (2006). Simulasi aplikasi logika Fuzzy pada proses pendaratan otomatis pesawat terbang (Doctoral dissertation, Universitas Gadjah Mada).

Skorupski, J., & Uchroński, P. (2015). A fuzzy model for evaluating airport security screeners’ work. Journal of Air Transport Management, 48, 42-51.

Hopane, J., & Gatsheni, B. (2019, December). A computational intelligence-based prediction model for flight departure delays. In 2019 International Conference on Computational Science and Computational Intelligence (CSCI) (pp. ). IEEE.

Farrel Ramadhan Subening Ciady Venthury Ibrahim Tifal Atha Amani Muhammad Ichsan Rosaldi