PREDIKSI KETERLAMBATAN SEBUAH MASKAPAI MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Abstract

Penelitian ini bertujuan untuk membandingkan model prediksi keterlambatan penerbangan maskapai menggunakan tiga algoritma machine learning: K-Nearest Neighbor (KNN), Naïve Bayes, dan Random Forest. Data yang digunakan diperoleh dari platform Kaggle, terdiri dari 539.382 observasi dengan 6 atribut utama. Fitur target dalam prediksi adalah "Class", dengan fitur lain seperti 'Flight', 'Time', 'Length', 'Airline', dan 'DayOfWeek'. Dataset dibagi menjadi data latih (60%) dan data uji (40%). Hasil eksperimen menunjukkan bahwa metode K-Nearest Neighbor menghasilkan akurasi tertinggi sebesar 64%, diikuti oleh Random Forest dengan 62%, dan Naïve Bayes dengan 60%. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Penelitian ini menunjukkan bahwa metode K-Nearest Neighbor lebih unggul dibandingkan dua metode lainnya dalam memprediksi keterlambatan maskapai. Implikasi dari hasil ini mencakup potensi peningkatan efisiensi maskapai dalam memitigasi risiko keterlambatan, yang berdampak pada kepuasan pelanggan dan pengelolaan operasional.