Deep Learning dan Model Tradisional untuk Peramalan Kecepatan Angin di Arab Saudi

Abstrak

Penelitian ini mengevaluasi kinerja metode statistik tradisional, khususnya Seasonal Autoregressive Integrated Moving Average (SARIMA), dibandingkan dengan model deep learning lanjutan—Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), dan Convolutional Neural Network (CNN)—dalam peramalan kecepatan angin di berbagai wilayah di Arab Saudi: Al-Jouf, Abha, Al-Ahsa, dan Al-Dawadami. Dataset historis kecepatan angin sepanjang tahun 2018 digunakan dalam studi ini, dengan data mentah yang telah dibersihkan menggunakan metode Exploratory Data Analysis (EDA) untuk memastikan konsistensi dan kualitas. Model dievaluasi menggunakan tiga metrik kesalahan utama: Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Square Error (RMSE). Hasil menunjukkan bahwa CNN secara konsisten mengungguli SARIMA dan model deep learning lainnya, terutama dalam meramalkan pola kecepatan angin yang stabil. LSTM menunjukkan kemampuan dalam menangani data angin yang berfluktuasi, sedangkan BiLSTM unggul dalam menangkap ketergantungan temporal dua arah yang kompleks. Di sisi lain, SARIMA umumnya menunjukkan performa prediksi yang lebih rendah dibandingkan pendekatan deep learning. Keunggulan CNN kemungkinan besar disebabkan oleh kemampuannya dalam mengekstraksi fitur lokal dan menangani pola spasial dengan lebih efektif, yang sangat bermanfaat untuk peramalan jangka pendek. Temuan ini memberikan wawasan berharga dalam pemilihan model untuk peramalan energi angin dan dapat berkontribusi pada optimalisasi integrasi energi terbarukan. Studi selanjutnya dapat mengeksplorasi pendekatan model hibrida untuk meningkatkan akurasi prediksi.