Prediksi Kecepatan Angin Menggunakan Gated Recurrent Unit (GRU) dengan Estimasi Ketidakpastian Monte Carlo Dropout pada Data BMKG Tanjung Perak

Sari

Abstrak: Keterbatasan metode prediksi konvensional dalam memodelkan dependensi temporal dan ketidakpastian prediksi mendorong pengembangan pendekatan berbasis deep learning. Penelitian ini bertujuan mengembangkan model prediksi kecepatan angin menggunakan metode Gated Recurrent Unit (GRU) pada data meteorologi yang berasal dari stasiun pengamatan BMKG Tanjung Perak. Penelitian ini dilakukan karena metode prediksi sebelumnya masih memiliki keterbatasan dalam menangkap pola temporal dan dependensi jangka panjang pada data time series, serta umumnya belum mengakomodasi ketidakpastian hasil prediksi. GRU dipilih karena mampu memodelkan dependensi temporal secara efisien, sedangkan simulasi Monte Carlo digunakan untuk menghasilkan beberapa skenario prediksi dan mengestimasi interval kepercayaan. Data yang digunakan mencakup parameter kecepatan angin dengan interval waktu tertentu. Hasil evaluasi menunjukkan bahwa model menunjukkan performa yang baik untuk memprediksi kecepatan angin secara akurat, dengan nilai MAE sebesar 0,37, RMSE sebesar 0,50, MAPE sebesar 5,78%, dan R² sebesar 0,986. Dengan demikian, model yang dikembangkan dapat menjadi solusi dalam analisis dan peramalan data time series meteorologi secara komprehensif.
Kata kunci: Prediksi Kecepatan Angin, Analisis Time Series, Gated Recurrent Unit (GRU), Simulasi Monte Carlo, Data Meteorologi

Abstract: The limitations of conventional forecasting methods in modeling temporal dependencies and forecast uncertainty have driven the development of deep learning-based approaches. This study aims to develop a wind speed forecasting model using the Gated Recurrent Unit (GRU) method on meteorological data from the BMKG Tanjung Perak observation station. This study was conducted because previous prediction methods still have limitations in capturing temporal patterns and long-term dependencies in time series data, and generally do not accommodate the uncertainty of prediction results. GRU was chosen because it is capable of modeling temporal dependencies efficiently, while Monte Carlo simulation was used to generate several prediction scenarios and estimate confidence intervals. The data used includes wind speed parameters at specific time intervals. The evaluation results show that the model shows good performance in predicting wind speed accurately, with an MAE of 0.37, an RMSE of 0.50, a MAPE of 5.78%, and an R² of 0.986. Thus, the developed model can serve as a solution for comprehensive analysis and forecasting of meteorological time series data.
Keywords: Wind Speed Prediction, Time Series Analysis, Gated Recurrent Unit (GRU), Monte Carlo Simulation, Meteorological Data