<![CDATA[Penelitian ini mengevaluasi kontribusi mekanisme attention dalam meningkatkan akurasi prediksi intensitas dan trajektori siklon tropis di Pasifik Barat menggunakan tiga konfigurasi hyperparameter dari literatur, yaitu Nketiah (2023), Giffard-Roisin (2020), dan Mulia (2025). Enam arsitektur Recurrent Neural Network (RNN) yaitu LSTM, BiLSTM, Att-BiLSTM, GRU, BiGRU, dan Att-BiGRU. Model ini dilatih menggunakan data IBTrACS beresolusi 3 jam periode 1945-2025. Kinerja model dievaluasi dengan MAE, RMSE, dan MAPE pada lead time 12, 24, 48, dan 72 jam. Hasil menunjukkan bahwa model berbasis attention secara konsisten menghasilkan error lebih rendah dibandingkan model tanpa attention pada prediksi intensitas. Konfigurasi Nketiah (2023) dengan Att-BiLSTM memberikan performa terbaik dengan MAE intensitas 7,78 knot dan MAE trajektori 77,97 km pada lead time 12 jam. Konfigurasi Giffard-Roisin (2020) dengan Att-BiGRU unggul pada prediksi intensitas jangka pendek hingga menengah, sedangkan konfigurasi Mulia (2025) menghasilkan error intensitas terendah namun akurasi posisi lebih rendah. Analisis kasus menunjukkan attention efektif pada siklon dengan pergerakan gradual, tetapi masih terbatas pada siklon dengan translasi zonal cepat. Temuan ini mendukung penerapan attention dalam sistem peringatan dini siklon tropis operasional.]]>
Copyrights © 2026
