EVALUASI KINERJA MODEL DEEP LEARNING DALAM MEMPREDIKSI DAN MEMPROYEKSIKAN GLOBAL HORIZONTAL IRRADIANCE (GHI) DI INDONESIA TIMUR BERBASIS DATA CMIP6

Abstract

Penelitian ini mengevaluasi kinerja tiga model deep learning yaitu GRU, XGBoost, dan CNN-1D dalam memprediksi dan memproyeksikan Global Horizontal Irradiance (GHI) di 15 provinsi Indonesia Timur berbasis data CMIP6. Model dilatih menggunakan data observasi NASA POWER periode 1995-2010 dan diuji pada periode 2011-2014 sebelum diterapkan pada proyeksi CMIP6 skenario SSP2-4.5 dan SSP5-8.5 untuk periode 2015–2055. Tiga model GCM dipilih menggunakan peringkat z-score yaitu EC-Earth3 sebagai model referensi, CanESM5 sebagai batas atas, dan IITM-ESM sebagai batas bawah rentang ketidakpastian, dengan koreksi bias Quantile Mapping diterapkan pada seluruh keluaran GCM sebelum digunakan sebagai input proyeksi. GRU mencapai kinerja terbaik dengan rata-rata R² bulanan sebesar 0,88 pada seluruh 15 provinsi, diikuti XGBoost sebesar 0,87, sementara CNN-1D tidak menunjukkan kinerja memadai dengan rata-rata R² bulanan sebesar -14,24 akibat keterbatasan panjang sekuens input. Proyeksi menggunakan model GRU menunjukkan penurunan GHI rata-rata sebesar 1,69% pada skenario SSP2-4.5 dan 1,77% pada skenario SSP5-8.5 dibandingkan baseline historis, dengan penurunan terbesar terjadi di Sulawesi Tengah dan wilayah Papua yang dikaitkan dengan intensifikasi tutupan awan orografis akibat peningkatan uap air atmosfer seiring pemanasan permukaan laut. Kedua skenario menunjukkan level GHI rata-rata yang serupa namun berbeda pada arah tren temporal, di mana sebagian besar provinsi menunjukkan tren meningkat pada SSP2-4.5 sementara seluruh provinsi menunjukkan tren menurun pada SSP5-8.5. Evaluasi generalisasi mengungkapkan bahwa model GRU cenderung mengecilkan nilai GHI pada periode puncak musiman tertentu dan menghasilkan fluktuasi antartahun yang lebih kecil dibandingkan kondisi historis, sehingga hasil proyeksi lebih tepat diinterpretasikan sebagai gambaran kondisi rata-rata jangka panjang daripada rentang penuh variabilitas iklim yang sesungguhnya.