Peramalan tinggi gelombang laut yang akurat sangat penting untuk memastikan
keselamatan maritim dan mengurangi risiko di wilayah pesisir. Namun, pendekatan
peramalan tradisional, seperti simulasi numerik, sering kali memerlukan biaya komputasi
yang tinggi, sementara pendekatan statistik biasanya kesulitan menjaga presisi dalam
jangka panjang di lingkungan yang sangat dinamis. Studi ini bertujuan untuk mengatasi
tantangan tersebut dengan mengevaluasi model deep learning bernama Autoformer, yang
menggunakan mekanisme perhatian autokorelasi, guna meningkatkan peramalan tinggi
gelombang deret waktu. Untuk mencapai tujuan ini, kami melakukan simulasi gelombang
bersarang secara kontinu menggunakan model gelombang SWAN untuk menghasilkan
data gelombang selama 10 tahun di wilayah pesisir Pelabuhan Ratu, Jawa Barat,
Indonesia. Wilayah ini memiliki dinamika gelombang yang dipengaruhi oleh gelombang
swell dan gelombang angin lokal. Kami menguji model dengan berbagai skenario untuk
menyelidiki sensitivitas panjang data pelatihan dan cakrawala peramalan. Selain itu, kami
membandingkan hasil model Autoformer dengan Transformer standar. Autoformer
mencapai mean absolute percentage error (MAPE) sebesar 0,0231, mean squared error
(MSE) sebesar 0,0003, root mean squared error (RMSE) sebesar 0,0173, koefisien
korelasi (CC) sebesar 0,9923, dan koefisien determinasi (R²) sebesar 0,9857, secara
konsisten mengungguli Transformer dalam semua metrik evaluasi. Hasil ini menegaskan
kemampuan superior Autoformer dalam memodelkan pola temporal yang kompleks.
Temuan studi ini menunjukkan potensi Autoformer sebagai alat yang andal untuk
peramalan tinggi gelombang jangka panjang di lingkungan pesisir yang dinamis, yang
dapat secara signifikan meningkatkan keselamatan maritim dan praktik pengelolaan
pesisir.