Angin merupakan gerakan udara secara horizontal yang memiliki komponen fisis berupa kecepatan dan arah, yang disebabkan oleh perbedaan tekanan udara di suatu wilayah. Energi angin menawarkan potensi besar sebagai solusi alternatif untuk mengurangi ketergantungan terhadap bahan bakar fosil, karena bersifat terbarukan dan ramah lingkungan. Namun, kecepatan angin bersifat fluktuatif terhadap waktu, musim, dan kondisi geografis, sehingga memunculkan tantangan dalam menjaga kestabilan sistem energi yang bergantung padanya. Di sisi lain, jaringan anemometer sebagai alat ukur kecepatan angin sering mengalami gangguan seperti kerusakan sensor yang menyebabkan terjadinya kehilangan data selama proses perbaikan berlangsung. Penelitian ini bertujuan untuk mengembangkan model estimasi kecepatan angin berbasis Internet of Things (IoT) dengan memanfaatkan kombinasi Attention Layer Neural Networks dan metode optimasi Particle Swarm Optimization (PSO). Arsitektur model terdiri dari gabungan LSTM dan GRU yang diperkuat dengan lapisan attention untuk menangkap pola dinamis dari data time series kecepatan angin. PSO digunakan untuk mengoptimalkan jumlah neuron dalam model agar diperoleh konfigurasi terbaik yang menghasilkan akurasi tinggi dan kompleksitas yang efisien. Data pengujian diperoleh dari sensor anemometer yang merekam data kecepatan angin setiap jam, kemudian dilakukan pelatihan dan evaluasi menggunakan empat metrik utama: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model yang dioptimalkan dengan PSO memberikan performa estimasi yang unggul, dengan nilai R² rata-rata sebesar 98,38%, lebih tinggi dibandingkan model tanpa PSO yang memiliki nilai rata-rata R² sebesar 98,16%, sehingga diperoleh peningkatan akurasi sebesar 0,218%. Untuk pengembangan selanjutnya, model dapat mencakup eksplorasi arsitektur lain, perbandingan metode optimasi seperti PSO dengan pendekatan lain, integrasi ke dalam aplikasi berbasis web atau mobile, serta penambahan parameter cuaca untuk meningkatkan akurasi dan penerapan di dunia nyata.
Kata Kunci: Attention Layer Neural Networks, Estimasi, Kecepatan Angin, Particle Swarm Optimization (PSO).