Abstract:
Suhu udara memiliki pergerakan perubahan yang cepat. Prediksi suhu sangat penting sebagai dasar referensi yang tepat untuk pengambilan keputusan dan perencanaan yang baik bagi pemangku kepentingan. Namun, pada prediksi suhu mikro ataupun makro, indikator yang tepat untuk mendapatkan akurasi yang tinggi belum ditemukan. Untuk mengatasi hal tersebut, kami mengusulkan pendekatan deep learning dengan model Hybrid GRU-LSTM. Kedua model pembelajaran mendalam ini sangat cocok untuk prediksi yang bersifat time series. Variasi indikator model mempengaruhi performa model hybrid ini, indikator yang paling mempengaruhi performa model adalah tahapan preprocessingnya, jumlah input parameternya serta ada atau tidaknya Dropout Layer pada arsitektur modelnya. Performa Prediksi suhu makro terbaik ditemukan pada penggunaan data makro bulanan dengan menggunakan 12 data rata-rata bulanan untuk memprediksi suhu bulan selanjutnya, dan mendapatkan RMSE sebesar 0.056807, MAE sebesar 0.046592, dan R2 sebesar 0.989371. Model ini juga mendapatkan performa terbaik saat digunakan untuk memprediksi suhu mikro harian dengan RMSE sebesar 0.227086, MAE sebesar 0.190801, dan R2 sebesar 0.981802.
