Pemodelan Prediksi Suhu Rata Rata Harian dan Kelembapan Relatif di Kota Semarang Menggunakan LSTM, GRU, dan GRU-LSTM

Abstract

Penelitian ini bertujuan membandingkan kinerja tiga model deep learning, yaitu Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan model hibrida GRU-LSTM dalam memprediksi suhu rata-rata harian dan kelembapan relatif di Kota Semarang. Data sekunder diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) periode 1 September 2021 hingga 2 Oktober 2025. Setelah dilakukan pra-pemrosesan dan normalisasi, data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Optimasi hiperparameter dilakukan dengan Bayesian Optimization menggunakan pustaka Optuna. Hasil evaluasi berdasarkan metrik MSE, RMSE, MAE, dan MAPE menunjukkan bahwa ketiga model mampu menangkap pola non-linier dan ketergantungan jangka panjang dalam data dengan baik. Model LSTM dan GRU-LSTM memberikan kinerja paling kompetitif pada prediksi suhu, sementara untuk kelembapan, perbedaan kinerja antarmodel relatif kecil. Prediksi 30 hari ke depan yang dihasilkan konsisten dengan pola musiman di Kota Semarang. Hasil penelitian ini dapat menjadi dasar pertimbangan dalam pengembangan sistem peringatan dini dan strategi adaptasi perubahan iklim berbasis data.