PREDIKSI SUHU MAKSIMUM BERBASIS DEEP LEARNING DENGAN MODEL LONG SHORT-TERM MEMORY DAN GATED RECCURENT UNIT (STUDI KASUS WILAYAH CIPUTAT)

Hesti Rahayuningsih; Tukiyat Tukiyat; Abu Khalid Rivai

doi:10.31539/f9e1d633

Authors

Hesti Rahayuningsih Universitas Pamulang
Tukiyat Tukiyat Universitas Pamulang
Abu Khalid Rivai Universitas Pamulang

DOI:

https://doi.org/10.31539/f9e1d633

Abstract

Prediksi suhu maksimum merupakan hal yang penting dalam kajian meteorologi karena berpengaruh terhadap berbagai sektor, seperti pertanian, kesehatan masyarakat, manajemen energi, dan perencanaan wilayah. Wilayah Ciputat menjadi lokasi yang relevan untuk studi prediksi iklim lokal, karena pernah sebagai wilayah dengan suhu ekstrem sebesar 37,2 °C pada 17 April 2023. Penelitian ini bertujuan untuk membandingkan kinerja model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi suhu maksimum harian di wilayah Ciputat serta menentukan model dengan performa terbaik. Data yang digunakan meliputi suhu maksimum harian, curah hujan, kelembapan, dan tekanan udara periode 2009–2025 yang diperoleh dari BMKG Wilayah II Ciputat, sehingga merepresentasikan variabilitas musiman dan pola iklim tropis jangka panjang. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Coefficient of Determination (R²), dan Mean Absolute Percentage Error (MAPE). Hasil evaluasi menunjukkan model LSTM dengan performa yang lebih baik dalam memprediksi suhu maksimum dibandingkan model GRU berdasarkan nilai MAE, RMSE, R² dan MAPE. Hasil penelitian ini diharapkan dapat mendukung pengembangan metode prediksi suhu berbasis deep learning yang lebih akurat serta menjadi referensi dalam pengambilan keputusan terkait mitigasi risiko iklim.

Kata Kunci: Prediksi suhu maksimum, LSTM, GRU, Deep learning, Ciputat.

References

Alotaibi, K., Ghumman, A. R., Haider, H., Ghazaw, Y. M., & Shafiquzzaman, M. (2018). Future predictions of rainfall and temperature using GCM and ANN for arid regions: A case study for the Qassim region, Saudi Arabia. Water (Switzerland), 10(9). https://doi.org/10.3390/w10091260

Arsali, A., Satya, O. C., Supardi, S., & Purna, I. (2015). PENENTUAN KOEFISIEN UNTUK PERHITUNGAN SUHU UDARA RATA-RATA HARIAN DATA STASIUN KLIMATOLOGI PALEMBANG. Jurnal Meteorologi Dan Geofisika, 16((1)). https://doi.org/https://doi.org/10.31172/jmg.v16i1.260

Carnegie, M. D. A., & Chairani, C. (2023). Perbandingan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Memprediksi Curah Hujan. Jurnal Media Informatika Budidarma, 7(3), 1022. https://doi.org/10.30865/mib.v7i3.6213

Gao, S., Huang, Y., Zhang, S., Han, J., Wang, G., Zhang, M., & Lin, Q. (2020). Short-term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation. Journal of Hydrology, 589, 125188. https://doi.org/10.1016/j.jhydrol.2020.125188

Intan, I., Rismayani, Aminah Dinayati Ghani, S., Nurdin, & Koswara, A. T. (2021). Analisis Performansi Prakiraan Cuaca Menggunakan Algoritma Machine Learning. Jurnal Pekommas , 6(2), 1–8. https://doi.org/10.30818/jpkm.2021.2060221

Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 379(2194), 20200209. https://doi.org/10.1098/rsta.2020.0209

Lin, M. L., Tsai, C. W., & Chen, C. K. (2021). Daily maximum temperature forecasting in changing climate using a hybrid of Multi-dimensional Complementary Ensemble Empirical Mode Decomposition and Radial Basis Function Neural Network. Journal of Hydrology: Regional Studies, 38(September), 100923. https://doi.org/10.1016/j.ejrh.2021.100923

Molina, M. J., O’Brien, T. A., Anderson, G., Ashfaq, M., Bennett, K. E., Collins, W. D., Dagon, K., Restrepo, J. M., & Ullrich, P. A. (2023). A Review of Recent and Emerging Machine Learning Applications for Climate Variability and Weather Phenomena. Artificial Intelligence for the Earth Systems, 2(4), 1–17. https://doi.org/10.1175/aies-d-22-0086.1

Montolalu, V., Munaiseche, C., & Krisnanda, M. (2024). Analisis Performa Autoregressive Integrated Moving Average Model dan Deep Learning Long Short-Term Memory Model untuk Peramalan Data Cuaca. JOINTER : Journal of Informatics Engineering, 5(02), 8–21. https://doi.org/10.53682/jointer.v5i02.112

Pratama, A. R., Wabula, F., Ilmandry, H., Isabela, M. L., & Sianipar, R. (2025). Literature Review The Impact of Machine Learning in Modern Industries. 2021.

Ripto, J. A., & Heryanto, H. (2023). Penerapan Gated Recurrent Unit untuk Prediksi Pergerakan Harga Saham pada Bursa Efek Indonesia. Institut Teknologi Harapan Bangsa.

Rizki, M., Basuki, S., & Azhar, Y. (2020). Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang. Jurnal Repositor, 2(3), 331–338. https://doi.org/10.22219/repositor.v2i3.470

Saputra, E. P., Ginanjar, S., Kusumo, A. T., & Saryoko, A. (2024). Monitoring Tekanan Udara Berbasis Internet of Things Menggunakan Thingsboard untuk Kontrol Ruangan. Jurnal Riset Dan Aplikasi Mahasiswa Informatika (JRAMI), 5(4), 869–876. https://doi.org/10.30998/jrami.v5i4.10973

Sari, Y., Arifin, Y. F., Novitasari, N., & Faisal, M. R. (2022). Deep Learning Approach Using the GRU-LSTM Hybrid Model for Air Temperature Prediction on Daily Basis. International Journal of Intelligent Systems and Applications in Engineering, 10(3), 430–436.

Song, X., Deng, L., Wang, H., Zhang, Y., & He, Y. (2025). Deep learning-based time series forecasting.

Teixeira, R., Cerveira, A., Pires, E. J. S., & Baptista, J. (2024). Enhancing Weather Forecasting Integrating LSTM and GA. Applied Sciences (Switzerland), 14(13), 1–23. https://doi.org/10.3390/app14135769

Tholib, A., Agusmawati, N. K., & Khoiriyah, F. (2023). PREDIKSI HARGA EMAS MENGGUNAKAN METODE LSTM DAN GRU. Jurnal Informatika Dan Teknik Elektro Terapan, 11(3). https://doi.org/10.23960/jitet.v11i3.3250

Wayan, I., & Suranata, A. (n.d.). Pengembangan Model Prediksi Curah Hujan di Kota Denpasar Menggunakan Metode LSTM dan GRU.

Yan, K., Gan, J., Sui, Y., Liu, H., Tian, X., Lu, Z., & Ali Abdo, A. M. (2025). An LSTM neural network prediction model of ultra-short-term transformer winding hotspot temperature. AIP Advances, 15(3). https://doi.org/10.1063/5.0213051

Zhang, T., Zhou, Y., Wang, L., Zhao, K., & Zhu, Z. (2022). Estimating 1 km gridded daily air temperature using a spatially varying coefficient model with sign preservation. Remote Sensing of Environment, 277, 113072. https://doi.org/10.1016/j.rse.2022.113072