<![CDATA[Penelitian ini mengembangkan model prediksi suhu udara jangka pendek berbasis Long Short-Term Memory (LSTM) menggunakan data deret waktu dari Automatic Weather Observing System (AWOS) BMKG Juanda. Pemanfaatan data operasional AWOS yang bersifat kontinu dan real-time memberikan peluang untuk meningkatkan akurasi peramalan suhu pada lingkungan bandara yang memiliki dinamika cuaca tinggi. Penelitian ini membandingkan dua pendekatan pemodelan, yaitu LSTM murni dan LSTM dengan seleksi fitur berbasis Principal Component Analysis (PCA), untuk mengevaluasi pengaruh reduksi dimensi terhadap performa prediksi suhu udara. Dataset yang digunakan merupakan data observasi meteorologi tahun 2022 dengan interval 30 menit. Hasil evaluasi pada data pengujian menunjukkan bahwa kedua model menghasilkan kinerja yang sangat baik dengan nilai MAE sekitar 0,31 °C. Model LSTM + PCA menghasilkan MAE sebesar 0,3171 °C, sedangkan LSTM murni sebesar 0,3178 °C, menunjukkan bahwa perbedaan akurasi kedua pendekatan relatif kecil. Meskipun tidak meningkatkan akurasi secara signifikan, penerapan PCA mampu mengurangi kompleksitas fitur dan meningkatkan efisiensi komputasi pada proses pelatihan model. Kontribusi penelitian ini terletak pada pemanfaatan data AWOS operasional nyata, penerapan fitur meteorologi multivariat dalam pemodelan LSTM, serta evaluasi pengaruh seleksi fitur berbasis PCA melalui perbandingan performa antara model LSTM murni dan LSTM+PCA dalam prediksi suhu udara jangka pendek di lingkungan bandara. Hasil penelitian menunjukkan bahwa arsitektur LSTM efektif untuk pemodelan deret waktu meteorologi berbasis AWOS dan berpotensi mendukung sistem peringatan dini dalam operasional penerbangan.]]>
