Prediksi Cuaca Harian Menggunakan Long Short-Term Memory Berbasis Data Historis BMKG

Cut Nanda Nurbadriani (Universitas Serambi Mekkah)
Nizam Albar (Universitas Serambi Mekkah)
Muhammad Syamsu Rizal (Universitas Serambi Mekkah)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol. 9 No. 3 (2026): Juni, 2026

Abstrak - Prediksi cuaca merupakan salah satu tantangan utama dalam ilmu meteorologi yang memiliki dampak signifikan terhadap berbagai sektor kehidupan seperti pertanian, transportasi, dan mitigasi bencana. Penelitian ini mengusulkan pendekatan deep learning menggunakan arsitektur Long Short-Term Memory (LSTM) bertumpuk tiga lapis untuk memprediksi suhu udara rata-rata harian di wilayah tropis Indonesia berdasarkan data historis BMKG. Dataset mencakup satu tahun data meteorologi harian periode 1 Januari sampai 31 Desember 2025 (365 hari) dengan tujuh variabel input: suhu rata-rata, suhu maksimum, suhu minimum, kelembaban udara, curah hujan, kecepatan angin, dan tekanan udara. Data diproses melalui interpolasi temporal, normalisasi Min-Max, dan teknik sliding window 30 hari yang menghasilkan 335 sekuens dengan pembagian kronologis 70% data latih, 15% data validasi, dan 15% data uji. Model LSTM (128-64-32 unit) dengan regularisasi dropout 0,2 dilatih menggunakan optimizer Adam serta mekanisme EarlyStopping dan ReduceLROnPlateau. Hasil evaluasi pada data uji menunjukkan tingkat kesalahan absolut yang rendah dengan RMSE = 0,730 °C, MAE = 0,590 °C, dan MAPE = 2,06%, dengan koefisien determinasi R² = 0,335. Nilai R² yang moderat mengindikasikan model cenderung konservatif dalam menangkap fluktuasi harian pada periode uji yang rentang variasinya sempit, yang merupakan konsekuensi dari cakupan data satu tahun. Model tetap mampu menghasilkan prediksi rekursif suhu 7 hari ke depan (1-7 Januari 2026) dengan tren yang stabil dan konsisten, sehingga layak digunakan sebagai dasar pengembangan sistem prediksi suhu jangka pendek. Kata kunci : Prediksi Cuaca; Deep Learning; Long Short-Term Memory; BMKG; Time Series Forecasting;   Abstract - Weather prediction is one of the main challenges in meteorology with significant impacts on various sectors such as agriculture, transportation, and disaster mitigation. This study proposes a deep learning approach using a stacked three-layer Long Short-Term Memory (LSTM) architecture to predict the daily average air temperature in tropical Indonesia based on BMKG historical data. The dataset covers one year of daily meteorological data from January 1 to December 31, 2025 (365 days) with seven input variables. The data were processed through temporal interpolation, Min-Max normalization, and a 30-day sliding window technique producing 335 sequences split chronologically into 70% training, 15% validation, and 15% testing data. The LSTM model (128-64-32 units) with 0.2 dropout regularization was trained using the Adam optimizer with EarlyStopping and ReduceLROnPlateau mechanisms. Evaluation on the test set shows low absolute errors with RMSE = 0.730°C, MAE = 0.590°C, and MAPE = 2.06%, with a coefficient of determination R² = 0.335. The moderate R² indicates the model tends to be conservative in capturing daily fluctuations within the narrow variance range of the test period, a consequence of the one-year data coverage. The model still produces a stable and consistent recursive 7-day temperature forecast (January 1-7, 2026), making it feasible as a basis for developing short-term temperature prediction systems. Keywords: Weather Prediction; Deep Learning; Long Short-Term Memory; BMKG; Time Series Forecasting;