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.