PERAMALAN CUACA MULTIOUTPUT MENGGUNAKAN MODEL HYBRID UNTUK PREDIKSI CUACA EKSTREM

Cuaca ekstrem yang semakin sering terjadi akibat perubahan iklim global menimbulkan dampak signifikan terhadap kehidupan masyarakat. Ketidakpastian pola cuaca dan keterbatasan model peramalan tunggal dalam mengenali pola jangka panjang dan fluktuasi ekstrem menjadi tantangan dalam menghasilkan prediksi yang akurat. Gated Recurrent Unit (GRU) dikenal efisien dalam proses pelatihan dan memiliki akurasi yang tinggi, tetapi kurang optimal dalam pemodelan jangka panjang dan pengenalan pola temporal yang kompleks. Sebaliknya, Long Short-Term Memory (LSTM) unggul dalam pemodelan jangka panjang, dan pola temporal yang kompleks, tetapi akurasinya tidak sebaik GRU. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan pemodelan hybrid yang mengintegrasikan Gated Recurrent Unit (GRU) dan Long Short Term Memory (LSTM) untuk peramalan cuaca berbasis data time series. Model dikembangkan untuk memprediksi empat variabel meteorologis secara multioutput, yaitu suhu minimum (Tn), suhu maksimum (Tx), curah hujan (RR), dan kecepatan angin maksimum (ff_x), menggunakan data historis dari Stasiun Klimatologi Jawa Barat yang bersumber dari situs resmi BMKG. Evaluasi dilakukan dengan membandingkan kinerja model hybrid terhadap model baseline GRU dan LSTM tunggal. Hasil menunjukkan bahwa model hybrid GRU-LSTM secara konsisten memberikan peningkatan performa dibandingkan model baseline (GRU dan LSTM). Pada variabel suhu minimum (Tn), nilai RMSE menurun sebesar 4,35% dari GRU (0,92 menjadi 0,88) dan 2,22% dari LSTM (0,90 menjadi 0,88). Pada suhu maksimum (Tx), RMSE menurun sebesar 3,25% dari GRU dan LSTM (1,23 menjadi 1,19). Untuk curah hujan (RR), penurunan tercatat sebesar 0,83% dari GRU dan 0,67% dari LSTM. Sedangkan pada kecepatan angin maksimum (ff_x), penurunan RMSE masing-masing sebesar 1,65% dari GRU dan 1,11% dari LSTM. Keunggulan konsistensi model hybrid pada seluruh variabel target menunjukkan potensi integrasi model deep learning untuk peramalan cuaca yang lebih akurat.

Kata kunci: Cuaca Ekstrem, Deep Learning, GRU-LSTM, Multioutput Forecasting, Peramalan Cuaca.