Cuaca sangat penting untuk berbagai aspek kehidupan di Indonesia yang beriklim tropis dengan dua musim utama. Namun, perubahan cuaca yang sering tiba-tiba membuat prediksi cuaca menjadi tantangan. Penelitian ini menggunakan model deep learning GRU untuk memprediksi cuaca berdasarkan suhu udara, radiasi surya, dan kecepatan angin. Data historis yang awalnya tiap 10 menit diubah menjadi data per jam dan dinormalisasi agar cocok untuk pemodelan time series. Data tersebut dinormalisasi menggunakan metode MinMaxScaler dan diproses menjadi format time series agar sesuai dengan input yang dibutuhkan oleh model GRU. Model kemudian dilatih menggunakan data latih dan dilakukan prediksi terhadap data uji. Hasil prediksi dikembalikan ke skala aslinya menggunakan inverse transform untuk dibandingkan dengan data aktual. Evaluasi dilakukan menggunakan tiga metrik regresi, yaitu Mean Absolute Error (MAE), Mean Squared Error (MSE), dan R² Score. Selain itu, hasil prediksi juga diklasifikasikan menjadi kategori cuaca cerah dan hujan berdasarkan ambang batas tertentu untuk masing-masing parameter. Evaluasi klasifikasi dilakukan menggunakan confusion matrix, precision, recall, dan f1-score. Dari hasil pengujian, model GRU terbukti mampu menangkap pola cuaca dengan cukup baik dan menghasilkan visualisasi prediksi yang mendekati kondisi aktual. Penelitian ini menunjukkan bahwa model GRU tidak hanya efektif untuk memprediksi nilai-nilai parameter cuaca, tetapi juga dapat digunakan sebagai dasar untuk klasifikasi cuaca harian. Hasil ini diharapkan dapat membantu pihak-pihak yang bergantung pada kondisi cuaca dalam merencanakan kegiatan mereka secara lebih baik.

Weather is crucial for various aspects of life in Indonesia, a tropical country with two main seasons. However, frequent and sudden weather changes make weather prediction challenging. This study uses the GRU deep learning model to predict weather based on air temperature, solar radiation, and wind speed. Historical data, initially recorded every 10 minutes, was converted to hourly data and normalized to suit time series modeling. The data was normalized using the MinMaxScaler method and processed into a time series format to suit the input requirements of the GRU model. The model was then trained using the training data and predictions were made on the test data. The prediction results were returned to their original scale using an inverse transform for comparison with the actual data. The evaluation was conducted using three regression metrics: Mean Absolute Error (MAE), Mean Squared Error (MSE), and R² Score. Furthermore, the prediction results were classified into sunny and rainy weather categories based on specific thresholds for each parameter. Classification evaluation was conducted using a confusion matrix, precision, recall, and f1-score. The test results showed that the GRU model was able to capture weather patterns quite well and produce prediction visualizations that were close to actual conditions. This study shows that the GRU model is not only effective in predicting weather parameter values but can also be used as a basis for daily weather classification. These results are expected to help parties who depend on weather conditions in better planning their activities.