Deep recurrent neural networks (DRNN) dapat diklasifikasi sebagai kategori khusus dari deep neural networks karena sangat powerful digunakan pada dataset yang bersifat sekuensial. Salah satu tugas yang paling menantang dari algoritma ini adalah untuk menemukan pengaturan hyperparameter yang optimal. Ada tiga jenis metode umum untuk mencari hyperparameter DRNN yang optimal: pencarian manual, grid, dan random. Namun, metode-metode tersebut bukanlah pilihan yang tepat ketika pengalaman peneliti tidak cukup. Penelitian yang dipaparkan pada tugas akhir ini berkaitan dengan optimasi dan otomatisasi hyperparameter yang menentukan arsitektur dan struktur jaringan DRNN. Optimasi dan otomatisasi hyperparameter dilakukan oleh firefly algorithm (FA) yang termasuk kelompok metaheuristik kecerdasan kolektif. Hyperparameter yang dioptimasi dan diotomatisasi antara lain jumlah hidden layer, ukuran batch, dense, dan total unit di setiap lapisan. Ada tiga hal yang perlu diperhatikan melakukan optimasi berbasis FA dalam pengujian ini, seperti merancang FA, menentukan inisialisasi hyperparameter tetap dari DRNN, dan menentukan rentang nilai hyperparameter DRNN. Evaluasi menggunakan dataset riwayat cuaca yang direkam oleh Max Planck dari Institut Biogeokimia, yang berisi 15 atribut, menunjukkan bahwa pengaturan hyperparameter DRNN berbasis FA memberikan kesalahan prediksi yang jauh lebih rendah yaitu 0,111 daripada pengaturan manual sebesar 0,475. Berdasarkan hasil tersebut, saat menggunakan FA untuk optimasi hyperparameter DRNN dalam prediksi cuaca mengurangi nilai eror, sehingga hasil prediksi menggunakan DRNN lebih akurat.