Peningkatan temperatur yang signifikan beberapa tahun lalu dalam fenomena Pemanasan Global juga
Urban Heat Island(UHI) di Surabaya menjadi masalah penting. Fenomena ini berdampak dalam berbagai
sektor, kesehatan, konsumsi energi, ekonomi, dll. Peramalan temperatur ini mempunyai peran yang
efektif untuk mengantisipasi fenomena peningkatan suhu, data ERA5 dari ECMWF tahun 2016-2021,
menjadi bahan penelitian dengan perbandingan metode deep learning yang digunakan hybrid
Convolutional Recurrent Neural Network(ConvRNN) dan Recurrent Neural Network(RNN). Penelitian ini
menggunakan data per-jam dengan skenario prediksi dibagi dalam 4 jenis waktu dan lookback yang
berbeda. Mean Absolute Error(MAE), Root Mean Squared Error(RMSE), dan Correlation Coeffecient(CC)
merupakan metrik yang digunakan dalam perhitungan akurasi peramalan temperatur ini. Dalam
penelitian yang telah dilakukan didapatkan hasil yang tidak terlalu siginfikan pada nilai akurasi yang
berpengaruh untuk nilai temperatur. Metode ConvRNN mempunyai nilai akurasi terbaik dengan nilai
metrik Mean Absolute Error(MAE) 0.0154, Root Mean Square Error(RMSE) 0.0202 dan Correlation
Coefficient(CC) 0.9948 yang menjadikan metode ini lebih baik dari metode RNN.