Kenyamanan termal merupakan salah satu aspek penting dalam menciptakan lingkungan yang nyaman dan mendukung aktivitas manusia. Di lingkungan transportasi publik seperti terminal bus, faktor ini menjadi semakin krusial karena berkaitan langsung dengan persepsi kualitas layanan dan kepuasan pengguna. Di Terminal Tirtonadi Surakarta, ketimpangan terjadi antara ruang tunggu eksekutif menggunakan AC dan ruang tunggu umum non-AC akibat kebijakan efisiensi energi. Hal ini berpotensi menurunkan kenyamanan dan pengalaman pengguna. Penelitian ini bertujuan untuk mengembangkan sistem prediksi kenyamanan termal secara real-time berbasis machine learning dan Internet of Things (IoT), dengan indikator Predicted Mean Vote (PMV). Model dilatih menggunakan data ASHRAE dengan fokus pada variabel lingkungan. Lima algoritma dievaluasi, yaitu K-Nearest Neighbors (KNN), Random Forest, Support Vector Machine (SVM), XGBoost, dan Multi-Layer Perceptron (MLP). Hasil menunjukkan XGBoost memiliki performa terbaik dengan MAE dan RMSE terendah (0.0072, 0.0179) serta R² tertinggi (0.9994). Validasi menggunakan data IoT dari dua zona terminal menunjukkan akurasi tinggi dan generalisasi kuat. Sistem ini efektif untuk pemantauan kenyamanan termal secara real-time, dengan pengembangan lanjutan yang disarankan pada integrasi faktor manusia dinamis, retraining berkala, dan otomatisasi kendali fisik.