Hujan memiliki dampak signifikan terhadap berbagai sektor, seperti pertanian, transportasi, dan manajemen sumber daya. Oleh karena itu, akurasi prediksi hujan sangat penting untuk mendukung perencanaan dan pengambilan keputusan yang efektif. Seiring kemajuan teknologi, pemanfaatan metode deep learning seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) semakin berkembang dalam bidang prediksi cuaca. Penelitian ini bertujuan untuk membandingkan performa kedua algoritma tersebut dalam mengklasifikasikan data meteorologi untuk prediksi hujan. Dataset yang digunakan berasal dari Australian Bureau of Meteorology melalui Kaggle, terdiri dari 145.460 data dengan 23 atribut. Setelah melalui tahapan pra-pemrosesan dan resampling menggunakan metode SMOTE, kedua model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model LSTM memperoleh akurasi sebesar 81,46%, sedangkan GRU sebesar 81,39%. Nilai F1-score GRU lebih tinggi dibandingkan LSTM, masing-masing sebesar 60,96% dan 58,95%. Hasil ini mengindikasikan bahwa kedua model memiliki performa yang kompetitif dan efektif untuk diterapkan dalam sistem prediksi hujan berbasis deep learning.