<![CDATA[Abstract. Artificial Neural Network (ANN) is a machine learning method that mimics the way the human brain processes information. ANN has the ability to recognize patterns from complex and non-linear data, making it suitable for use in various applications, including weather prediction. In this study, ANN is used to predict rainfall based on a dataset consisting of 8 attributes, namely year, day, rainfall, surface pressure, air temperature, humidity, wind speed, and wind direction. This research aims to understand the ANN algorithm in processing data on rainy weather prediction. The model training process is carried out using weight update optimization through Adam Optimizer, which is designed to accelerate convergence and improve prediction accuracy. Stages in the training process include data processing, determining parameters such as learning rate, and evaluating model performance using BMKG daily observation data for 184 days. The feedforward propagation process uses linear, ReLU, and sigmoid functions, while backpropagation with Adam Optimizer adapts the weights based on the learning rate and gradient of the loss function. The results show that the algorithm for rainy weather prediction is built with the parameters of learning rate, activation function, weight, bias, and optimizer as the main conditions. Therefore, these parameters are very important in the ANN algorithm to process data for rainy weather prediction. Abstrak. Artificial Neural Network (ANN) merupakan salah satu metode pembelajaran mesin yang meniru cara kerja otak manusia dalam memproses informasi. ANN memiliki kemampuan untuk mengenali pola dari data yang kompleks dan tidak linear, sehingga cocok digunakan dalam berbagai aplikasi, termasuk prediksi cuaca. Dalam penelitian ini, ANN digunakan untuk memprediksi curah hujan berdasarkan dataset yang terdiri dari 8 atribut, yaitu tahun, hari ke, curah hujan, tekanan permukaan, suhu udara, kelembaban, kecepatan angin, dan arah angin. Penelitian ini bertujuan untuk memahami algoritma ANN dalam memproses data pada prediksi cuaca hujan. Proses pelatihan model dilakukan dengan menggunakan optimasi pembaruan bobot melalui Adam Optimizer, yang dirancang untuk mempercepat konvergensi dan meningkatkan akurasi prediksi. Tahapan dalam proses pelatihan meliputi pengolahan data, penentuan parameter seperti learning rate, dan evaluasi performa model menggunakan data hasil pengamatan harian BMKG selama 184 hari. Proses feedforward propagation menggunakan fungsi linear, ReLU, dan sigmoid, sementara backpropagation dengan Adam Optimizer yang mengadaptasi bobot berdasarkan learning rate dan gradien dari fungsi loss. Hasil penelitian menunjukkan bahwa algoritma untuk prediksi cuaca hujan dibangun dengan parameter learning rate, fungsi aktivasi, bobot, bias, dan optimizer sebagai kondisi utama. Oleh karena itu, parameter-parameter ini sangat penting dalam algoritma ANN untuk memproses data pada prediksi cuaca hujan.]]>
