Penelitian ini bertujuan untuk merancang, membangun, dan mengevaluasi model prediksi berbasis deep learning dengan algoritma Recurrent Neural Network (RNN) dalam memproyeksikan curah hujan untuk menentukan awal dan akhir musim kemarau. Data historis klimatologi yang digunakan mencakup lima variabel utama, yaitu curah hujan, suhu, kelembapan, radiasi matahari, dan kecepatan angin. Tahapan penelitian meliputi pra-pemrosesan data untuk mengatasi nilai duplikat dan missing values, normalisasi menggunakan Min-Max Scaler, serta pembagian dataset secara sekuensial untuk pelatihan dan pengujian model. Hasil evaluasi menunjukkan bahwa model RNN mampu memberikan performa prediksi yang sangat baik dengan nilai Mean Squared Error (MSE) sebesar 1,7412, Mean Absolute Error (MAE) sebesar 0,7473, dan R-Squared Error sebesar 0,9353. Selain itu, implementasi model berhasil memproyeksikan waktu akhir musim kemarau 2025 pada dasarian II November 2025 serta awal musim kemarau 2026 pada dasarian I Mei 2026. Dengan demikian, penelitian ini membuktikan bahwa model RNN efektif dalam memprediksi pola curah hujan yang berkaitan dengan musim kemarau di Indonesia.

This research aims to design, develop, and evaluate a deep learning-based prediction model using the Recurrent Neural Network (RNN) algorithm to forecast rainfall and determine the onset and end of the dry season. The climatological dataset used in this study consists of five key variables: rainfall, temperature, humidity, solar radiation, and wind speed. The research process includes data preprocessing to handle duplicates and missing values, normalization using Min-Max Scaler, and sequential dataset splitting for training and testing phases. The evaluation results show that the RNN model achieves highly reliable predictive performance with a Mean Squared Error (MSE) of 1.7412, a Mean Absolute Error (MAE) of 0.7473, and an R-Squared Error of 0.9353. Furthermore, the model successfully projects the end of the 2025 dry season in the second dekad of November 2025 and the beginning of the 2026 dry season in the first dekad of May 2026. These findings demonstrate that the RNN model is effective for forecasting rainfall patterns associated with dry season prediction in Indonesia.