Perubahan iklim yang semakin dinamis meningkatkan frekuensi kejadian cuaca ekstrem seperti hujan lebat, suhu tinggi, dan angin kencang yang berdampak pada berbagai sektor. Oleh karena itu, diperlukan sistem klasifikasi yang mampu mengidentifikasi kondisi cuaca secara lebih akurat berdasarkan pola temporal. Penelitian ini bertujuan untuk mengklasifikasikan kondisi cuaca mingguan ke dalam tiga kategori, yaitu Normal, Sedang, dan Ekstrem, menggunakan metode Long Short-Term Memory (LSTM) berbasis data time series dari Automatic Weather Station (AWS). Data yang digunakan meliputi curah hujan, suhu, dan kecepatan angin. Tahap pra-pemrosesan mencakup pembentukan timestamp, pembersihan data, interpolasi nilai yang hilang, serta agregasi data dari skala harian ke mingguan. Penentuan kondisi cuaca ekstrem dilakukan berdasarkan ambang batas yang mengacu pada kriteria Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), yaitu curah hujan ≥ 50 mm/24 jam, kecepatan angin > 12,86 m/s, serta peningkatan suhu harian sebesar ≥ 3°C dibandingkan rata-rata suhu bulanan setempat. Label mingguan ditentukan berdasarkan kondisi maksimum dalam satu minggu. Data dibagi menggunakan metode time-based split dengan komposisi 80% sebagai data pelatihan dan 20% sebagai data pengujian. Model LSTM dibangun dengan panjang sekuens delapan minggu (lookback = 8) dan menggunakan fungsi aktivasi softmax untuk klasifikasi multikelas. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 86%. Nilai precision dan recall untuk kelas Normal masing-masing sebesar 0,94 dan 0,85, sedangkan kelas Ekstrem menunjukkan recall sebesar 0,86 dan precision sebesar 0,67. Secara keseluruhan, model mampu menangkap pola temporal kondisi cuaca dan menunjukkan performa yang baik dalam mengklasifikasikan kondisi cuaca ekstrem berbasis ambang batas operasional.