Prediksi cuaca yang akurat sangat krusial bagi aktivitas manusia di wilayah tropis seperti Kota Palembang yang memiliki dinamika pola cuaca kompleks. Permasalahan utama dalam penelitian ini adalah kebutuhan akan metode prediksi cuaca yang objektif guna meminimalisir subjektivitas interpretasi klimatologi. Penelitian ini bertujuan untuk membandingkan performa arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam mengklasifikasikan kondisi cuaca menjadi kategori cerah, berawan, dan hujan. Dataset yang digunakan adalah data time series Januari 2021 hingga Desember 2025 dari Stasiun Klimatologi BMKG Sumatera Selatan. Mengingat resolusi data asli bersifat bulanan, penelitian ini menerapkan teknik temporal upsampling melalui interpolasi linear untuk mentransformasi data menjadi 1.796 observasi harian. Metodologi yang digunakan meliputi preprocessing (pembersihan, normalisasi, encoding, dan sliding window), pembagian data training dan testing, serta evaluasi model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model GRU memiliki performa lebih unggul dengan akurasi 88%, dibandingkan LSTM sebesar 77%. Keunggulan GRU disebabkan oleh efisiensi arsitektur yang lebih stabil dalam menangkap pola temporal cuaca. Penelitian ini berkontribusi dalam pengembangan sistem prediksi cuaca berbasis machine learning yang lebih andal dan efisien.