Cuaca merupakan suatu kondisi udara di suatu tempat pada waktu yang relatif singkat, yang dipengaruhi oleh berbagai fenomena atmosfer. Informasi mengenai kondisi atmosfer yang cepat, akurat, dan terperinci sangat diperlukan oleh berbagai sektor. Backpropagation Neural Network (BPNN) danĀ Adaptive Neuro Fuzzy Inference System (ANFIS) adalah metode yang sering digunakan untuk melakukan prediksi dengan kemampuannya untuk melakukan pembelajaran dari informasi yang ada. Dengan kelebihan yang dimiliki oleh kedua metode ini, pada penelitian ini dilakukan implementasi kedua metode ini untuk mengetahui perbandingan akurasi dari kedua metode tersebut dalam melakukan prediksi cuaca berdasarkan parameter-parameter atmosfir yang mempengaruhi. Pada penelitian ini, metode BPNN diimplementasikan dengan menggunakan tiga layer dan dilakukan penambahan aturan pada penentuan kelas output jaringan, sedangkan ANFIS diimplementasi dengan struktur standar ANFIS yaitu lima layer. Pada BPNN dimungkinkan untuk melakukan perubahan jumlah node pada hidden layer agar dapat dihasilkan jaringan yang optimal. Sedangkan pada tahap awal ANFIS digunakan metode K-Mean Clustering untuk mendapatkan parameter premis dan konsekuen yang digunakan dalam proses inferensi pembelajaran. Pelatihan dilakukan pada data latih 40%, 50% dan 60% dari total data. Sedangkan pengujian dengan menggunakan data uji sebanyak 30%, 40% dan 50% dari total data. Hasil uji coba menunjukkan bahwa metode BPNN dengan modifikasi pada aturan penentuan output jaringan memiliki nilai Root Mean Square Error (RMSE) yang lebih rendah dan nilai akurasi yang lebih tinggi jika dibandingkan dengan metode ANFIS. Selain itu juga dapat diketahui bahwa kedua metode dapat digunakan untuk pengujian dengan menggunakan data latih minimal 50% dari total data. Dan juga diketahui bahwa metode ANFIS cukup baik jika diterapkan untuk kondisi cuaca yang perubahannya tidak begitu cepat dengan rentang waktu dibawah satu tahun.