Prediksi curah hujan yang akurat sangat penting untuk mitigasi bencana banjir di wilayah tropis seperti Kota Surakarta. Metode Numerical Weather Prediction (NWP) konvensional memiliki keterbatasan resolusi spasial dan beban komputasi tinggi, sementara model deep learning murni sering menghasilkan prediksi tidak konsisten secara fisika. Penelitian ini mengusulkan Physics-Informed Recurrent Neural Network (PI-RNN) yang mengintegrasikan persamaan Clausius-Clapeyron ke dalam arsitektur RNN untuk meningkatkan akurasi prediksi curah hujan. Data reanalisis ERA5 tahun 2000-2020 mencakup variabel meteorologi T2m, D2m, SP, U10, V10, CAPE, dan TCWV. Hasil menunjukkan model PI-RNN mencapai Kling-Gupta Efficiency (KGE) 0,4735, meningkat 39,47% dibandingkan baseline (0,3395), dengan Percent Bias (PBIAS) 11,07% (perbaikan 55,76%). Pada skala bulanan, MAE PI-RNN mencapai 408,05 mm versus baseline 627,55 mm (perbaikan 34,9%). Keunggulan signifikan terlihat pada prediksi hujan ekstrem (≥20 mm) dengan MAE 11,59 mm versus baseline 16,83 mm (perbaikan 31,1%), sangat penting untuk sistem peringatan dini banjir.