Perubahan iklim global dan variabilitas cuaca berdampak pada berbagai sektor, terutama di daerah pedesaan yang bergantung pada pertanian. Perubahan suhu udara yang berdampak pada sektor pertanian di Jumantono, Karanganyar, Jawa Tengah, membutuhkan sistem peramalan suhu yang akurat untuk membantu masyarakat dan petani dalam menyesuaikan kegiatan mereka dengan kondisi cuaca. Penelitian ini membandingkan model Multilayer Perceptron (MLP) dan Long Short-Term Memory (LSTM) dalam meramalkan suhu udara harian rata-rata menggunakan data dari Stasiun Klimatologi PUSLITBANG FP-UNS pada periode Januari 2019 hingga Juli 2024. Tahapan data preprocessing meliputi imputasi missing value, normalisasi min-max, pembagian data, dan pembuatan subset data untuk pemodelan dengan metode sliding window dengan panjang window 365 hari dan horizon peramalan 213 data. Model dilatih menggunakan optimasi Adam dengan learning rate 0.001 selama maksimal 100 epoch. Kinerja model dievaluasi menggunakan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model LSTM memberikan hasil peramalan yang lebih akurat, dengan nilai RMSE sebesar 0,60, serta lebih efektif dalam menangkap fluktuasi suhu harian dibandingkan dengan model MLP yang memperoleh nilai RMSE sebesar 0,64. Oleh karena itu, model LSTM dinilai lebih unggul dalam meramalkan suhu udara harian di wilayah Jumantono dan diharapkan dapat memberikan kontribusi terhadap pengembangan sistem peringatan dini yang responsif terhadap perubahan iklim.