Image deraining adalah tugas penting dalam pemrosesan citra yang bertujuan untuk menghilangkan artefak hujan, seperti tetesan atau garis-garis hujan pada citra yang terkontaminasi hujan. Meskipun demikian, masih terdapat tantangan yang signifikan akibat kompleksitas dan beragamnya kondisi hujan, yang dapat menurunkan kualitas visual citra secara drastis. Penelitian ini mengusulkan arsitektur neural network baru bernama Nonlinear Activation Free Block U-Net++ untuk tugas penghilangan derau hujan dari citra tunggal. Kontribusi utama dalam penelitian ini adalah memodifikasi kerangka U-Net++ dengan mengganti seluruh blok konvolusi biasa dengan Nonlinear Activation Free Blocks. Model NAFU-Net++ yang diusulkan dilatih dan dievaluasi menggunakan dua dataset, yaitu Rain100L dan Rain100H. Hasil eksperimen menunjukkan performa yang unggul mencapai nilai PSNR sebesar 38.09 dB dan SSIM sebesar 0.984 pada dataset Rain100L. Pada dataset Rain100H, model memperoleh PSNR sebesar 33.63 dB dan SSIM sebesar 0.954. Berdasarkan perbandingan dengan beberapa metode sebelumnya DerainNet, SEMI, DIDMDN, UMRL, RESCAN, SPANet, PReNet, MSPFN, CRDNet, MPRNet dan metode konvensional lainnya, NAFU-Net++ terbukti mampu mencapai performa yang lebih tinggi. Kesimpulannya, NAFU-Net++ yang diusulkan dalam penelitian ini mampu menghasilkan tingkat akurasi yang tinggi dan memiliki potensi besar dalam memberikan kontribusi terhadap pengembangan metode image deraining.