Curah hujan merupakan parameter cuaca penting di Kota Banjarbaru karena berpengaruh pada sektor pertanian, transportasi, dan potensi bencana hidrometeorologi. Namun, prediksi hujan sering terkendala oleh ketidakseimbangan kelas, di mana jumlah hari hujan lebih dominan dibandingkan hari tidak hujan sehingga model cenderung bias terhadap kelas mayoritas. Penelitian ini menerapkan metode Extreme Learning Machine (ELM) yang dikombinasikan dengan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi permasalahan tersebut. Data yang digunakan berupa data harian proyek NASA POWER pada titik koordinat Nol Kilometer Banjarbaru periode Januari 1998 hingga Agustus 2025. Variabel input meliputi suhu (rata-rata, maksimum, minimum, dan titik embun), arah angin, kecepatan angin, tekanan permukaan, dan kelembapan permukaan tanah, sementara output berupa dua kelas curah hujan yaitu Hujan ( mm) dan Tidak Hujan  mm). Tahapan penelitian mencakup normalisasi Min–Max, penyeimbangan data training menggunakan SMOTE, dan pelatihan model ELM. Model terbaik diperoleh dengan fungsi aktivasi Tanh dan 200 neuron pada hidden layer. Evaluasi menunjukkan akurasi 77.49%, sensitivitas 81.03%, spesifisitas 71.81%, dan G-Mean 0.7628. Hasil ini menunjukkan bahwa ELM dengan SMOTE mampu memberikan performa klasifikasi yang lebih seimbang. Penelitian ini diharapkan menjadi referensi bagi studi lanjutan terkait pemodelan curah hujan di Kota Banjarbaru.