Metode memprediksi cuaca dengan menganalisis data radiosonde masih mengandung unsur subjektifitas dari forecaster yang menganalisisnya. Disisi lain, aerodrome forecast yang dibuat oleh seorang forecaster meteorologi penerbangan disuatu bandara akan berpengaruh terhadap proses bisnis seluruh stakeholder dalam operasional penerbangan bandara tersebut,baik dibandara sipil ataupun militer. Penelitian ini bertujuan untuk memprediksi kondisi cuaca yang dibatasi pada prediksi potensi terjadinya hujan dan thunderstorm dalam format aerodrome forecast sehingga dapat mereduksi unsur subjektifitas dalam menginterpretasi data radiosonde. Pemanfaatan machine learning dapat dijadikan sebagai suatu metode untuk memprediksi hujan dan thunderstorm dengan lebih objektif dan akurat. Pada penelitian kuantitatif eksperimental ini digunakan algoritma machine learning random forest berbasis data radiosonde untuk memprediksi potensi terjadinya hujan dan thunderstorm di area aerodrome yang ada di Jakarta. Sebagai komparasi, digunakan juga algoritma SVM dan gradient boosting. Metode prediksi hujan dan thunderstorm menggunakan algoritma machine learning random forest dengan fokus pada peningkatan akurasi prediksi dalam konteks pembuatan aerodrome forecast telah berhasil dibuat dalam bentuk aplikasi Graphical User Interface. Tingkat akurasi yang dihasilkan sebesar 93% untuk model prediksi thunderstorm dan 94% untuk model prediksi hujan. Model dengan performa terbaik yang user-friendly dapat dijalankan pada berbagai device sehingga personil meteorologi di bandara sipil dan militer dapat dengan mudah mengakses, memahami, dan memanfaatkan model prediksi hujan dan thunderstorm secara efektif. Dalam konteks pertahanan negara, informasi prediksi cuaca dapat mendukung kesuksesan perencanaan operasi militer maupun nirmiliter antara lain : deployment pasukan, pengangkutan logistik, dan teknologi modifikasi cuaca pada penanggulangan bencana.