Data curah hujan harian merupakan data yang penting dan paling banyak diakses oleh pengguna portal data terbuka BMKG. Adanya data yang hilang (missing data) pada data curah hujan harian dapat menyebabkan turunnya kualitas dataset curah hujan harian. Penelitian ini bertujuan untuk mengevaluasi metode pengisian missing data curah hujan harian pada dataset dari Pusat Database BMKG menggunakan pendekatan penambangan data. Algoritma pemodelan yang digunakan di antaranya Multiple Imputation by Chained Equations (MICE), Random Forest (RF), Inverse Distance Weighting (IDW), K-Nearest Neighbor (KNN), Feed-forward Neural Network (FNN), Mean Imputation, dan Linear Interpolation (LI). Evaluasi dilakukan dengan menggunakan metrik koefisien determinasi (R2), Root Mean Square Error (RMSE), dan waktu komputasi. Hasil penelitian menunjukkan RF unggul di wilayah Monsunal pada semua tingkat kehilangan data, sementara MICE-LR lebih direkomendasikan untuk wilayah Ekuatorial dengan performa konsisten hingga kehilangan data 50%. Di wilayah Anti-Monsunal, IDW lebih efektif menangani tingkat kehilangan data tinggi karena pola spasial yang unik, sementara pada tingkat kehilangan data rendah hingga sedang, MICE-LR direkomendasikan. Penelitian ini menyimpulkan bahwa rekomendasi pemodelan untuk mengisi data curah hujan harian yang hilang harus mempertimbangkan karakteristik wilayah dan tingkat kehilangan data untuk menghasilkan data curah hujan yang lebih akurat.