Perubahan iklim menyebabkan ketidakpastian pola curah hujan yang berdampak signifikan pada sektor pertanian dan ketahanan pangan. Tantangan utama yang dihadapi adalah penanganan data iklim yang tidak lengkap, khususnya missing values curah hujan, yang dapat menurunkan kualitas model prediksi dan keandalan prediksi curah hujan masa depan. Masalah utama missing values dalam data time series iklim curah hujan karena dapat menyebabkan bias, kesalahan prediksi, dan kegagalan sistem prediksi. Oleh karena itu, pemilihan metode imputasi yang tepat sangat penting untuk mempertahankan informasi dan pola dalam data serta meningkatkan performa model. Penelitian ini bertujuan mengukur dan menganalisis kinerja metode Damped Local Trend (DLT) berbasis Bayesian Time Series dalam memprediksi curah hujan harian univariate dengan dua pendekatan penanganan missing values, yaitu tanpa pengisian (unfilled) dan dengan pengisian menggunakan Linear Interpolation dan Multiple Linear Regression (filled). Metode Bayesian Time Series dipilih karena kemampuannya mengakomodasi ketidakpastian secara probabilistik dan memberikan estimasi parameter yang robust. Data yang digunakan berasal dari Stasiun Meteorologi Syamsudin Noor BMKG periode 2015–2024. Evaluasi model menggunakan metrik Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa dengan penggunaan regressor, pendekatan missing values unfilled memberikan error testing terendah dengan RMSE 16.3105 dan MAE 7.8979, menandakan model mampu menangani missing values tanpa imputasi pengisian di preprocessing. Sebaliknya, pada model tanpa regressor, pendekatan missing values filled unggul, mengindikasikan imputasi missing values membantu peningkatan performa saat regressor  pendukung tidak tersedia.

Kata kunci: bayesian, curah hujan, DLT, missing values, time series