Curah hujan merupakan unsur meteorologi yang dipengaruhi oleh fenomena atmosfer global dan regional sehingga prediksi curah hujan bulanan yang akurat penting untuk mendukung sektor pertanian, pengelolaan sumber daya air, dan mitigasi bencana hidrometeorologi. Penelitian ini bertujuan membandingkan kinerja model Random Forest dan Long Short-Term Memory (LSTM) dalam memprediksi curah hujan bulanan pada 54 Zona Musim (ZOM) di Jawa Tengah. Data yang digunakan meliputi curah hujan bulanan serta indeks variabilitas iklim Niño 3.4, DMI, WNPMI, dan AUSMI periode 1991–2024. Model dikembangkan menggunakan data pelatihan 1991–2023 dan diuji pada data tahun 2024. Optimasi Random Forest dilakukan menggunakan TimeSeriesSplit lima fold, sedangkan LSTM menerapkan look-back window 12 bulan. Evaluasi model menggunakan koefisien korelasi, RMSE, standar deviasi, bias, dan Metrik T. Hasil menunjukkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan Random Forest pada sebagian besar ZOM. LSTM menghasilkan median koefisien korelasi sebesar 0,89 dan median RMSE sebesar 93,98 mm, lebih baik dibandingkan Random Forest dengan median koefisien korelasi 0,78 dan median RMSE 103,30 mm. Namun, Random Forest menunjukkan kemampuan yang sedikit lebih baik dalam merepresentasikan variabilitas curah hujan dan menghasilkan bias yang lebih rendah. Berdasarkan Metrik T, LSTM menjadi model terbaik pada 37 dari 54 ZOM (68,5%), sedangkan Random Forest unggul pada 17 ZOM (31,5%). Penelitian ini memberikan evaluasi komprehensif terhadap kedua algoritma pada skala ZOM menggunakan indeks variabilitas iklim sebagai prediktor serta menyediakan referensi dalam pemilihan model prediksi curah hujan untuk mendukung pengembangan sistem prakiraan operasional BMKG.