Pertanian merupakan sektor strategis dalam mendukung ketahanan pangan dan pembangunan berkelanjutan, khususnya terkait SDG 2 (Zero Hunger) dan SDG 9 (Industry, Innovation, and Infrastructure). Tantangan global seperti degradasi tanah dan perubahan iklim menuntut adanya inovasi berbasis teknologi. Penelitian ini bertujuan mengembangkan sistem prediksi jenis tanaman berdasarkan parameter tanah (N, P, K, suhu, kelembaban, pH) dengan membandingkan algoritma Gradient Boosting Machine (GBM) dan Light Gradient Boosting Machine (LightGBM). Dataset diperoleh dari Kaggle dan diproses melalui normalisasi serta label encoding, kemudian dilakukan hyperparameter tuning dengan RandomizedSearch. Hasil menunjukkan GBM memiliki akurasi 96,14% dan LightGBM 96,82%. Sistem ini diimplementasikan dalam antarmuka web menggunakan Streamlit. Temuan penelitian menunjukkan bahwa metode boosting efektif digunakan pada sistem rekomendasi tanaman berbasis kondisi tanah, sekaligus mendukung penerapan pertanian presisi yang berkelanjutan.
Kata kunci: Pertanian Presisi, Machine Learning, Gradient Boosting, LightGBM, Prediksi Tanaman