Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma prediksi—Long Short-Term Memory (LSTM), Random Forest (RF), dan Extreme Gradient Boosting (XGB)—dalam memodelkan dua skenario: prediksi hasil panen di beberapa kebun kelapa sawit dan prediksi curah hujan bulanan. Data historis hasil panen diolah dengan agregasi periode dua mingguan, sedangkan data curah hujan menggunakan agregasi bulanan. Evaluasi dilakukan menggunakan metrik MAE, MSE, RMSE, MAPE, dan R². Hasil analisis menunjukkan bahwa pada prediksi hasil panen, RF memberikan performa terbaik di sebagian besar kebun dengan MAPE terendah (misalnya K2 sebesar 14,08%), diikuti XGB, sedangkan LSTM cenderung kurang optimal akibat pola panen yang tidak tetap dan data terbatas. Pada prediksi curah hujan, XGB unggul dengan akurasi 66,67%, mampu menangkap pola non-linear dan variasi musiman dengan baik, sedangkan LSTM kembali menunjukkan performa lebih rendah dibanding RF dan XGB. Faktor utama yang memengaruhi kinerja model adalah keterbatasan data historis, variabel input yang minim, dan ketidakteraturan pola, yang berdampak signifikan pada algoritma berbasis deep learning.