Peningkatan ketahanan pangan nasional membutuhkan optimalisasi dengan kondisi lingkungan wilayah. Penelitian ini bertujuan mengidentifikasi faktor lingkungan utama yang memengaruhi produktivitas padi, jagung, dan kelapa sawit serta mengembangkan sistem prediksi berbasis Machine Learning untuk mendukung pengambilan keputusan pertanian berbasis data. Data yang digunakan meliputi produktivitas pertanian dari BPS dan SatuData Pertanian, data cuaca harian BMKG, serta parameter tanah dari Google Earth Engine dan SoilGrids pada sembilan provinsi terpilih. Analisis faktor lingkungan dilakukan menggunakan Pearson Correlation dan Random Forest Feature Importance. Model prediksi dikembangkan menggunakan Support Vector Regression (SVR) dan Random Forest dengan metode validasi fixed window dan walk forward, serta dievaluasi menggunakan RMSE, R², dan CVRMSE. Untuk wilayah dengan data tidak lengkap, digunakan K-Nearest Neighbors (k=3) sebagai dasar rekomendasi komoditas alternatif. Hasil penelitian menunjukkan kombinasi SVR dengan fixed window dan fitur baseline dengan penambahan fitur lingkungan memberikan hasil terbaik dengan skor rata-rata CVRMSE sebesar 12.47%, RMSE sebesar 4.77, dan R² sebesar 0.79. Selain itu, pengujian tambahan menggunakan data produktivitas harian hasil interpolasi dengan lag jangka pendek dan setelan model yang sama seperti skenario bulanan menunjukkan kinerja yang lebih baik dengan rata-rata CVRMSE sebesar 8.03%, RMSE sebesar 0.36, dan R² sebesar 0.86.