Pertanian presisi menjadi pendekatan penting dalam meningkatkan efisiensi dan produktivitas pertanian modern. Penelitian ini mengembangkan sebuah sistem Smart Agriculture berbasis multisensor yang dirancang untuk mendeteksi kondisi kesuburan tanah dan jenis hama penyakit tanaman secara otomatis dan real-time. Sistem ini terdiri dari dua subsistem utama, yaitu sistem deteksi hama berbasis citra menggunakan pendekatan hybrid antara MobileNetSSD dan Faster R-CNN, serta sistem rekomendasi tanaman yang menggunakan pembacaan sensor tanah 7-in-1 untuk mengukur kelembaban, pH, konduktivitas, suhu, dan kadar nitrogen, fosfor, serta kalium. Model deteksi hama berhasil mengidentifikasi enam jenis hama tanaman padi dengan akurasi rata-rata sebesar 93,8 persen. Sistem ini juga menunjukkan peningkatan signifikan dalam kecepatan inferensi, dari 4 frame per detik saat menggunakan CPU Raspberry Pi menjadi 23 frame per detik setelah dioptimalkan dengan akselerator Coral USB. Sementara itu, model Random Forest untuk rekomendasi tanaman mencapai akurasi validasi tertinggi sebesar 99,3 persen, dengan konfigurasi parameter terbaik diperoleh melalui metode Grid Search. Pengujian komunikasi data menggunakan LoRa dilakukan pada jarak 50 dan 100 meter dengan hasil rata-rata delay sebesar 480 milidetik dan 500 milidetik, menunjukkan performa stabil untuk skenario jarak pendek. Evaluasi akurasi lokasi melalui modul GPS menunjukkan deviasi antara 8 hingga 14 meter dibandingkan titik referensi. Sensor tanah menunjukkan pembacaan yang stabil pada tiga jenis kondisi (kering, lembab, dan basah), dengan standar deviasi kelembaban berkisar di bawah 0,2 persen. Seluruh data hasil pengukuran dan klasifikasi divisualisasikan melalui sistem Web GIS berbasis Leaflet. Web ini masih dijalankan secara lokal dan belum dihosting secara daring, namun telah menunjukkan respons cepat dan tampilan interaktif yang informatif. Hasil penelitian ini membuktikan bahwa sistem yang dibangun mampu mendeteksi hama dan menganalisis kesuburan tanah secara presisi, serta memberikan rekomendasi tanaman yang relevan dan dapat digunakan dalam penerapan pertanian berbasis IoT dan kecerdasan buatan.