Pemetaan kondisi cuaca di lahan pertanian merupakan langkah penting dalam mendukung pengambilan keputusan berbasis data, khususnya pada pranata mangsa sebagai pedoman musim tanam. Penelitian ini memanfaatkan data dari perangkat smart weather untuk memprediksi parameter cuaca menggunakan Long Short Term Memory dan mengklasifikasikan kondisi mangsa dengan algoritma Random Forest. Proses pelabelan kondisi mangsa dilakukan otomatis dengan Hierarchical Clustering, menggunakan kombinasi metode Ward, metrik jarak Euclidean, normalisasi data, dan reduksi dimensi UMAP, yang menghasilkan 12 kelas mangsa sesuai kalender pranata mangsa. Evaluasi clustering menunjukkan Hierarchical Clustering unggul dibandingkan DBSCAN dan K Means, dengan skor Silhouette 0.6076, Davies Bouldin 0.5529, dan Calinski Harabasz 32895.6698. Untuk klasifikasi Random Forest, komposisi data 85 persen data train dan 15 persen data testing memberikan akurasi tertinggi sebesar 96.5 persen, sedangkan rata rata akurasi cross validation mencapai 94.98 persen, menunjukkan model yang stabil dan andal. Pada prediksi parameter cuaca, konfigurasi terbaik LSTM 128 unit, batch size 64, learning rate 0.002, sequence length 35 menghasilkan R2 sebesar 0.8388 dengan error rendah. Integrasi sistem menunjukkan data klasifikasi mangsa dan prediksi cuaca tujuh hari ke depan berhasil ditampilkan di website dengan menu utama dashboard dan rekomendasi tanaman. Pengiriman data dari perangkat IoT ke website menggunakan MQTT menunjukkan stabilitas tinggi dengan interval pengiriman 5014 sampai 5024 ms, delay 14 sampai 24 ms, dan waktu publish konsisten setiap 5 detik. Penelitian ini membuktikan efektivitas integrasi data IoT dan model pembelajaran mesin dalam mendukung manajemen pertanian berbasis teknologi.