Cacing tanah Lumbricus rubellus merupakan organisme penting dalam proses penguraian limbah organik menjadi vermikompos. Pertumbuhan cacing ini dipengaruhi oleh berbagai faktor lingkungan, seperti suhu, kelembaban, dan pH media tempat hidupnya. Namun, metode konvensional dalam budidaya cacing tanah hingga saat ini umumnya masih bergantung pada pengalaman dan pengamatan manual terhadap kondisi lingkungan sehingga kurang akurat dan tidak efektif dalam mengoptimalkan pertumbuhan cacing secara konsisten. Penelitian ini bertujuan mengembangkan aplikasi mobile untuk memprediksi pertumbuhan cacing berbasis kecerdasan buatan menggunakan model Random Forest (RF), Support Vector Machine (SVM), dan Gradient Boosting (GB). Dataset yang digunakan berasal dari data simulasi parameter lingkungan terkendali. Sebelum dataset diproses, dilakukan pra-pemrosesan data untuk mempercepat waktu pelatihan model dan mengurangi kemungkinan terjadinya overfitting. Dataset yang telah diproses menggunakan machine learning, akan menghasilkan sebuah prediksi yang kemudian akan divisualisasi untuk setiap metode yang digunakan dalam bentuk grafik dan disimpan di firebase. Selanjutnya, dilakukan evaluasi menggunakan accuraty, precision, recall, F1-score, serta confussion matrix. Penilitian ini diharapkan mampu membantu petani menciptakan lingkungan budidaya cacing yang lebih optimal dan stabil dalam pertumbuhan, serta kemampuan reproduksi cacing, sekaligus menjadikan proses dekomposisi bahan organik lebih efisien.