Pertanian merupakan pilar utama dalam perekonomian sebuah negara. Salah satu kunci kesuksesan dalam pertanian adalah pemilihan lahan yang tepat. Identifikasi lahan yang subur atau tidak dapat dilakukan melalui pendekatan data mining yang dianggap lebih efisien. Hal ini karena data mining memiliki beberapa algoritma untuk mengekstraksi informasi penting dari sejumlah besar data melalui proses klasifikasi. Namun, algoritma klasifikasi dalam data mining sering menghadapi tantangan ketidakseimbangan data, yang dapat mengakibatkan tingkat akurasi yang rendah. Hasil pemrosesan data dengan model perhitungan yang memiliki tingkat akurasi rendah akan mengakibatkan banyaknya prediksi yang salah (fail prediction). Untuk mengatasi masalah ini, penelitian ini melakukan pengujian dan analisis perbandingan hasil Confusion Matrix dari empat model perhitungan, yaitu: algoritma Decision Tree, Logistic Regression, SVM, dan gabungan ketiga algoritma tersebut dengan teknik ensemble Soft Voting. Hasil pengujian menunjukkan bahwa pemrosesan data menggunakan algoritma Decision Tree, Logistic Regression, dan SVM, ditambah dengan optimasi model ensemble Soft Voting, memberikan akurasi tertinggi sebesar 91.53%. Hasil akurasi ini lebih tinggi jika dibandingkan dengan tiga model perhitungan lainnya, yaitu: algoritma Decision Tree dengan selisih 3.83%, Logistic Regression dengan selisih 2.66%, atau SVM dengan selisih 1.36%. Penelitian ini dapat memberikan kontribusi signifikan dengan mengidentifikasi solusi yang efisien untuk meningkatkan akurasi identifikasi lahan pertanian yang subur, yang merupakan langkah kunci dalam mendukung kesuksesan sektor pertanian dalam perekonomian negara.