Penilaian tanah massal berbasis bidang diperlukan untuk mendukung kebijakan pertanahan berbasis data, namun metode Hedonic Pricing Modelling (HPM) masih terbatas dalam menangkap hubungan kompleks antar atribut tanah. Penelitian ini mengembangkan dan membandingkan model Random Forest, XGBoost, dan Artificial Neural Network (ANN) menggunakan data 172 bidang tanah di Kota Yogyakarta dengan variabel luas, aksesibilitas, lokasi, lingkungan, dan tata ruang Hasil HPM menunjukkan luas bidang dan lebar muka jalan sebagai faktor dominan, dengan kemampuan jelaskan model sebesar R³ 0,3731 Pengembangan machine learning meningkatkan akurasi, yaitu Random Forest (R³ 0,6858; MAE 10,76), ANN (R2 0,5789, MAE 16.25), dan NG Boost sebagai model terbaik (R³ 0,7487; MAE 9,85). XGBoost paling layak diterapkan karena mampu menangkap pola nonlinier, stabil, dan mendukung penilaian tanah massal berbasis bidang.