Penelitian ini membahas polusi udara, sebuah isu global mendesak yang dipengaruhi oleh faktor geografis dan temporal, dengan menggunakan teknik pembelajaran mesin canggih untuk meningkatkan klasifikasi kualitas udara. Dengan mengintegrasikan algoritma K-Nearest Neighbors (KNN) dengan Teknik Oversampling Minoritas Sintetis (SMOTE) dan Multi-Verse Optimization (MVO), tantangan seperti ketidakseimbangan data dan optimasi parameter berhasil diatasi. Pendekatan baru yang menggabungkan SMOTE dan MVO dalam kerangka kerja KNN telah secara signifikan meningkatkan akurasi klasifikasi hingga 96%, yang jauh lebih baik dibandingkan metode sebelumnya. Dataset mencakup data geografis dan temporal yang beragam, dengan potensi bias yang diakui dan diatasi. Studi ini menyoroti efektivitas penggabungan MVO dan SMOTE untuk mengoptimalkan model klasifikasi, memberikan kontribusi besar pada analisis lingkungan dan upaya melawan polusi udara. Penelitian masa depan akan lebih mengeksplorasi teknologi AutoML untuk meningkatkan optimasi algoritmik, menawarkan solusi yang lebih efisien dan adaptif. Upaya perintis ini menekankan peran penting inovasi teknologi dalam mengatasi tantangan lingkungan dan menandai kemajuan signifikan dalam memerangi polusi udara global.

Kata kunci:  Polusi udara, Klasifikasi Kualitas Udara, K-Nearest Neighbors, MVO, SMOTE