Daerah Khusus Jakarta merupakan salah satu kota metropolitan dengan tingkat aktivitas ekonomi dan kepadatan penduduk yang sangat tinggi. Seiring dengan pesatnya pembangunan, Jakarta menghadapi berbagai tantangan lingkungan, termasuk masalah kualitas udara. Klasifikasi kualitas udara menggunakan machine learning menjadi penting untuk memberikan informasi yang lebih akurat dan mendukung pengambilan kebijakan berbasis data dalam mengatasi tantangan ini. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Extreme Gradient Boosting (XGBoost) dan Random Forest dalam klasifikasi kualitas udara di Daerah Khusus Jakarta. Kualitas udara dinilai berdasarkan Indeks Standar Pencemar Udara (ISPU) dengan parameter PM10, PM2.5,SO2 ,CO,O3, dan NO2. Penelitian ini melibatkan analisis deskriptif untuk memahami pola distribusi kualitas udara, penanganan ketidakseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), implementasi algoritma XGBoost dan Random Forest, serta evaluasi kinerja model berdasarkan akurasi, sensitivitas, dan spesifisitas. Hasil analisis deskriptif menunjukkan bahwa kualitas udara di Jakarta sebagian besar berada pada kategori sedang, yang memiliki proporsi tertinggi dibandingkan kategori baik, tidak sehat, sangat tidak sehat, dan berbahaya. Algoritma XGBoost menunjukkan kinerja yang lebih baik dibandingkan Random Forest dalam mengklasifikasikan kualitas udara. Penanganan ketidakseimbangan data menggunakan SMOTE terbukti mampu meningkatkan performa kedua algoritma, terutama pada kategori pada kelas minoritas.