Air bersih berperan penting dalam menjaga kualitas lingkungan hidup dan keberlanjutan pembangunan, sebagaimana tercantum dalam target 6 Sustainable Development Goals (SDGs) 2030. Kondisi mutu air sungai di Daerah Khusus Jakarta sebagai wilayah perkotaan dengan nilai Indeks Kualitas Air (IKA) terendah kedua di Indonesia menuntut adanya upaya klasifikasi status mutu air guna mendukung pengambilan kebijakan pengelolaan lingkungan. Perhitungan klasifikasi status mutu air saat ini masih dilakukan secara manual sehingga perlu dilakukan upaya perhitungan yang lebih efisien salah satunya menggunakan pendekatan komputasi melalui machine learning. Penelitian ini menggunakan metode machine learning sebagai pendekatan untuk meningkatkan efisiensi dalam klasifikasi status mutu air yang sebelumnya dilakukan secara manual. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan Support Vector Machine (SVM) dalam klasifikasi Status Mutu Air Sungai di Daerah Khusus Jakarta. Status mutu air dapat diidentifikasi dengan 8 parameter, yaitu derajat keasaman (pH), oksigen terlarut (DO), kebutuhan oksigen biologi (BOD), kebutuhan oksigen kimiawi (COD), padatan tersuspensi total (TSS), nitrat, total fosfat (Total-P), dan fecal coliform (Fecal Coli). Penelitian ini melibatkan analisis deskriptif untuk memahami pola distribusi kualitas air, penanganan ketidakseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), implementasi algoritma Random Forest dan Support Vector Machine (SVM), serta evaluasi performa model berdasarkan recall, precision, dan F1-score. Hasil analisis deskriptif menunjukkan bahwa status mutu air di Daerah Khusus Jakarta sebagian besar berada pada status cemar berat, yang memiliki proporsi tertinggi dibandingkan status cemar sedang dan cemar ringan. Algoritma Random Forest menunjukkan performa terbaik dengan recall sebesar 0.9583, precision sebesar 0.967, dan F1-score sebesar 0.96, dibandingkan Support Vector Machine (SVM) dengan recall sebesar 0.7291, precision sebesar 0.7450, dan F1-score sebesar 0.7352.