Sebuah website yang dikembangkan oleh peneliti memiliki jutaan data prompt dan hasil gambar AI-generated menghadapi tantangan seperti penyajian konten yang lambat dan tidak efisien bagi pengguna. Ketiadaan sistem kategorisasi yang tepat menyebabkan proses filtering dan pencarian konten menjadi lambat, sehingga membutuhkan implementasi sistem klasifikasi otomatis untuk meningkatkan kecepatan akses dan user experience. Penelitian ini membandingkan performa algoritma Gaussian Naive Bayes dan Decision Tree Classifier dalam mengklasifikasikan prompt text-to-image ke dalam tiga kategori: Background/Texture, Landscape, dan Arts. Dataset terdiri dari 7.040 prompt yang telah dikategorikan secara manual. Metodologi mencakup pra-pemrosesan data, representasi teks menggunakan Bag of Words, penerapan kedua algoritma klasifikasi, dan evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa Decision Tree mencapai akurasi tertinggi sebesar 99,16%, mengungguli Gaussian Naive Bayes yang hanya memperoleh 61,74%. Temuan ini menunjukkan bahwa Decision Tree lebih mampu menangani kompleksitas karakteristik prompt, serta dapat diimplementasikan untuk meningkatkan efisiensi pencarian dan penyaringan konten pada platform generative AI.