Tujuan penelitian ini adalah untuk mengklasifikasikan kualitas udara sesuai dengan Indeks Standar Pencemar Udara (ISPU) menggunakan algoritma Naïve Bayes serta mengevaluasi dampak penambahan fitur PM2.5 terhadap akurasi model dengan membagi dataset kedalam tiga kategori diantaranya BAIK, SEDANG dan TIDAK SEHAT. ISPU merupakan indikator penting dalam mengukur kualitas udara berdasarkan konsentrasi polutan seperti PM10, PM2.5, SO2, CO, O3, NO2 dan HC. Dengan tingginya volume data yang dikumpulkan setiap hari, diperlukan metode klasifikasi yang efektif untuk menyampaikan data kualitas udara dengan tepat. Penelitian ini mengusulkan dua skenario klasifikasi berdasarkan Peraturan NOMOR P.14/MENLHK/SETJEN/KUM.1/7/2020, yaitu: tanpa fitur PM2.5 dan dengan fitur PM2.5. Evaluasi dilakukan menggunakan K-Fold Cross Validation dengan K = 2, 3, 4, dan 5, dimana K = 5 menghasilkan akurasi tertinggi. Hasil penelitian menunjukkan bahwa penambahan fitur PM2.5 meningkatkan akurasi model dari 82,89% menjadi 93% dan F1-score dari 82,6% menjadi 92,8%, menunjukkan peningkatan sekitar 10%. Kontribusi utama penelitian ini adalah analisis komprehensif terhadap dampak fitur PM2.5 serta evaluasi berbagai nilai K dalam K-Fold Cross Validation. Dengan demikian, penemuan ini dapat menjadi sumbangsih ilmu pengetahuan pada ranah pengembangan sistem pemantauan kualitas udara yang lebih akurat untuk mendukung kebijakan lingkungan dan kesehatan masyarakat.