Kualitas udara merupakan indikator lingkungan penting yang dipengaruhi oleh konsentrasi polutan dan faktor meteorologi. Keterbatasan data observasi PM2.5 dalam skala bulanan dapat membatasi analisis perubahan kualitas udara secara lebih rinci. Penelitian ini bertujuan mengklasifikasikan kualitas udara di Kota Palembang berdasarkan data BMKG Sumatera Selatan periode 2021 sampai 2025 serta membandingkan performa algoritma Random Forest dan CatBoost Classifier. Penelitian ini mentransformasi 60 data bulanan menjadi 1.796 data harian estimasi melalui interpolasi linear untuk meningkatkan resolusi temporal. Penelitian ini membentuk label kualitas udara berdasarkan nilai PM2.5 dan menggunakan variabel meteorologi sebagai fitur masukan. Tahapan penelitian meliputi data cleaning, One-Hot Encoding, feature selection menggunakan Mutual Information dan permutation test, pembagian data 80:20 secara terstratifikasi, serta hyperparameter tuning menggunakan RandomizedSearchCV. Hasil pengujian menunjukkan bahwa Random Forest memperoleh accuracy sebesar 98,06%, precision macro sebesar 82,99%, recall macro sebesar 99,48%, dan F1 macro sebesar 88,46%. Sementara itu, CatBoost Classifier memperoleh accuracy sebesar 99,17%, precision macro sebesar 88,08%, recall macro sebesar 96,35%, dan F1 macro sebesar 90,94%. CatBoost Classifier juga menghasilkan tiga kesalahan prediksi, sedangkan Random Forest menghasilkan tujuh kesalahan. Dengan demikian, CatBoost Classifier lebih sesuai untuk klasifikasi kualitas udara pada dataset penelitian ini karena menghasilkan accuracy dan F1 macro pengujian yang lebih tinggi.