Kesehatan merupakan aspek penting dalam kehidupan manusia yang dipengaruhi oleh berbagai faktor, termasuk gaya hidup, aktivitas sehari-hari, pola makan, serta kebiasaan merokok dan olahraga. Gaya hidup yang tidak sehat dapat meningkatkan risiko penyakit kronis sehingga diperlukan sistem prediksi yang mampu mengklasifikasikan status kesehatan secara akurat. Penelitian ini bertujuan untuk membandingkan performa algoritma Naïve Bayes dan K-Nearest Neighbor (KNN) dalam mengklasifikasikan status kesehatan menggunakan dataset Lifestyle Habits yang diperoleh dari Kaggle dengan jumlah 389 record. Metode penelitian menggunakan pendekatan CRISP-DM yang meliputi tahap business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Proses pemodelan dilakukan menggunakan Python di Google Colab dengan library scikit-learn, sedangkan implementasi sistem berbasis web menggunakan Streamlit. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes menghasilkan akurasi sebesar 92%, sedangkan algoritma KNN (dengan parameter K terbaik) juga menunjukkan performa yang kompetitif. Dari hasil perbandingan, dapat disimpulkan bahwa kedua algoritma sama-sama mampu melakukan klasifikasi status kesehatan dengan baik, namun terdapat perbedaan karakteristik kinerja pada masing-masing algoritma. Penelitian ini diharapkan dapat memberikan kontribusi dalam mendukung upaya deteksi dini faktor risiko kesehatan serta menjadi alternatif solusi dalam pengambilan keputusan di bidang kesehatan berbasis data mining.