Kesehatan tanaman merupakan aspek penting dalam menjaga produktivitas pertanian dan ketahanan pangan. Namun, metode identifikasi tradisional yang bersifat visual dan subjektif sering kali kurang akurat dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk membandingkan efektivitas dua algoritma klasifikasi, yaitu K-Nearest Neighbor (K-NN) dan Naïve Bayes (NB), dalam mengklasifikasikan status kesehatan tanaman berdasarkan data pengamatan sensor lingkungan. Data yang digunakan terdiri dari 1.200 entri yang diperoleh dari Kaggle, mencakup 11 fitur seperti kelembaban tanah, suhu, pH, kandungan hara, dan sinyal elektrokimia, dengan label kesehatan tanaman (Healthy, Moderate Stress, High Stress). Penelitian menggunakan pendekatan CRISP-DM dengan tahapan business understanding, data preparation, modeling, evaluation, dan deployment. Evaluasi model menunjukkan bahwa Naïve Bayes memiliki performa lebih tinggi dengan akurasi 76,25% dan F1-score rata-rata 76,07%, dibandingkan K-NN yang hanya mencapai akurasi 56,67% dan F1-score 59,53%. Uji-T berpasangan membuktikan perbedaan performa kedua algoritma signifikan secara statistik. Hasil ini menunjukkan bahwa Naïve Bayes lebih efektif dan efisien untuk klasifikasi kesehatan tanaman berbasis data sensor numerik.