<![CDATA[Infeksi Saluran Pernapasan Akut (ISPA) merupakan salah satu penyebab utama morbiditas pada balita dan masih menjadi permasalahan kesehatan masyarakat, khususnya di fasilitas pelayanan kesehatan tingkat pertama. Tingginya jumlah kasus ISPA menuntut adanya sistem klasifikasi yang mampu mendukung deteksi dini secara cepat dan akurat berbasis data rekam medis. Pendekatan data mining dengan algoritma klasifikasi menjadi salah satu solusi yang dapat diterapkan untuk tujuan tersebut. Penelitian ini bertujuan untuk membandingkan performa algoritma C4.5 dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan penyakit ISPA pada balita. Data penelitian bersumber dari 618 rekam medis rawat jalan balita di Puskesmas X pada periode tahun 2023–2024, yang terdiri atas 93 kasus ISPA pneumonia dan 525 kasus ISPA non-pneumonia. Atribut yang digunakan dalam proses klasifikasi meliputi pilek, demam, sesak napas, nyeri telinga, batuk, penurunan kesadaran, mual, atau muntah, serta sakit tenggorokan. Data diolah menggunakan perangkat lunak RapidMiner melalui tahapan preprocessing, pembagian data menjadi data pelatihan, dan data pengujian dengan berbagai rasio pembagian, serta penerapan teknik sampling linear, shuffled, dan stratified sampling. Proses klasifikasi dilakukan menggunakan algoritma C4.5 dan K-NN dengan beberapa variasi nilai parameter. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan indikator akurasi, presisi, dan recall. Hasil penelitian menunjukkan adanya perbedaan performa antara algoritma C4.5 dan K-NN dalam mengklasifikasikan ISPA pada balita, yang dipengaruhi oleh karakteristik data dan parameter yang digunakan. Penelitian ini memberikan kontribusi dalam kajian komparatif algoritma klasifikasi ISPA serta mendukung pengembangan sistem deteksi dini ISPA berbasis data rekam medis di fasilitas pelayanan kesehatan. Abstract Acute Respiratory Infection (ARI) is one of the leading causes of morbidity among toddlers and remains a public health problem, particularly in primary healthcare facilities. The high incidence of ARI cases highlights the need for a classification system capable of supporting rapid and accurate early detection based on medical record data. Data mining approaches using classification algorithms offer a potential solution to this challenge. This study aims to compare the performance of the C4.5 and K-Nearest Neighbor (K-NN) algorithms in classifying ARI among toddlers. The dataset consisted of 618 outpatient medical records of toddlers from Primary Health Center X during the 2023–2024 period, comprising 93 cases of pneumonia ARI and 525 cases of non-pneumonia ARI. The attributes used in the classification process included runny nose, fever, shortness of breath, ear pain, cough, decreased consciousness, nausea or vomiting, and sore throat. Data processing was conducted using RapidMiner through preprocessing stages, data partitioning into training and testing sets with various split ratios, and the application of linear, shuffled, and stratified sampling techniques. Classification was performed using the C4.5 and K-NN algorithms with several parameter variations. Model performance was evaluated using a confusion matrix with accuracy, precision, and recall as evaluation metrics. The results indicate performance differences between the C4.5 and K-NN algorithms in classifying ARI in toddlers, influenced by data characteristics and parameter settings. This study contributes to the comparative analysis of ARI classification algorithms and supports the development of medical record–based early detection systems for ARI in primary healthcare facilities. ]]>
