Infeksi saluran pernapasan akut (ISPA) merupakan salah satu penyakit dengan prevalensi tinggi di dunia, menjadi penyebab utama kematian pada bayi, anak kecil, dan kelompok lanjut usia. Tantangan utama dalam diagnosis penyakit ini adalah jumlah pasien yang tinggi dan keterbatasan tenaga medis. Penerapan algoritma machine learning menjadi solusi efektif dalam membantu diagnosis otomatis, salah satunya adalah penggunaan algoritma Random Forest. Penelitian ini bertujuan untuk mengevaluasi performa Random Forest dalam klasifikasi penyakit saluran pernapasan, khususnya ISPA, dengan membandingkannya terhadap algoritma lain seperti Naïve Bayes, K-Nearest Neighbour (KNN), dan Support Vector Machine (SVM). Berdasarkan studi literatur yang ada, Random Forest menunjukkan hasil akurasi yang tinggi, bahkan mencapai 100% pada beberapa dataset. Teknik tuning hyperparameter seperti GridSearchCV digunakan untuk mengoptimalkan performa model, sehingga meningkatkan ketepatan diagnosis. Hasil penelitian ini menunjukkan bahwa algoritma Random Forest lebih unggul dalam mengklasifikasikan data pasien ISPA dibandingkan dengan algoritma lainnya, menjadikannya pilihan yang tepat dalam pengembangan sistem pendukung keputusan medis.