Infeksi Saluran Pernapasan Akut (ISPA) menjadi tantangan kesehatan utama di Indonesia karena penyebarannya yang cepat dan kemiripan gejalanya dengan penyakit pernapasan lain yang sering menghambat efisiensi diagnosis. Penelitian ini bertujuan untuk membandingkan kinerja metode K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengklasifikasikan status diagnosis ISPA dan Non-ISPA di Puskesmas Dempo berdasarkan pola kombinasi delapan indikasi gejala klinis pasien dengan rasio pembagian data (splitting data) 80:20 guna menentukan model klasifikasi yang paling optimal.
Metodologi penelitian menggunakan 200 rekam medis pasien yang mencakup delapan indikasi gejala klinis utama, yaitu demam, batuk, pilek, hidung tersumbat, sesak napas, sakit tenggorokan, sakit kepala, dan kelelahan. Tahap pra-pemrosesan data dilakukan melalui pembersihan data (data cleaning), seleksi fitur (feature selection), dan transformasi data (encoding) untuk memastikan kualitas input model. Pengujian model diimplementasikan menggunakan bahasa pemrograman Python pada platform Google Colaboratory. Kinerja model dievaluasi berdasarkan parameter accuracy, precision, recall, dan F1-score yang diperoleh melalui perhitungan confusion matrix.
Hasil penelitian menunjukkan bahwa metode Naive Bayes mencapai performa yang lebih superior dibandingkan KNN dengan tingkat akurasi sebesar 75,00%, presisi 79,17%, recall 79,17%, dan F1-Score sebesar 79,17%. Model Naive Bayes terbukti lebih stabil dan andal dalam mengklasifikasikan data dibandingkan KNN yang memiliki akurasi 72,50% dengan F1-Score 76,60%. Berdasarkan hasil tersebut, metode Naive Bayes ditetapkan sebagai model klasifikasi yang paling optimal untuk mengidentifikasi status penyakit ISPA di Puskesmas Dempo.