Penyakit pernapasan seperti asma, penyakit paru obstruktif kronis (COPD), dan infeksi saluran pernapasan bawah merupakan salah satu penyebab utama kematian di dunia, terutama di wilayah terpencil. Deteksi penyakit sering dilakukan menggunakan metode tradisional seperti auskultasi, namun metode ini bergantung pada keahlian subjektif tenaga medis. Algoritma machine learning semakin banyak digunakan dalam analisis data medis. Oleh karena itu, metode berbasis machine learning digunakan sebagai alternatif yang menawarkan akurasi tinggi dalam menganalisis suara pernapasan. Tujuan dari penelitian ini adalah membandingkan kinerja beberapa model machine learning dalam klasifikasi suara pernapasan. Metode yang digunakan adalah pendekatan berbasis Mel-Frequency Cepstral Coefficients (MFCC) sebagai metode ekstraksi fitur suara pernapasan, yang kemudian diklasifikasikan menggunakan algoritma machine learning seperti Support Vector Machine (SVM), Random Forest, K-Nearest Neighbors (KNN), Naive Bayes, dan Deep Neural Networks (DNN). Hasil dari penelitian ini adalah model Random Forest mencapai akurasi tertinggi sebesar 79%, sedangkan model SVM, DNN, dan KNN menunjukkan akurasi stabil di kisaran 75% hingga 77%, dan Naive Bayes memiliki akurasi paling rendah sebesar 52%. Dalam semua metrik akurasi, Random Forest mengungguli model lainnya, menjadikannya pilihan paling efektif untuk mengklasifikasikan suara pernapasan. Penelitian ini memberikan dasar bagi pengembangan alat diagnostik yang lebih akurat untuk mendeteksi kelainan pernapasan.