Penyakit asma merupakan masalah kesehatan global yang memerlukan penanganan cepat untuk menjaga kualitas hidup penderitanya. Namun, metode diagnosis konvensional seringkali terkendala oleh biaya dan waktu. Penelitian ini bertujuan untuk mengklasifikasikan tingkat keparahan asma menggunakan algoritma random forest berbasis machine learning. Algoritma ini dipilih karena kemampuannya dalam menangani data medis yang kompleks serta stabil melalui mekanisme ensemble. Data yang digunakan merupakan data sekunder dari Kaggle sebanyak 316.800 rekam medis dengan 12 atribut. Metode Synthetic Minority Over-sampling Technique (SMOTE) digunakan untuk mengatasi ketidakseimbangan kelas (class imbalance). Penelitian ini menggunakan pendekatan kuantitatif dengan metode CRISP-DM yang meliputi tahapan pemahaman bisnis hingga evaluasi. Optimasi model dilakukan melalui penyesuaian hyperparameter seperti n_estimators dan max_depth. Hasil penelitian menunjukkan bahwa model random forest dengan parameter terbaik, yaitu n_estimators sebanyak 300, dan max_depth sebesar 10, mampu mencapai nilai accuracy 91,08%. Pada performa rata-rata (weighted average), model menghasilkan nilai precision 90,09%, recall 93,05%, dan F1-score 91,25%. Hal ini menunjukkan bahwa model yang diusulkan memiliki kinerja yang baik dalam klasifikasi tingkat keparahan asma.