Klasifikasi sebagai salah satu bidang kajian utama machine learning telah banyak diterapkan pada bidang medis. Namun demikian penerapannya, khususnya di Indonesia, masih mengalami hambatan yang disebabkan oleh ketersediaan data. Oleh karena itu dibutuhkan algoritma klasifikasi yang mampu mengatasi kendala tersebut. Tujuan penelitian ini adalah untuk menganalisa pengaruh ukuran contoh terhadap kinerja algoritma Voting Feature Intervals (VFI5). Klasifikasi dilakukan melalui beberapa tahapan proses, yaitu praproses, pelatihan, dan prediksi (Klasifikasi). Pengujian klasifikasi seluruh data dilakukan dengan menggunakan metode 3-fold cross validation. Hasil penelitian menunjukkan bahwa, perubahan tingkat akurasi yang terjadi pada setiap data tidak hanya dipengaruhi oleh perubahan ukuran contoh tetapi juga karakteristik penyebaran (variasi) nilai feature setiap instance. Pada data dengan ukuran contoh yang kecil, semakin besar variasi nilai feature setiap kelas, maka perubahan (penurunan) tingkat akurasi akan lebih signifikan dibandingkan dengan data yang variasi nilai feture setiap kelasnya kecil.