<![CDATA[Selama pelaksanaan ibadah haji, kesehatan adalah suatu hal penting yang mempengaruhi kelancaran ibadah. Jemaah haji perlu berada dalam kondisi fisik dan mental yang optimal untuk memenuhi syarat istitha"™ah. Oleh karena itu, pemanfaatan data mining sangat penting untuk mengklasifikasikan data kesehatan jemaah haji yang dapat dimanfaatkan sebagai bahan evaluasi kondisi kesehatan jemaah. Penelitian ini akan membandingkan akurasi empat algoritma pada pendekatan Supervised Learning dalam klasifikasi status kesehatan jemaah haji. Algoritma pada pendekatan Supervised Learning yang digunakan yaitu Decision Tree, Random Forest, AdaBoost, dan XGBoost. Keempat algoritma tersebut dipilih dikarenakan memiliki kemampuan yang kuat dalam menangani data yang kompleks, serta efisien dalam menangani berbagai jenis data. Selain itu proses seleksi fitur menggunakan Chi-Square diterapkan sebelum klasifikasi untuk mengoptimalkan serta meningkatkan nilai akurasi setiap algoritma. Hasil penelitian menunjukkan penggunaan seleksi fitur Chi-Square mampu memberikan peningkatan akurasi algoritma pada pendekatan Supervised Learning, dengan fitur terbaik menggunakan 6 fitur atribut regular dan 1 atribut sebagai label. Didapatkan hasil perbandingan klasifikasi status kesehatan jemaah haji menggunakan algoritma XGBoost dengan penggunaan seleksi fitur memiliki akurasi tertinggi mencapai 97,21% dibandingkan dengan algoritma Decision Tree yang hanya mencapai 95,61%, Random Forest 96,81%, dan AdaBoost 89,94%.]]>
