Hepatitis masih menjadi salah satu tantangan serius di bidang kesehatan, terutama karena sifatnya yang sering “diam-diam berbahaya”. Hepatitis C, misalnya, kerap tidak menimbulkan gejala nyata pada fase awal, sehingga banyak pasien baru terdeteksi ketika kondisinya sudah cukup parah. Berangkat dari permasalahan tersebut, penelitian ini berupaya menghadirkan pendekatan data mining melalui algoritma Decision Tree tipe C4.5 untuk membantu memprediksi kondisi pasien hepatitis secara lebih sistematis. Dataset yang digunakan berasal dari platform Kaggle dengan total 155 entri data klinis, mencakup variabel seperti usia, jenis kelamin, konsumsi obat, hingga gejala medis tertentu. Tahapan penelitian meliputi preprocessing data, pelatihan model, evaluasi performa dengan metrik akurasi, precision, recall, serta pembuatan visualisasi pohon keputusan menggunakan RapidMiner. Hasil eksperimen menunjukkan bahwa model mampu mencapai akurasi optimal sebesar 80,65% dengan proporsi data latih dan uji 80:20. Selain itu, precision pada kelas “Live” mencapai 91,30% dan recall pada kelas “Die” sebesar 66,67%. Pohon keputusan yang terbentuk juga mudah diinterpretasikan, menjadikannya relevan sebagai sarana pendukung keputusan klinis. Dengan demikian, penelitian ini tidak hanya menawarkan gambaran teknis, tetapi juga membuka peluang pemanfaatan teknologi prediktif dalam deteksi dini hepatitis.