<![CDATA[Pendidikan tinggi menghadapi tantangan serius berupa masalah gagal studi mahasiswa, yang dipengaruhi oleh berbagai faktor mulai dari ketidaksesuaian minat hingga kondisi psikososial. Identifikasi dini risiko gagal studi menjadi krusial untuk mencegah tingginya angka putus studi dan merancang intervensi yang tepat. Penelitian ini memanfaatkan machine learning, khususnya algoritma Decision Tree CART, untuk mengklasifikasikan risiko gagal studi mahasiswa berdasarkan data akademik dan non-akademik, seperti IPK, masa studi, keterlibatan KKN/PKL, dan poin SKPM. Tahapan penelitian meliputi identifikasi masalah, pengumpulan dan pra-pemrosesan data, penerapan algoritma Decision Tree, pelatihan model, evaluasi, dan analisis. Data sebanyak 100 entri diproses dengan teknik data cleaning dan transformasi atribut kategorikal ke numerik, kemudian dibagi menjadi rasio 80:20 untuk pelatihan dan pengujian. Hasil evaluasi menunjukkan akurasi sebesar 85%, yang mengindikasikan bahwa model memiliki performa yang baik dalam memprediksi status kelulusan mahasiswa. Temuan ini menunjukkan bahwa model Decision Tree CART dapat menjadi solusi proaktif untuk deteksi dini risiko gagal studi dan mendukung pengambilan keputusan strategis di lingkungan perguruan tinggi. Kata Kunci: Decision Tree, CART, Klasifikasi, Gagal Studi, Mahasiswa Higher education faces a serious challenge in the form of student study failure, influenced by various factors such as mismatched interests and psychosocial conditions. Early identification of study failure risk is crucial to prevent high dropout rates and to design appropriate interventions. This study utilizes machine learning, specifically the Decision Tree CART algorithm, to classify the risk of student study failure based on academic and non-academic data, including GPA, study duration, KKN/PKL participation, and SKPM points. The research stages include problem identification, data collection and preprocessing, algorithm implementation, model training, evaluation, and analysis. A total of 100 data entries were processed using data cleaning techniques and categorical-to-numerical transformation, then split into an 80:20 ratio for training and testing. The evaluation results show an accuracy of 85%, indicating that the model performs well in predicting students' graduation status. These findings suggest that the Decision Tree CART model offers a proactive solution for early detection of study failure risk and supports strategic decision-making in higher education institutions. Keywords: Decision Tree, CART, Classification, Study Failure, Students]]>
