Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model klasifikasi berbasis algoritma C4.5 guna meningkatkan efektivitas proses Penerimaan Mahasiswa Baru (PMB) di Institut Teknologi PLN (ITPLN). Data yang digunakan berasal dari calon mahasiswa reguler tahun 2023, dengan fokus pada klasifikasi potensi pembayaran Uang Pangkal (UP) dan Biaya Pengembangan dan Pembangunan Pendidikan (BP3). Algoritma C4.5 dipilih karena kemampuannya dalam menangani data numerik dan kategorikal serta mengatasi nilai atribut yang hilang. Hasil penelitian menunjukkan bahwa variabel gaji dan pekerjaan orang tua memiliki pengaruh signifikan dalam menentukan potensi bayar calon mahasiswa, dengan akurasi model mencapai 73,65%. Implementasi model ini diharapkan dapat mengoptimalkan strategi pemasaran dan komunikasi, memprioritaskan follow-up pada calon mahasiswa yang memiliki potensi pembayaran lebih tinggi, serta meningkatkan efisiensi penggunaan waktu dan sumber daya dalam proses penerimaan mahasiswa baru. Saran diberikan untuk menerapkan model pada program studi lain dan memperbarui model secara berkala dengan data terbaru agar tetap relevan dan akurat.

This research aims to develop and implement a classification model based on the C4.5 algorithm to enhance the effectiveness of the New Student Admission (PMB) process at the Institute of Technology PLN (ITPLN). The data used comes from regular prospective students in 2023, focusing on classifying the potential payment of Initial Fees (UP) and Educational Development and Construction Fees (BP3). The C4.5 algorithm was chosen for its ability to handle both numerical and categorical data, as well as to deal with missing attribute values. The results of the study indicate that the variables of parental income and occupation significantly influence the payment potential of prospective students, with the model achieving an accuracy of 73.65%. The implementation of this model is expected to optimize marketing and communication strategies, prioritize follow ups on prospective students with higher payment potential, and increase efficiency in the use of time and resources in the new student admission process. Recommendations are made to apply the model to other study programs and to update the model regularly with the latest data to ensure it remains relevant and accurate.