Kantor Pos Cimahi merupakan perusahaan BUMN yang bergerak pada bidang jasa pengiriman barang. Saat ini banyak perusahaan swasta yang bergerak dalam bidang jasa pengiriman barang, sehingga menyebabkan banyaknya pesaing bagi Kantor Pos Cimahi dan dapat menyebabkan pelanggan yang menggunakan jasa Kantor Pos Cimahi berkurang. Oleh karena itu diperlukan suatu sistem yang dapat membantu Kantor Pos Cimahi untuk dapat menentukan pelanggan potensial agar dapat diketahui pelanggan mana yang potensial sehingga dapat diberikan perlakuan khusus agar pelanggan tersebut tetap menggunakan jasa Kantor Pos Cimahi. Sistem yang dibangun menggunakan bahasa pemrograman PHP dan metode Algoritma C 5.0 yang merupakan salah satu algoritma pohon keputusan yang dapat membantu untuk menentukan pelanggan potensial. Penelitian menggunakan data transaksi periode bulan januari oktober 2020 dimana atribut yang digunakan yaitu bulan, nama perusahaan, jenis kiriman yang digunakan, jumlah transaksi selama sebulan, dan total uang. Hasil penelitian menunjukan bahwa algoritma C 5.0 mampu melakukan menentukan data pelanggan potensial dengan akurasi sebesar 96%.

In general, the college admission process is done through registration, file selection, examinations, an announcement of the results of students who pass, and ends with re-registration. In this case, a problem was found where there is a significant decrease in the number of student who register with those who re-register .Things like this can reduce the balance between new students and students who meet the requirements, to make a decrease in the quality of higher education and affect accreditation. Based on these problems, a classification method was developed to look for patterns of students who would enter institutions and what factors influence students to re-register.To improve the accuracy of the decision tree algorithm the author use adaptive boosting (adaboost) in finding factors that make prospective students continue to the re-registration process.From the results of the study, the AdaBoost-based decision tree algorithm shows that the level of accuracy has an increase of 20%. The presentation of results is as follows, 61.4% (decision tree); 91.35% (decision tree + AdaBoost)