ABSTRAKSI: Jumlah mahasiswa yang mengalami drop out pada suatu perguruan tinggi akan memberi pengaruh terhadap citra perguruan tinggi yang bersangkutan. Diharapkan mahasiswa yang berpotensi mengalami drop out dapat diprediksi lebih awal sehingga melalui peran dosen wali mahasiswa tersebut dapat dibimbing lebih awal. Prediksi ini diharapkan dapat mengurangi jumlah mahasiswa yang drop out setiap tahunnya. Drop out merupakan salah satu contoh dari kasus imbalance class, dimana pada umumnya jumlah mahasiswa yang drop out jauh lebih sedikit daripada yang tidak drop out. Metode Cost-Sensitive boosting dapat digunakan untuk menangani masalah imbalance class dalam kasus drop out. Boosting merupakan salah satu ensemble methods yang biasa digunakan untuk memperbaiki akurasi secara umum pada permasalahan imbalance class. Dengan penerapan Cost-Sensitive learning pada metode boosting dapat mengurangi misclassification cost pada permasalahan imbalance class. Didalam Tugas Akhir ini, dibuat perangkat lunak yang mengimplementasikan metode SSTBoost pada algoritma AdaBoost dengan base classifier-nya terintegrasi dengan model klasifikasi pada Clementine 10.1. Perangkat lunak yang dihasilkan selain memiliki kemampuan untuk memprediksi mahasiswa yang berpotensi drop out juga memiliki kemampuan untuk memberikan visualisasi kepada user mengenai hasil prediksi dalam bentuk laporan. Berdasarkan hasil pengujian yang dilakukan, diperoleh hasil bahwa penerapan SSTBoost pada algoritma AdaBoost menghasilkan model yang mampu memprediksi mahasiswa IT TELKOM yang berpotensi mengalami drop out.Kata Kunci : boosting, imbalance class, SSTBoost, AdaBoost.ABSTRACT: Number of drop out student in a college can give a bad name to the college. Student who potentially drop out should be predicted early so that student can be guided by lecture. This prediction should be decrease number of drop out student every year. Drop out is one of imbalance class case, that in generally, number of drop out student is smaller. Cost-Sensitive boosting methods can be used to handle imbalance class problem in drop out case. Boosting is one of ensemble methods that usually used to improve general accuracy in imbalance class problem. Cost-Sensitive learning in boosting method can decrease misclassification cost in imbalance class problem. In this final project, it built a software that implement SSTBoost method in AdaBoost algorithm that implement base classifier integrated from Classification model in Clementine 10.1. This software has abilities to predict student who potentially drop out and give visualization to user about result of the prediction. Based on testing result can be shown that implementation of SSTBoost method in AdaBoost algorithm can produce classification models that has abilities to predict IT TELKOM students who potentially drop out.Keyword: boosting, imbalance class, SSTBoost, AdaBoost.