Pengobatan kemoterapi secara jangka panjang memiliki efek samping dan resistensi sel terhadap obat tertentu. Oleh karena itu, dibutuhkan obat baru yang dapat mengurangi efek samping dan memberikan efek pengobatan yang lebih baik. Pada umumnya, obat-obat anti kanker dikembangkan dengan mempertimbangkan Cyclin Dependent Kinase 2 (CDK2) sebagai targetnya. Desain obat secara konvensional diketahui tidak efektif dan efisien karena untuk mendapatkan senyawa baru dengan aktivitas biologis tertentu perlu dilakukan sintesis terlebih dahulu untuk mengetahui aktivitasnya. Untuk mendesain obat baru, dibutuhkan suatu model yang dapat memprediksi aktivitas kandidat obat. Proses prediksi tersebut dapat dilakukan dengan menggunakan suatu model matematika yang dapat menentukan korelasi struktur dan aktivitas atau dikenal dengan Quantitative Structure-Activity Relationships (QSAR). Penelitian ini bertujuan membangun model prediksi untuk klasifikasi dengan metode ensemble yaitu XGBoost, Random Forest dan Adaboost. Penelitian dilakukan dengan mengimplementasikan metode ansambel tersebut pada setiap fingerprint (Estate, Extended, Maccs dan Pubchem). Berdasarkan hasil yang didapatkan, Random Forest dengan fingerprint Pubchem merupakan model prediksi terbaik dibandingkan dengan metode lainnya. Hal ini ditunjukkan dengan nilai Matthews Correlation Coefficient (MCC) dan Area Under the ROC Curve (AUC) yang paling besar yaitu berturut-turut, MCC=0.979 dan AUC=0.999.