Sudah lebih dari satu tahun sejak World Health Organization (WHO) menyatakan bahwa penyakit Coronavirus disease 19 (COVID-19) adalah pandemi. Penyakit ini telah terkonfirmasi oleh WHO sebanyak 205.338.159 kasus positif per tanggal 13 Agustus 2021. Salah satu protein yang diproduksi oleh SARS-CoV-2 yang menjadi kunci penting dalam mereplikasi virus SARS-CoV-2 adalah Papain-like Protease (PLpro) SARS-CoV-2, protein ini menjadi salah satu target penting karena terlibat dalam replikasi virus. Quantitative structure-activity relationship (QSAR) adalah pendekatan komputasi kimia yang digunakan dalam salah satu langkah drug discovery, kelebihan menggunakan QSAR salah satunya adalah dapat mengurangi kegagalan mahal akibat banyaknya penelitian yang dilakukan. Penelitian ini membangun model klasifikasi QSAR in house molecules menggunakan metode ensemble learning, yaitu algoritma Random Forest dan AdaBoost untuk memprediksi nilai aktif pada dataset. Dataset yang digunakan pada penelitian ini berjumlah 90 buah dan dibagi menjadi 2 katergori yaitu nilai 1 yang berartikan molekul aktif dan 0 untuk molekul tidak aktif. Penelitian ini juga menggunakan dua jenis deskriptor fingerprint yaitu PubChem dan Extended. Tujuan dari penelitian ini adalah membangun model prediksi QSAR, menilai dan menganalisa kinerja model-model yang dibangun dan menilai kinerja algoritma yang dipilih, juga melihat pengaruh yang diberikan oleh jenis fingerprint. Hasil terbaik yang didapatkan pada penelitian ini yaitu kombinasi PubChem dan algoritma Random Forest dengan nilai akurasi dan F1-Score berturut-turut bernilai sebesar 81,48% dan 88,89%.