ABSTRAKSI: Klasifikasi merupakan suatu task dalam data mining yang menentukan kelas pada data yang tidak memiliki label kelas. Aturan asosiasi adalah task data mining yang menemukan korelasi antara item dalam sebuah dataset[8]. Maka associative classification adalah aturan asosiasi yang sudah ditentukan targetnya, dalam hal ini kelasnya. Algoritma CACA adalah salah satu generasi terbaru dari algoritma associative classification. Algoritma associative classification pada umumnya memiliki tiga fase yaitu pembentukan aturan, pembangunan model klasifikasi dan proses klasifikasi, namun pada algoritma CACA hanya terdapat dua fase dengan menggabungkan pembentukan aturan dan pembangunan model klasifikasi menjadi satu fase. Pada tugas akhir ini, telah dilakukan pengujian dengan mengubah nilai minconf, nilai minsupp, dan nilai split persentasi. Tugas akhir ini juga memperlihatkan bahwa algoritma CACA bekerja cepat dalam menentukan aturan yang layak, namun saat nilai atribut pada data meningkat, waktu yang dibutuhkan dalam membentuk single atribut value juga akan meningkat. Sedangkan saat nilai minsupp, minconf, dan jumlah data berubah, mempengaruhi nilai precision dan recall pada setiap pengujian.Kata Kunci : Kata kunci: klasifikasi, aturan asosiasi, associative classification, CACAABSTRACT: Classification is a task in data mining that determine the class of data that do not have the class label. Association rule mining is a data mining task that found correlation between the items in a dataset[8]. So associative classification is association rule mining that have been specified target, in this case class. CACA algorithm is one of the newest generation of associative classification algorithms. Associative classification algorithms typically have three phases namely rule generation, building classifier and classification, but in CACA algorithm there are only two by combining rule generation and building classifier into one phase. In this final project, testing has done by change the value of minsupp, minconf, and percentage split. This final project also shown that the CACA algorithm works faster in determining the proper rules, but when the value attribute in data increases, the time needed to form a single attribute value will also increase. While value of minsupp, minconf, and number of data have change, affect the value of precision and recall on each test.Keyword: Key word: classification, association rule mining, associative classification, CACA.