Bootcamp online telah menjadi metode pembelajaran yang populer untuk mengembangkan keterampilan baru karena fleksibilitas dan intensitasnya. Namun, tingginya tingkat pengunduran diri siswa dapat mengurangi efektivitas program bootcamp online dan berdampak negatif pada reputasi penyelenggara. Oleh karena itu, memprediksi komitmen siswa sejak dini menjadi langkah krusial bagi penyelenggara untuk mengantisipasi potensi pengunduran diri. Penelitian ini bertujuan untuk mengembangkan model prediksi komitmen siswa menggunakan algoritma Extra Trees Classifier. Data alumni bootcamp digunakan untuk mengidentifikasi pola komitmen siswa melalui teknik data mining. Model ini dibangun menggunakan 31 pohon keputusan, dioptimasi melalui teknik pemangkasan kompleksitas biaya (cost-complexity pruning) dengan nilai alpha 0,001, serta pembobotan kelas berkomitmen dan tidak berkomitmen sebesar 1:5. Model yang dihasilkan mencapai nilai F1-score secara macro average sebesar 64,85% dan nilai recall untuk kelas tidak berkomitmen sebesar 91,58%. Hal ini menunjukkan kemampuan yang sangat baik dalam mendeteksi siswa tidak berkomitmen atau berpotensi mengundurkan diri. Analisis lebih lanjut menunjukkan bahwa aktivitas siswa pada fase awal program memiliki pengaruh yang lebih signifikan terhadap kinerja model prediksi dibandingkan faktor demografis dan pilihan program.