Kebijakan lockdown dan pembatasan melakukan perjalanan internasional akibat adanya pandemi Covid-19 membuat pendapatan maskapai mengalami kerugian. Untuk bangkit dari keterpurukan, suatu maskapai penerbangan perlu melakukan analisis bisnis yaitu dengan memanfaatkan kumpulan data survei kepuasan penumpang. Tujuan penelitian ini yaitu mengklasifikasikan kepuasan penumpang ke dalam kategori puas dan netral atau tidak puas terhadap pelayanan maskapai penerbangan berdasarkan faktor-faktor yang mempengaruhinya. Data yang digunakan terdiri dari 129.880 data dan 24 variabel dengan variabel target berupa kepuasan penumpang. Metode data mining yang digunakan adalah Cross Industry Standard Process for Data Mining (CRISP-DM) yang banyak diimplementasikan dalam analisis strategi pemecahan masalah secara umum dari bisnis. Tahapan modeling dalam penelitian ini menggunakan algoritma Random Forest dan menerapkan teknik sampling Synthetic Minority Oversampling Technique (SMOTE) sebagai metode penanganan imbalance class data. Pemodelan dengan hyperparameter tuning dilakukan untuk mendapatkan model yang optimal. Dari hasil analisis SMOTE Random Forest menggunakan default parameter diperoleh akurasi sebesar 96,25%, sedangkan berdasarkan hyperparameter tuning terbaik diperoleh akurasi sebesar 96,45%. Hasil tersebut menunjukkan bahwa hyperparameter tuning mempengaruhi kinerja SMOTE Random Forest yaitu meningkatkan akurasi model. Model terbaik yang diperoleh selanjutnya dikembangkan menjadi sebuah aplikasi website menggunakan bantuan Streamlit. Selain itu, berdasarkan feature importance diperoleh bahwa Online Boarding memberikan pengaruh besar dalam menentukan kepuasan penumpang maskapai penerbangan, diikuti oleh In-Flight Wifi Service, Type of Travel, dan In-flight Entertainment. Oleh karena itu, perusahaan perlu memperbaiki ataupun mengembangkan fitur-fitur tersebut guna meningkatkan kepuasan penumpang terhadap pelayanan yang diberikan dengan menyesuaikan kondisi perusahaan.