Penelitian ini bertujuan untuk memprediksi aktivitas senyawa flavonoid dalam menghambat enzim α-glukosidase menggunakan algoritma Random Forest berbasis data struktur kimia. Representasi struktur senyawa diperoleh melalui dua cara, yaitu mengunduh file dalam format SDF dan mneggambar manual struktur senyawa, yang kemudian dikonversi menjadi format SMILES. Data SMILES tersebut lalu diubah menjadi Morgan Fingerprint berdimensi 2048-bit sebagai fitur numerik. Dataset yang digunakan terdiri dari 100 senyawa yang seimbang, terdiri atas 50 senyawa aktif dan 50 tidak aktif. Model dilatih menggunakan parameter yang ditetapkan secara manual berdasarkan referensi terdahulu, tanpa melakukan tuning lebih lanjut. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan akurasi prediksi sebesar 83%, dengan nilai presisi dan recall masing-masing sebesar 0,83. Analisis confusion matrix menunjukkan bahwa model memiliki kemampuan generalisasi yang baik dalam membedakan dua kelas aktivitas senyawa. Selain itu, hasil feature importance menunjukkan bahwa beberapa bit fingerprint memiliki kontribusi besar dalam proses klasifikasi. Dengan hasil tersebut, dapat disimpulkan bahwa algoritma Random Forest mampu mengklasifikasikan senyawa flavonoid berdasarkan struktur kimianya secara cukup efektif dan efisien. Penelitian ini menunjukkan potensi pemanfaatan metode pembelajaran mesin dalam bidang kimia komputasi, khususnya untuk mendukung skrining awal senyawa dari bahan alam yang berpotensi sebagai antidiabetes.