Teknik data mining dapat digunakan untuk mengetahui label kelas dari suatu data. Decision tree merupakan salah satu metode yang umum digunakan untuk mengetahui label kelas dari suatu data. Pendekatan fuzzy digunakan untuk mengatasi masalah ketidakpastian dan ketidaktepatan pada saat proses pembuatan tree. Apabila proses learning dari proses pembuatan tree diselesaikan hingga semua data masing-masing memiliki label kelas, maka akan menghasilkan akurasi yang rendah. Penggunaan fuzziness control threshold (θ_r) dan leaf decision threshold (θ_n) dapat meningkatkan nilai akurasi yang dihasilkan. Algoritma sederhana untuk membangun fuzzy decision tree dengan akurasi yang cukup tinggi adalah ID3 (Iterative Dichotomiser 3). Salah satu penerapan metode fuzzy decision tree adalah untuk mendiagnosis penyakit berdasarkan faktor-faktor yang mempengaruhinya. Tujuan penelitian ini adalah menentukan jumlah aturan yang terbaik berdasarkan model fuzzy decision tree yang terbentuk. Data yang digunakan pada penelitian ini bersumber dari survei gizi remaja di Kota Banda Aceh tahun 2018 yang dilakukan Laboratorium Biostatistika FMIPA Unsyiah. Berdasarkan penelitian yang dilakukan terhadap data hipertensi pada remaja di Kota Banda Aceh diperoleh jumlah aturan sebanyak 79 buah aturan untuk data responden yang berumur 12-17 tahun dan 60 buah aturan untuk data responden yang berumur 18-23 tahun pada nilai θ_r sebesar 85% dan nilai θ_n sebesar 3% dan 5%. Nilai akurasi tertinggi yang diperoleh sebesar 87,18% untuk data responden yang berumur 12-17 tahun dan sebesar 87,50% untuk data responden yang berumur 18-22 tahun. Hasil klasifikasi menunjukkan bahwa 20% dari responden menderita hipertensi, 12% menderita hipertensi stage 1, dan 2% menderita hipertensi stage 2.