Obezite insan sağlığını olumsuz etkileyecek düzeyde yağ miktarının vücuttaki artışı olarak tanımlanmaktadır. Yetişkin erkeklerde vücut ağırlığının %15-18, kadınlarda %20-25’i yağ dokusundan oluşmaktadır. Bu değerlerin erkeklerde %25, kadınlarda %30 üzerine çıkması “obezite” olarak ifade edilmektedir. Farklı bir yaşam tarzı veya yaşam alanına geçişte bireylerin sosyal alışkanlıkları gibi beslenme alışkanlıkları da değişmektedir. Üniversite öğrencilerinin farklı yaşam tarzına geçişte beslenme alışkanlıklarının da değişmesi kendilerini obezite ile karşı karşıya bırakmaktadır. Düzensiz beslenme, düzensiz uyku ve fiziksel aktivite eksikliği obezitenin ilerleyişini kolaylaştırmaktadır. Bu çalışmada, veri madenciliği teknikleri ile üniversite öğrencilerinin beslenmelerine ne derece dikkat ettiği, beslenme alışkanlıkları, beslenme şekilleri ve buna bağlı olarak obeziteye yakalanma durumları incelenecektir. Çalışmada 100 kişiye ait veri kullanılarak obeziteye yakalanma riskini ortaya çıkaracak karar ağacı oluşturulmuştur. Algoritma ile oluşturulan karar ağacında amaca uygun budama işlemleri gerçekleştirilmiştir. Karar ağacı obezite teşhisinde %100 başarıya ulaşmıştır. Karar destek sistemi ile hekimlerin klinik ortamda teşhis sürecini hızlandırmak amaçlanmıştır.Obesity is defined as the increasement of the fat amount in the body to such extent that it affects the health adversely. 15-18% of the bodyweight of an adult male is made up of adipose tissues while this rate ranges between 20 to 25 % for adult females. When this rate goes over 25% in males and 30% in females, it's called obesity. Not only social habits but also dietary habits change when a person changes his or her way of life or moves to a different living space as in the case of university students who are often faced by obesity as they change their lifestyles and nutritional habits. Malnutrition, irregular sleep and lack of physical activity accelerate obesity's rise. In this study, the extent to which university students care about the nutrition, dietary habits and the obesity risk related to those factors will be probed with the help of data mining techniques. A decision tree was created to reveal the possibility of being obese based on the data obtained from 100 individuals. Pruning was done for this purpose on the decision tree which was created with an algorithm. The decision tree yielded 100% of success rate for the diagnosis of obesity. The process of the diagnosis for clinical purposes can be accelerated with the use of decision support system.