Status bekerja lulusan sebuah Perguruan Tinggi telah menjadi bagian penting dari indikator kinerja institusi Oleh karena itu melakukan prediksi status pekerjaan alumni menjadi penting bagi kinerja Perguruan Tinggi. Penelitian ini mengambil dataset dari data Tracer Study Universitas Sebelas Maret untuk mahasiswa strata 1 yang lulus pada tahun 2020 sejumlah 3.402 data. Data tersebut terdiri dari 2.424 lulusan sudah memiliki pekerjaan tetap, 413 lulusan memiliki status pekerjaan wiraswasta dan 461 lulusan memilih untuk melanjutkan Pendidikan. Terdapat ketidakseimbangan kelas pada data yang ada. Untuk mengatasi masalah tersebut, dilakukan pengambilan sample ulang dataset mengunakan teknik over-sampling Sintetik Minoritas (SMOTE). Framework yang digunakan untuk membantu metode Machine Learning yaitu Naïve Bayes (NB), Decision Tree (DT) dan Support Vector Machine (SVM). Algoritma Machine Learning digabungkan dengan teknik Adaptive Boosting (AdaBoost) untuk meningkatkan kualitas klasifikasinya. Model dievaluasi menggunakan accuracy, precision, recall dan F1-Score karena ketidakseimbangan kelas. Hasil implementasi SMOTE dan AdaBoost pada model NB, DT, dan SVM adalah SMOTE dapat mengatasi masalah imbalanced data dengan meningkatkan performa precision, recall, dan f1-score. Sedangkan, metode AdaBoost memperbaiki performa dengan meningkatkan accuracy. Model dengan performa terbaik adalah AdaBoostSVM dan SMOTE. Nilai accuracy yang didapat 93%.
