Rekrutmen pegawai merupakan proses krusial yang mempengaruhi kesuksesan perusahaan. Namun, perusahaan menghadapi tantangan dalam menyeleksi jumlah pelamar yang besar. Penelitian ini mengusulkan penggunaan machine learning dalam mengolah data pelamar untuk memprediksi penerimaan pegawai pada tahap seleksi awal (screening). Meskipun penelitian terkait sudah banyak dilakukan sebelumnya, namun masih jarang yang menerapkan seleksi fitur dalam model klasifikasi. Penelitian ini memberikan kontribusi dengan melakukan perbandingan seleksi fitur wrapper (Forward Selection, Backward Elimination) dan filter (Mutual Information, Fisher Score) dalam mengoptimalkan klasifikasi Random Forest untuk prediksi penerimaan pegawai. Hasil penelitian menunjukkan bahwa keempat metode seleksi fitur berhasil meningkatkan performa model Random Forest dibandingkan tanpa seleksi fitur, dan Backward Elimination terbukti sebagai metode seleksi fitur paling efektif yang menghasilkan akurasi tertinggi sebesar 89,46%. Analisis feature importance berhasil mengidentifikasi faktor-faktor penting dalam penerimaan pegawai yang meliputi Tingkat Pendidikan, Umur, Jurusan, IPK, Provinsi Domisili, Kabupaten Domisili, Pengalaman Kerja, Tes Bahasa Asing, Pelatihan, dan Keterampilan.
