Peningkatan performa akademik mahasiswa menjadi indikator keberhasilan sebuah universitas dalam melakukan kegiatan belajar mengajar. Salah satu universitas yang menghadapi tantangan dalam meningkatkan performa akademik mahasiswa adalah Universitas Sebelas Maret. Penelitian ini bertujuan untuk membandingkan algoritma clustering dalam mengelompokkan mahasiswa berdasarkan nilai mata kuliahnya dan mencari mata kuliah yang berpengaruh pada cluster dominan menggunakan Decision Tree. Algoritma clustering yang akan dibandingkan yaitu K-Means, Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH), Agglomerative Clustering, Gaussian Mixture Model (GMM), dan Mean Shift. Kontribusi utama penelitian ini adalah penerapan kombinasi algoritma clustering yang belum banyak dieksplorasi sebelumnya dalam konteks akademik mahasiswa. Dataset yang digunakan terdiri dari data Kartu Hasil Studi (KHS) mahasiswa S1 Universitas Sebelas Maret tahun 2016 – 2020. Hasil penelitian menunjukkan bahwa algoritma K-Means, GMM, Agglomerative Clustering memberikan performa terbaik dengan Sillhouette Score sebesar 0.57, Calinski-Harabasz Score sebesar 211.42, dan Davies-Bouldin Score sebesar 0.83. Dari analisis Decision Tree didapatkan bahwa mata kuliah Rekayasa Perangkat Lunak sebagai mata kuliah berpengaruh dengan akurasi sebesar 95.23%. Didapatkan mata kuliah Support Dimension yaitu Rekayasa Perangkat Lunak, Kecerdasan Buatan, Pemrograman Web, Jaringan Komputer, dan Matematika Diskrit, sedangkan untuk Contradict Dimension yaitu Pengolahan Sinyal Digital, Kerja Praktek, Manajemen Jaringan, Manajemen Sistem Informasi, dan Sistem terdistribusi. Temuan penelitian ini memberikan implikasi praktis berupa rekomendasi strategi pembelajaran dan evaluasi kurikulum yang lebih fokus pada mata kuliah-mata kuliah penting, guna mendukung peningkatan keberhasilan akademik mahasiswa secara optimal.
