Pendidikan tinggi menghadapkan mahasiswa pada tekanan akademik, tuntutan kinerja, dan faktor eksternal yang dapat memicu academic burnout, yaitu sindrom multidimensi yang ditandai oleh kelelahan emosional, sinisme, dan penurunan efikasi akademik. Deteksi dini menjadi kebutuhan yang penting agar institusi pendidikan dapat memberikan intervensi tepat waktu. Penelitian ini mengusulkan kerangka kerja komparatif untuk mendeteksi academic burnout menggunakan metode Stacking Ensemble yang menggabungkan Random Forest (RF) dan Support Vector Machine (SVM) sebagai base learner, dengan Logistic Regression sebagai meta-learner. Model dibangun pada dataset (Carrard et al., 2022) yang terdiri dari 886 mahasiswa kedokteran di Swiss. Label burnout biner dibentuk menggunakan K-Means Clustering pada tiga dimensi MBI-SS. Optimasi hyperparameter dilakukan dengan Grid Search dan Stratified 5-Fold Cross-Validation. Stacking Ensemble mencapai akurasi sebesar 98,30%, melampaui RF tunggal (95,45%) dan SVM tunggal (97,73%). Signifikansi statistik dari selisih performa ketiga model diuji lebih lanjut menggunakan Wilcoxon Signed-Rank Test pada 10-fold cross-validation. Analisis feature importance mengidentifikasi sinisme (mbi_cy, 38,93%), efikasi akademik (mbi_ea, 15,67%), dan kelelahan emosional (mbi_ex, 14,89%) sebagai prediktor dominan. Model ini berpotensi sebagai purwarupa sistem peringatan dini untuk mendukung intervensi proaktif di institusi pendidikan.