Prestasi atau kinerja mahasiswa sering kali menjadi faktor yang penting dalam pengaruhnya terhadap kualitas setiap perguruan tinggi. Hal ini menjadi sangat penting bagi perguruan tinggi untuk memantau kinerja akademik siswanya dalam upaya strategi untuk meningkatkan mutu perguruan tinggi tersebut. Penelitian ini mengusulkan implementasi algoritma Artificial Neural Network (ANN) yang dikombinasikan dengan lima metode feature selection dari tiga pendekatan berbeda, yaitu filter (Chi-square dan Mutual Information), wrapper (Sequential Forward Selection dan Sequential Backward Elimination), dan embedded (LASSO). Penelitian ini menunjukkan bahwa model ANN tanpa feature selection yang bias terhadap kelas mayoritas, sehingga gagal total mengenali kelas minoritas (F1-Score  Kelas 2 = 0). Penerapan feature selection terbukti memecahkan masalah ini. LASSO memberikan keseimbangan performa terbaik, meningkatkan Accuracy menjadi 77,4% naik sebesar 6,4% dari 71% dan Balanced Accuracy menjadi 62,3% naik signifikan sebesar 22,2% dari 40,1%. Di sisi lain, SFS terbukti paling optimal secara spesifik dalam memulihkan deteksi kelas minoritas dengan perolehan F1-Score Kelas 2 tertinggi sebesar 0,40 dan Balanced Accuracy sebesar 59,5%. Selain peningkatan evaluasi metrik, dari hasil kelima feature selection ini berhasil mengidentifikasi dan menentukan 13 atribut berpengaruh sebagai prediktor yang memiliki asosiasi konsisten terhadap kinerja mahasiswa atau sering terpilih pada hasil seleksi atribut di tiap feature selection. Penelitian ini berkontribusi pada ranah Educational Data Mining (EDM) dengan menyajikan wawasan berharga bagi institusi perguruan tinggi untuk merancang sistem peringatan dini (early warning system) dan intervensi akademik yang lebih tepat sasaran, sehingga dapat membantu mahasiswa mencapai potensi kinerja terbaiknya.