Penelitian ini bertujuan untuk mengoptimalkan penggunaan educational data mining (EDM) pada perguruan tinggi untuk mengevaluasi faktor-faktor yang menentukan kelulusan tepat waktu mahasiswa. Dengan demikian, perguruan tinggi dapat mengevaluasi aspek-aspek yang dapat meningkatkan kualitas pendidikan. Salah satu faktor kualitas perguruan tinggi adalah kelulusan mahasiswa. Berdasarkan data akademik Universitas Sebelas Maret mahasiswa Jenjang S2 angkatan 2019 dan 2020 terdapat 843 mahasiswa yang telah menyelesaikan studinya. Dari data tersebut, 572 mahasiswa lulus tidak tepat waktu dan 271 mahasiswa lulus tepat waktu. Hal tersebut menjadi masalah bagi universitas karena hanya 32% mahasiswa yang lulus tepat waktu. Masalah tersebut dicari penyebabnya dari data transaksional yang tersedia. Cara yang digunakan untuk mengolah data transaksional menjadi pengetahuan adalah teknik pengolahan EDM menggunakan metode klasifikasi. Metode klasifikasi yang digunakan dalam penelitian ini adalah Naïve Bayes (NB), K-nearest neighbour (KNN) dan Decision Tree (DT). Model klasifikasi dapat ditingkatkan nilai akurasinya menggunakan feature selection. Feature Selection yang digunakan adalah forward selection dan backward elimination. Hasil implementasi feature selection pada algoritma NB, KNN dan DT menunjukan bahwa penggunaan algoritma KNN dan DT terhadap forward selection memiliki kontribusi lebih positif daripada backward elimination. Sedangkan menggunakan algoritma NB, penggunaan backward elimination memiliki kontribusi lebih positif daripada forward selection. Kombinasi algoritma dan feature selection yang terbaik adalah KNN dan forward selection dengan akurasi sebesar 83.8%.