Profil mahasiswa pada saat ini dibutuhkan untuk meningkatkan kualitas program studi dengan syarat dan kebijakan yang berlaku. Program Studi Pendidikan Fisika telah merangkum data mahasiswanya bahwa angka kelulusan mahasiswa mengalami naik turun terutama pada angkatan tahun genap. Hal tersebut dipengaruhi oleh beberapa faktor yang dihadapi oleh mahasiswanya sehingga beberapa dari mereka mengalami kemunduran dalam waktu kelulusannya. Maka dari itu, diperlukan analisis mengenai ketepatan waktu lama studi dan parameter yang mempengaruhi nilai IPK. Analisis tersebut menggunakan machine learning. Machine learning adalah cabang kecerdasaan buatan yang berdasarkan metode berbasis data yang telah diperlakukan sebagai alat alternatif untuk menyelesaikan banyak masalah secara praktis. Metode machine learning dengan pemodelan algoritma random forest dan k-nearest neighbor yang dioptimalisasi parameter merupakan metode yang paling tepat dan cepat dalam mengatasi permasalahan di bidang pendidikan. Tujuan dari penelitian ini adalah menganalisis hubungan IPK dengan menggunakan machine learning, menganalisis hubungan lama studi dengan menggunakan machine learning, memprediksi profil mahasiswa pendidikan fisika. Hasil dari penelitian ini diperoleh bahwa model machine learning yang paling optimal adalah model random forest dengan error sebesar 0,01 untuk MAE dan 0,02 untuk RMSE serta nilai koefisien korelasi sebesar 0,97 pada data keluaran IPK, dan pada data keluaran lama studi menghasilkan error sebesar 0,08 untuk MAE dan 0,12 untuk RMSE serta nilai koefisien korelasi sebesar 0,94. Hasil ini lebih besar dibandingkan dengan algoritma k-nearest neighbor. Selain itu, machine learning dapat digunakan untuk menganalisis data pendidikan. Hasil analisis dari penelitian ini diperoleh bahwa nilai IPK dipengaruhi oleh nilai IP semester 3, semester 4, dan semester 2 dengan korelasi sebesar 0,84, 0,74, dan 0,72. Prediksi IPK yang dilakukan oleh kedua algoritma diperoleh bahwa distribusi IPK rata-rata dimulai dari nilai 3,5 sampai 3,8. Sementara itu, untuk lama studi, pengaruh terbesar berasal dari IPK, IP semester 6, dan IP semester 7 dengan korelasi sebesar -0,47, -0,4 dan -0,37. Yang berarti semakin lama studi mahasiswa tersebut, maka banyaknya mata kuliah yang diambil dari semester 6, semester 7, dan semester 3. Sedangkan prediksi lama studi distribusi lama studi rata-rata dimulai dari 4 tahun hingga 4,5 tahun.