Penelitian ini mengkaji permasalahan kelulusan mahasiswa Program Studi S1 Teknik Informatika Institut Teknologi PLN dengan membandingkan kinerja algoritma Decision Tree C4.5 dan K-Nearest Neighbors (KNN), kedua metode tersebut digunakan untuk memperoleh perbandingan yang komprehensif antara dua pendekatan klasifikasi yang memiliki karakteristik berbeda berdasarkan data akademik angkatan periode 2016 dengan sejumlah sampel data sebanyak 305 data. Analisis dilakukan dengan memproses data terlebih dahulu, lalu membaginya menjadi data latih dan uji. Metode penelitian yang digunakan adalah Cross Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Akurasi setiap model diukur menggunakan evaluasi Confusion Matrix dengan parameter akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa
algoritma K-Nearest Neighbors (KNN) memiliki performa prediksi yang lebih baik dengan nilai akurasi sebesar 90%, presisi sebesar 93%, recall sebesar 90% sebesar dan
F1-score sebesar 91% sehingga unggul dalam fungsi deteksi dini. Sementara itu, algoritma Decision Tree C4.5 memperoleh nilai akurasi sebesar 85%, presisi sebesar 86%, recall sebesar 89% dan F1-score sebesar 85%, serta memiliki keunggulan dalam menghasilkan aturan keputusan yang mudah dipahami dan bersifat interpretatif. Kesimpulannya, bahwa algoritma KNN lebih sesuai digunakan untuk tujuan prediksi dan monitoring dini risiko keterlambatan kelulusan mahasiswa, sedangkan Decision Tree C4.5 lebih sesuai digunakan sebagai alat pendukung keputusan akademik yang
membutuhkan transparansi dan kemudahan interpretasi hasil. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem pendukung keputusan akademik untuk mendukung proses monitoring dan intervensi dini mahasiswa.