Kelulusan Siswa adalah salah satu indikator penting bagi kinerja keberhasilan sekolah. Prediksi kelulusan siswa penting bagi sekolah untuk mengidentifikasi siswa yang beresiko putus sekolah dan memberi mereka intervensi dini untuk meningkatkan kinerja akademik mereka. Ini juga dapat membantu pemangku kebijakan mengembangkan kebijakan dan program untuk meningkatkan tingkat kelulusan sekolah dan mengurangi tingkat putus sekolah. Akan tetapi berdasarkan penelusuran pustaka terdapat berbagai permasalahan krusial terkait prediksi kelulusan siswa yaitu sulitnya memprediksi secara akurat tingkat kelulusan hanya dengan menggunakan nilai tes penerimaan, Nilai SMA merupakan prediktor yang lebih baik untuk kelulusan perguruan tinggi tepat waktu daripada nilai tes penerimaan karena kesuksesan di perguruan tinggi tidak hanya membutuhkan kemampuan kognitif tetapi juga kompetensi pengaturan diri yang lebih baik diindeks oleh nilai SMA/MA, selain itu, terdapat beberapa faktor yang dapat mempengaruhi tingkat kelulusan siswa, seperti self-efficacy, budaya akademik sekolah, dan harapan di masa depan dan akhirnya, ada kebutuhan untuk menyempurnakan model penerimaan selektif untuk menentukan ukuran pencapaian sebelumnya mana yang memiliki validitas prediktif terbaik untuk kesuksesan akademik di universitas. Penelitian ini bertujuan untuk (1)memprediksi kelulusan siswa Madrasah Aliyah Swasta(MAS) dengan Algoritma Support Vector Machine(SVM) dan Random Forest(RF) dan (2) melakukan komparasi performa algoritma SVM dan RF untuk prediksi kelulusan siswa MAS. Berdasarkan hasil penelitian yang telah dilakukan maka didapatkan kesimpulan bahwa untuk tujuan pertama algoritma SVM dan RF sangat baik dalam memprediksi kelulusan siswa MAS terlihat dari akurasi yang sangat tinggi yaitu SVM(98,98%) dan RF(99,49%). Untuk tujuan kedua didapatkan kesimpulan bahwa algoritma RF sedikit lebih baik daripada algoritma SVM dalam hasil pengukuran parameter Accuracy(99,49% vs 98,98%), Precision(99,74% vs 99,23%), Recall(99,74% vs 99,74%), F-Measure(99,74% vs 99,48%), dan Classification error(0,005 vs 0,010), akan tetapi untuk parameter waktu konsumsi SVM(0,04 detik) lebih baik daripada RF(0,26 detik). Penelitian ini memberikan kontribusi dalam 2(dua) hal, pertama secara saintifik dengan menguji algoritma SVM dan RF untuk prediksi kelulusan siswa MAS, kedua memberikan rekomendasi bagi sekolah atau MAS untuk mengembangkan model penerimaan selektif siswa