Pendidikan merupakan pilar utama dalam membangun bangsa yang maju dan berkelanjutan. Perguruan tinggi, sebagai jenjang pendidikan tertinggi, memiliki tanggung jawab untuk menghasilkan lulusan yang kompeten dan berdaya saing. Namun, tingkat kelulusan mahasiswa di Indonesia masih menjadi tantangan besar, dengan peningkatan yang lambat dari 17% pada tahun 2020 menjadi 19% pada tahun 2022. Pandemi Covid-19 mempercepat adopsi pembelajaran daring seperti e-learning, menghasilkan data pembelajaran yang melimpah tetapi belum dimanfaatkan secara optimal. Penelitian ini bertujuan untuk memprediksi tingkat kelulusan mahasiswa melalui algoritma Random Forest dan Stacking Ensemble menggunakan pendekatan Flipped Classroom berbasis data log e-learning. Model Stacking Ensemble menggunakan Random Forest dan ElasticNet sebagai base estimators yang diproses melalui pipeline, dengan Logistic Regression berpenalti elastic-net (l1_ratio=0.9) sebagai final estimator. Berdasarkan evaluasi, model Random Forest mencapai akurasi 85% dengan precision 87%, recall 89%, dan f1-score 88%, menunjukkan kinerja yang baik dalam mengenali pola data serta memberikan hasil yang stabil pada data validasi. Analisis feature importances menyoroti bahwa IPK menjadi prediktor utama dengan kontribusi sebesar 53%, diikuti oleh interaksi sebelum kelas (16%) dan interaksi setelah kelas (12%). Faktor lainnya, seperti jenis kelamin (0.7%), attemp quiz (0.3%) serta persentase kehadiran(0.3%)  memiliki pengaruh yang lebih rendah, dan late attemp quiz (0.2%) dengan pengaruh yang sangat kecil. Hasil ini menunjukkan bahwa algoritma Random Forest mampu memberikan solusi efektif untuk meningkatkan tingkat kelulusan mahasiswa melalui optimalisasi data pembelajaran berbasis Flipped Classroom.

Kata Kunci: Flipped Classroom, Prediksi Kelulusan,  Random Forest, Regularisasi