Penentuan kelayakan mahasiswa penerima beasiswa merupakan salah satu proses pengambilan keputusan yang membutuhkan pengolahan data secara sistematis agar bantuan dapat diberikan kepada mahasiswa yang sesuai dengan kriteria. Pemanfaatan data mining dan machine learning dapat digunakan untuk menemukan pola dari data mahasiswa dan membangun model prediksi kelayakan penerima beasiswa. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kelayakan mahasiswa penerima beasiswa serta menganalisis pengaruh hyperparameter tuning terhadap performa kedua algoritma. Dataset yang digunakan terdiri atas karakteristik mahasiswa dan kondisi sosial ekonomi keluarga, meliputi jenis kelamin, alamat, program studi yang dipilih, alat transportasi, penghasilan ayah, dan pekerjaan ayah, dengan status layak atau tidak layak menerima beasiswa sebagai variabel target. Tahapan penelitian menggunakan pendekatan data mining yang meliputi data understanding, data preparation, exploratory data analysis, pembagian data, pemodelan, hyperparameter tuning, dan evaluasi. Empat model dibandingkan, yaitu Decision Tree tanpa tuning, Decision Tree dengan hyperparameter tuning, Random Forest tanpa tuning, dan Random Forest dengan hyperparameter tuning. Proses optimasi dilakukan menggunakan pencarian kombinasi hyperparameter dengan cross-validation. Evaluasi model menggunakan accuracy, precision, recall, dan F1-score, serta analisis confusion matrix. Hasil penelitan membuktikan bahwa kedua Algoritma Random Forest dan Decision Tree dengan hyperparameter tuning dapat meingkatkan akurasinya sehingga memberikan performa terbaik. Akan tetapi algoritma random forest dengan hyperparamater tuning menjadi yang paling tinggi nilai akurasinya yaitu sebesar 87.38% dengan F1-score 84%, Precision 85% dan recall 87% dalam memprediksi kelayakan mahasiswa penerima beasiswa serta mengidentifikasi karakteristik yang paling berkontribusi terhadap hasil klasifikasi