Proses seleksi penerima beasiswa sering kali menghadapi tantangan dalam mengelola data yang kompleks dan memastikan keakuratan seleksi. Penelitian ini bertujuan mengoptimalkan algoritma Naive Bayes melalui teknik Backward Elimination untuk efisiensi proses seleksi. Dataset penelitian terdiri dari 1.042 data penerima beasiswa, mencakup variabel seperti Indeks Prestasi Kumulatif (IPK), penghasilan, jumlah tanggungan, dan status beasiswa. Penelitian dilakukan menggunakan platform RapidMiner versi 10.2 dengan tahapan meliputi preprocessing, transformasi data, pembagian data latih dan uji melalui Split Data. Teknik Backward Elimination diterapkan untuk menyederhanakan model dengan menghapus variabel yang kurang signifikan. Hasil penelitian menunjukkan bahwa penerapan Naive Bayes dengan teknik Backward Elimination menghasilkan tingkat akurasi sebesar 74,62%. Variabel utama yang paling berpengaruh adalah tanggungan orang tua dan penghasilan, yang secara signifikan memengaruhi keputusan seleksi. Selain itu, teknik ini juga berhasil mengurangi kompleksitas model, meningkatkan efisiensi proses analisis, dan meminimalkan waktu serta sumber daya yang dibutuhkan. Penelitian ini mendukung pengembangan sistem seleksi berbasis data yang lebih transparan dan efisien. Implementasi teknik Backward Elimination mempermudah interpretasi model. Dengan demikian, hasil ini diharapkan dapat menjadi landasan bagi pengembangan sistem seleksi beasiswa berbasis machine learning yang lebih efektif, serta membuka peluang untuk penelitian lanjutan yang berfokus pada optimalisasi algoritma dan seleksi fitur di berbagai sektor.