Putus kuliah (dropout/ DO) mahasiswa merupakan masalah signifikan dalam pendidikan tinggi yang berdampak negatif pada institusi dan individu. Penelitian ini bertujuan mengevaluasi efektivitas metode feature selection dalam meningkatkan performa algoritma klasifikasi machine learning untuk memprediksi potensi mahasiswa putus kuliah. Penelitian ini berkontribusi dalam membantu otoritas perguruan tinggi dan pemangku kepentingan dalam memitigasi potensi putus kuliah mahasiswa. Penelitian ini menggunakan pendekatan Team Data Science Process (TDSP), meliputi pendefinisian tujuan, pengumpulan data, pemodelan, evaluasi, dan deployment. Dataset yang digunakan diperoleh dari data akademik Universitas Al Azhar Indonesia (UAI) periode 2015-2016 yang terdiri dari 1783 observasi dengan 13 fitur. Penelitian ini membandingkan metode feature selection seperti Optuna, Chi-squared, dan Sequential Feature Selector pada algoritma populer seperti Decision Tree, Random Forest, Naïve Bayes, dan XGBoost. Hasil evaluasi menunjukkan bahwa XGBoost dengan Selected Sequential Factor (SFS) adalah model yang paling direkomendasikan dengan akurasi 0,9565 dengan nilai precision, recall, dan f1-score yang konsisten di 0,96.