<![CDATA[Timely graduation is a key indicator of student academic success in higher education. This study develops a predictive model for on-time student graduation at Universitas Sepuluh Nopember Papua using the Support Vector Machine (SVM) method with a linear kernel. The model examines the influence of academic performance and student status as Indigenous Papuans (OAP) or non-OAP in predicting graduation probability. Model evaluation was conducted using Confusion Matrix, ROC Curve, and Cross-Validation, demonstrating that the model achieved high accuracy of 92% in the initial testing phase, increasing to 97% after cross-validation. The evaluation also showed a Precision of 90%, Recall of 100%, and F1-Score of 95%, confirming the model’s effectiveness in distinguishing students at risk of delayed graduation. With its high predictive accuracy, this model can serve as a data-driven academic decision-making tool to identify at-risk students and implement more targeted academic interventions to improve timely graduation rates.Keywords: graduation prediction; model evaluation; machine learning; Support Vector Machine.AbstrakKelulusan tepat waktu menjadi indikator utama keberhasilan akademik mahasiswa di perguruan tinggi. Penelitian ini mengembangkan model prediksi kelulusan tepat waktu mahasiswa Universitas Sepuluh Nopember Papua menggunakan metode Support Vector Machine (SVM) dengan kernel linier. Model ini menganalisis pengaruh kinerja akademik dan status mahasiswa sebagai Orang Asli Papua (OAP) atau non-OAP dalam menentukan probabilitas kelulusan tepat waktu. Evaluasi model dilakukan menggunakan Confusion Matrix, ROC Curve, dan Cross-Validation, yang menunjukkan bahwa model memiliki akurasi tinggi sebesar 92% pada tahap pengujian awal dan meningkat menjadi 97% setelah validasi silang. Hasil pengujian juga menunjukkan nilai Precision 90%, Recall 100%, dan F1-Score 95%, yang menegaskan efektivitas model dalam membedakan mahasiswa yang berisiko mengalami keterlambatan kelulusan. Dengan tingkat akurasi yang tinggi, model ini dapat digunakan sebagai alat bantu akademik berbasis data untuk mengidentifikasi mahasiswa berisiko dan menerapkan intervensi akademik yang lebih tepat sasaran guna meningkatkan tingkat kelulusan tepat waktu.Kata kunci: Prediksi kelulusan; Evaluasi model; Machine learning; Support Vector Machine]]>
