Informasi kelulusan sangat penting bagi Perguruan Tinggi yang terlibat dalam pendidikan. Data lulusan mahasiswa setiap tahun akademik merupakan bagian penting sebagai sumber informasi untuk membuat keputusan Pembantu Ketua 1 (Bagian Akademik) dalam penerimaan mahasiswa baru. Dengan informasi ini, prediksi dapat dibuat untuk mahasiswa yang masih aktif apakah mereka dapat lulus tepat waktu atau terlambat. Data yang digunakan pada penelitian ini adalah data lulusan mahasiswa STMIK ASIA Malang Tahun Angkatan 2007 sampai 2011 dengan 11 atribut penentu prediksi kelulusan dan 1 atribut tujuan/target yaitu kelulusan tepat waktu. Tujuan dari penelitian ini adalah untuk membuat prediksi kelulusan siswa dengan algoritma terbaik: Algoritma Naive Bayes, Decision Tree (C4.5), k-Nearest Neighbor (k-NN), Neural Network berbasis Particle Swarm Optimization (PSO) sebagai referensi untuk membuat kebijakan dan tindakan bidang akademik (BAAK) dalam mengurangi mahasiswa yang lulus terlambat dan tidak lulus. Hasil menunjukkan Algoritma Neural Network berbasis PSO pada k-optimum=19 mempunyai performa terbaik dari 4 algoritma yang ada, dengan nilai Accuracy = 74,08% dan nilai Area Under the Curve (AUC) = 0,788.  Atribut Jenis Kelamin, IP Semester 1, 2, 4, 6 dan 7 serta Status Pekerjaan memberikan kontribusi yang nyata terhadap kelulusan tepat waktu mahasiswa. Penambahan fitur Particle Swarm Optimization (PSO) selalu meningkatkan nilai akurasi, dimana peningkatan nilai akurasi tertinggi terletak pada Algoritma Decision Tree (C4.5) sebesar 5,21%, terendah pada Algoritma Naive Bayes sebesar 2,13%. Peningkatan nilai akurasi Algoritma k-NN meskipun berada pada urutan ketiga, tetap sebagai algoritma memiliki kinerja terbaik karena nilai akurasinya tertinggi, hal ini disebabkan karena nilai akurasi sebelum penambahan fitur PSO paling tinggi diantara 4 algoritma yang ada.