Permasalahan utama yang dihadapi adalah terdapat gap antara jumlah peminat dan pendaftar yang terjadi pada proses penerimaan mahasiswa baru. Alasan memilih sebuah perguruan tinggi sangat subyektif dan terlalu banyak variabel yang memengaruhi. Perguruan tinggi seringkali mengalami kesulitan dalam memperkirakan jumlah mahasiswa baru secara akurat apabila hanya mengandalkan metode komunikasi dan informasi yang umum digunakan. Analisis prediktif dengan menggunakan data pendaftaran dan registrasi calon mahasiswa, serta diterapkan melalui metode machine learning, membuktikan bahwa data tersebut memiliki nilai yang berharga bagi perguruan tinggi. Pemasaran berbasis data juga dapat meningkatkan efektivitas strategi pemasaran untuk mencapai target jumlah penerimaan mahasiswa baru yang diinginkan oleh Universitas Siber Asia (UNSIA). Penelitian ini bertujuan untuk melakukan analisis prediktif terhadap calon mahasiswa yang berpotensi melanjutkan minat hingga proses pendaftaran ulang dengan menggunakan metode machine learning. Metode klasifikasi yang digunakan dalam penelitian ini, menggunakan teknik Naive Bayes, Decision Tree, Random Forest dan Gradient Boosting. Untuk evaluasi kinerja model menggunakan Accuracy, Precision, Recall dan F1-Score. Selain itu digunakan kerangka kerja Cross Industry Standard Process for Data Mining Framework (CRISP-DM) dalam implementasi seluruh tahapan penelitian. Data yang digunakan untuk analisis prediktif sebanyak 15.965 baris data. Total fitur regular yang digunakan pada tahap akhir eksperimen sebanyak 13 fitur. Model klasifikasi Random Forest memiliki nilai akurasi tertinggi pada eksperimen terakhir sebesar 78,39%.