Pengelolaan dana zakat, infak, dan wakaf untuk pembiayaan pendidikan memiliki potensi besar dalam mendukung keberlanjutan pendidikan tinggi. Namun, Islamic Trust Fund (ITF) Ar-Raniry mengalami beberapa kendala. Pertama, proses seleksi penerima beasiswa secara manual membutuhkan waktu satu bulan. Lebih lanjut, fragmentasi data dan proses mengakibatkan inefisiensi operasional. Ketiga, permasalahan terkait penilaian yang subjektif dan kurangnya transparansi dalam keputusan penolakan atau penerimaan. Penelitian ini bertujuan untuk meningkatkan efisiensi, objektivitas, dan transparansi seleksi melalui Sistem Pendukung Keputusan (SPK). Penelitian ini menerapkan metodologi campuran dengan pendekatan studi kasus. Perancangan sistem dilakukan menggunakan pendekatan Decision-Oriented Diagnosis dan Feasibility Study untuk memahami proses penentuan keputusan. Lalu, rancangan SPK dibuat menggunakan pemodelan Unified Modeling Language (UML). Pengembangan SPK dilakukan menggunakan pemrograman kode rendah dan tanpa kode berdasarkan metodologi Rapid Application Development (RAD), sedangkan pengembangan model pembelajaran mesin dilakukan mengikuti kerangka kerja CRISP DM. Model klasifikasi terbaik menggunakan teknik Soft Voting Ensemble yang menggabungkan Naive Bayes (NB), K-Nearest Neighbors (KNN), dan Support Vector Machine (SVM) dengan metode penyeimbangan data Synthetic Minority Oversampling Technique (SMOTE). Lalu, Local Interpretable Model-Agnostic Explanations (LIME) digunakan dalam penjelasan hasil klasifikasi. Lebih lanjut, penelitian ini merumuskan strategi implementasi dengan konversi paralel, pelatihan berbasis komputer, dan dukungan sistem pasca-pengembangan. Hasil penelitian menekankan pentingnya Decision-Oriented Diagnosis dan Feasibility Study pada proses perancangan, pengembangan, dan implementasi SPK di ITF Ar-Raniry. Pengembangan berbasis kode rendah dan tanpa kode sesuai dengan kebutuhan dan kondisi ITF Ar-Raniry dari sudut pandang teknis, ekonomi, dan organisasi. Model klasifikasi terbaik mendapatkan nilai Accuracy 75,63%, Precision Macro 72,80%, Precision kelas minoritas 65,96%, Recall Macro 71,16%, Recall kelas minoritas 57,41%, F1-Score 71,79%, dan Area under the Curve Receiving Operating Characteristic (AUC ROC) 69,57% pada uji Holdout. Faktor utama penentu hasil klasifikasi Diterima adalah tingkat Uang Kuliah Tunggal (UKT). Implementasi SPK berhasil mengotomatisasi integrasi data, deteksi duplikasi, dan penentuan cepat yang mendukung efisiensi, objektivitas, dan transparansi.