Penelitian ini bertujuan untuk meningkatkan akurasi prediksi kinerja mahasiswa dalam sistem pembelajaran virtual atau elearning menggunakan pendekatan ensemble learning. Dataset penelitian merupakan data publik berupa data log aktifitas elearning. Dataset yang telah melalui tahap preprocessing, dimasukkan ke dalam pemodelan prediksi menggunakan gabungan beberapa algoritma pengklasifikasi yaitu Decision Tree, Random Forest, dan AdaBoost (ensemble learning). Tahap berikutnya mengevaluasi kinerja model dan menganalisis hasil prediksi menggunakan teknik root mean square error (RMSE). Output pemodelan berupa tiga level prediksi kinerja akademik (kelulusan mahasiswa) dalam sebuah course/semester, yaitu low-level, middle-level, dan high-level. Hasil pemodelan menunjukkan bahwa algoritma RF menghasilkan prediksi yang lebih akurat dibandingkan algoritma Decision Tree dan AdaBoost, yaitu sebesar 75.79%, dengan RMSE mendekati 0 yaitu 0.44. Dampak penelitian ini dapat memberikan tambahan kajian sekaligus konfirmasi penerapan teknik ensemble learning dalam pemodelan prediksi. Selain itu hasil prediksi kinerja akademik mahasiswa dapat dijadikan sebagai bahan evaluasi dalam proses pembelajaran.