Nghiên cứu nhằm thực hiện lựa chọn mô hình học máy (MachineLearning) tối ưu để dự đoán tình trạng sinh viên tốt nghiệp đúng hạn. Bằngviệc sử dụng tập dữ liệu của sinh viên chuyên ngành Ngân hàng của Học việnNgân hàng giai đoạn 2010- 2020, thông qua các mô hình học máy như LogisticRegression, K-Nearest Neighbors, Decision Tree, Random Forest, SupportVector Machine, XGBoost, CatBoost, nghiên cứu đã lựa chọn được mô hìnhRandom Forest là mô hình tối ưu nhất. Nghiên cứu đã chỉ ra các thuộc tínhthông tin xử lý học vụ và điểm trung bình các học kỳ 1 đến 4 có tác động mạnhđến khả năng tốt nghiệp đúng hạn, quá hạn của sinh viên từ đó đề xuất mộtsố khuyến nghị giúp cho Nhà trường đưa ra các giải pháp nâng cao tỷ lệ tốtnghiệp của sinh viên.The study aims to perform optimal Machine Learning model selection to predict the on-timegraduation status of students. By using the dataset of students majoring in Banking faculty from the BankingAcademy during the period of 2010-2020 through Machine Learning models such as Logistic Regression,K-Nearest Neighbors, Decision Tree, Random Forest, Support Vector Machine, XGBoost, and CatBoost, thestudy has chosen Random Forest as the optimal model. The research has identified 2 attributes: Academicprocessing information and Grade Point Average (GPA) of semesters 1 through 4 have a strong impact onthe ability of students to graduate on time or late, and proposed some recommendations to help the schoolprovide solutions to improve the graduation rate of students.