Las instituciones educativas han aumentado drásticamente en los últimos años, produciendo muchos graduados y posgraduados cada año. Uno de los problemas críticos de los tomadores de decisiones es el rendimiento de los estudiantes. Las técnicas de minería de datos educativos son beneficiosas para explorar datos no descubiertos en los datos mismos, creando un patrón para analizar el rendimiento de los estudiantes. En este estudio, investigamos los datos de aprendizaje electrónico de los estudiantes que han aumentado significativamente en la era de COVID-19. Por lo tanto, este estudio tiene como objetivo analizar y predecir el rendimiento de los estudiantes utilizando la información recopilada de los sistemas en línea. Evaluar los datos de aprendizaje electrónico de los estudiantes a través del modelo de minería de datos propuesto en este estudio ayudará a los tomadores de decisiones a tomar decisiones informadas y adecuadas para su institución. El modelo propuesto incluye tres métodos tradicionales de minería de datos, árbol de decisión, Naive Bays y bosque aleatorio, que se mejoran aún más con el uso de tres técnicas de conjunto: bagging, boosting y voting. Los resultados demostraron que el modelo propuesto mejoró la precisión de 0,75 a 0,77 cuando se utilizó el método DT con boosting. Además, los resultados de precisión y recall mejoraron de 0,76 a 0,78.