<![CDATA[Penelitian ini bertujuan untuk mengatasi kelemahan sistem seleksi mahasiswa berprestasi yang sering kali hanya mengandalkan nilai akumulatif (IPK) tanpa mempertimbangkan stabilitas performa akademik mahasiswa. Ketimpangan nilai yang ekstrem antara komponen Tugas, UTS, dan UAS dianggap sebagai hambatan bagi dosen pengampu dalam mengevaluasi dinamika belajar yang sesungguhnya. Oleh karena itu, diusulkan sebuah model pendukung keputusan hybrid yang mengintegrasikan algoritma K-Means Clustering dan metode MARCOS. Dalam implementasinya, algoritma K-Means digunakan sebagai penyaring awal untuk mendeteksi anomali data melalui fitur Mean dan Standar Deviasi. Berdasarkan metode Elbow, ditemukan bahwa jumlah klaster optimal adalah dua (k=2), yang membagi 129 data mahasiswa menjadi 80 mahasiswa dengan profil nilai konsisten (Klaster Normal) dan 49 mahasiswa dengan nilai yang fluktuatif (Klaster Anomali). Validasi klaster menunjukkan Silhouette Score sebesar 0,4869. Mahasiswa pada Klaster Normal kemudian diperingkat menggunakan metode MARCOS yang mempertimbangkan bobot kriteria, yaitu Tugas (20%), UTS (30%), dan UAS (50%). Hasil uji sensitivitas melalui Koefisien Korelasi Spearman menunjukkan nilai sebesar 0,9418, yang secara kuantitatif membuktikan bahwa posisi mahasiswa pada peringkat teratas tetap stabil dan tidak tergoyahkan meskipun dilakukan simulasi perubahan bobot kriteria. Penelitian ini menyimpulkan bahwa penggabungan K-Means dan MARCOS menghasilkan sistem evaluasi yang lebih objektif, transparan, dan tahan terhadap bias subjektif, sehingga sangat layak diterapkan untuk menyeleksi kandidat dengan prestasi yang konsisten.]]>
