<![CDATA[Evaluasi kinerja siswa merupakan elemen penting dalam sistem pendidikan, khususnya dalam mendukung proses pembelajaran yang berbasis data dan pengambilan keputusan akademik. Salah satu metode yang umum digunakan dalam analisis performa siswa adalah algoritma Fuzzy C-Means Clustering (FCM), yang memungkinkan klasifikasi data berdasarkan derajat keanggotaan dalam lebih dari satu cluster. Meskipun demikian, FCM memiliki keterbatasan signifikan, khususnya pada aspek sensitivitas terhadap inisialisasi pusat cluster yang bersifat acak, konvergensi lambat, serta ketidakpastian terhadap solusi optimal global. Penelitian ini mengusulkan pendekatan hybrid dengan mengintegrasikan algoritma ROCK (Robust Clustering using Links) sebagai metode inisialisasi pusat cluster dalam FCM. Algoritma ROCK, yang dirancang untuk data kategorikal, menggunakan pendekatan link-based similarity dalam menentukan kemiripan antar data dan membentuk struktur awal cluster secara hierarkis dan lebih stabil. Dataset yang digunakan dalam penelitian ini adalah Student Performance Dataset dari UCI Machine Learning Repository, yang mencerminkan berbagai atribut sosial, akademik, dan demografis siswa. Hasil pengujian menunjukkan bahwa model hybrid ROCK-FCM menghasilkan peningkatan kinerja clustering yang signifikan dibandingkan FCM konvensional, dengan akurasi meningkat sebesar 9,54%, Rand Index sebesar 10,84%, dan F-measure sebesar 8,61%. Temuan ini mengindikasikan bahwa integrasi ROCK dalam proses inisialisasi FCM memberikan kontribusi nyata dalam meningkatkan akurasi pengelompokan dan stabilitas model pada data pendidikan. Penelitian ini berkontribusi pada pengembangan pendekatan educational data mining yang lebih adaptif dan presisi dalam memetakan performa siswa.]]>
