<![CDATA[Pendidikan adalah faktor utama dalam pengembangan suatu negara, dengan kinerja akademik siswa sebagai indikator penting dalam mengukur efektivitas sistem pendidikan. Penelitian ini menganalisis kinerja siswa dalam ujian menggunakan algoritma Random Forest dan K-Nearest Neighbors, menggunakan dataset 1000 entri data terkait nilai ujian dan variabel demografis. Proses preprocessing mencakup pembersihan data, transformasi data kategori menjadi numerik dengan Label Encoding, dan normalisasi data menggunakan Min-Max Scaling. Data dibagi menjadi dua set: data pelatihan (80%) dan data pengujian (20%). Model Random Forest dan K-Nearest Neighbors dibangun dan dioptimalkan menggunakan Grid Search, lalu dievaluasi dengan mean squared error (MSE) dan R-squared. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja lebih baik dibandingkan K-Nearest Neighbors dalam memprediksi nilai writing score siswa. Random Forest mencapai MSE sebesar 0.0025 dan R-squared sebesar 0.9149, sementara K-Nearest Neighbors mencapai MSE sebesar 0.0133 dan R-squared sebesar 0.5533. Analisis feature importance dari Random Forest mengungkapkan bahwa nilai matematika, membaca, dan tingkat pendidikan orang tua merupakan faktor utama yang mempengaruhi kinerja siswa. Kesimpulan dari penelitian ini adalah bahwa algoritma Random Forest lebih efektif dalam memprediksi kinerja siswa dalam ujian. Penelitian ini memberikan wawasan berharga mengenai penggunaan algoritma pembelajaran mesin untuk prediksi kinerja siswa dan dapat digunakan sebagai dasar pengembangan model prediksi yang lebih baik di masa depan. Dengan memahami faktor-faktor utama yang mempengaruhi kinerja siswa, langkah-langkah yang tepat dapat diambil untuk meningkatkan kualitas pendidikan dan hasil belajar siswa.]]>
