<![CDATA[Penilaian kinerja karyawan yang dilakukan secara manual seringkali bersifat subjektif dan tidak efisien, sehingga berisiko menghasilkan keputusan yang tidak akurat. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menganalisis dan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Random Forest dalam mengklasifikasikan kinerja karyawan pada sebuah perusahaan otomotif di Indonesia. Menggunakan data internal perusahaan dari Januari 2022 hingga Desember 2024, penelitian ini menerapkan metodologi CRISP-DM, penanganan ketidakseimbangan kelas menggunakan kombinasi SMOTE dan Random Undersampling, serta optimasi model melalui hyperparameter tuning dengan GridSearchCV. Hasil evaluasi menunjukkan bahwa model Random Forest secara konsisten lebih unggul, mencapai akurasi tertinggi sebesar 99,42% setelah optimasi, melampaui akurasi model KNN yang mencapai 98,55%. Analisis feature importance juga mengidentifikasi bahwa skor-skor dari Key Performance Indicators (KPI), khususnya Skor 8, Skor 5, dan Skor 6, merupakan faktor prediktif yang paling signifikan. Berdasarkan hasil penelitian ini, disimpulkan bahwa Random Forest adalah model yang paling andal untuk studi kasus klasifikasi ini. Untuk penelitian selanjutnya disarankan agar memperluas cakupan data dengan melibatkan lebih banyak departemen atau industri yang berbeda, mengeksplorasi variabel tambahan seperti data partisipasi pelatihan atau faktor psikologis, serta menguji algoritma ensemble atau deep learning lain seperti XGBoost dan Artificial Neural Networks (ANN) untuk membandingkan performa dan mendapatkan wawasan yang lebih mendalam. Kata kunci: Klasifikasi, Kinerja Karyawan, Data Mining, K-Nearest Neighbor, Random Forest.]]>
