<![CDATA[Penilaian performa siswa pada kegiatan ekstrakurikuler robotik umumnya masih dilakukan secara manual sehingga memerlukan waktu yang relatif lama dan berpotensi menimbulkan subjektivitas dalam proses evaluasi. Penelitian ini bertujuan menganalisis performa siswa menggunakan pendekatan hybrid yang mengombinasikan algoritma K-Means dan Random Forest. Dataset yang digunakan terdiri atas 1.369 data siswa dengan atribut Practical Skill, Academic Skill, Life Skill, dan persentase kehadiran. Tahapan penelitian meliputi transformasi data, preprocessing, proses clustering menggunakan algoritma K-Means dengan tiga cluster, kemudian hasil clustering digunakan sebagai label pada proses klasifikasi menggunakan algoritma Random Forest. Evaluasi model dilakukan menggunakan metode Stratified 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, Area Under the Curve (AUC), dan Matthews Correlation Coefficient (MCC). Hasil penelitian menunjukkan bahwa algoritma K-Means berhasil mengelompokkan siswa ke dalam tiga kelompok performa dengan karakteristik yang berbeda. Model Random Forest memperoleh nilai Accuracy sebesar 89,8%, Precision sebesar 90,9%, Recall sebesar 89,8%, F1-Score sebesar 88,0%, AUC sebesar 98,1%, dan MCC sebesar 69,1%. Hasil tersebut menunjukkan bahwa kombinasi K-Means dan Random Forest mampu menghasilkan analisis performa siswa yang efektif serta dapat mendukung proses evaluasi dan pengambilan keputusan dalam pembinaan siswa pada kegiatan ekstrakurikuler robotik.]]>
Copyrights © 2026
