Pengelompokan siswa berbasis data sangat penting untuk mendukung evaluasi yang adil dan menyeluruh, mengingat penilaian potensi selama ini cenderung terfokus pada aspek akademik saja. Penelitian ini mengembangkan sistem rekomendasi regu inti lomba kepramukaan menggunakan algoritma K-Means Clustering, dengan dataset berisi 120 siswa SMP yang dinilai berdasarkan parameter akademik, non-akademik, serta pencapaian SKU dan SKK. Jumlah cluster ditentukan sebanyak 24, sesuai dengan kategori lomba berdasarkan aturan Kwarnas mengenai lomba pramuka tingkat penggalang. Proses pengolahan data meliputi normalisasi dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Evaluasi kualitas clustering dilakukan menggunakan metrik Silhouette Score dan Davies–Bouldin Index (DBI). Hasil terbaik diperoleh pada konfigurasi random_state = 42, n_init = 20, dan max_iter = 300, dengan Silhouette Score sebesar 0,1238 dan DBI sebesar 1,4418. Meskipun kualitas pengelompokan tergolong rendah dengan hasil Silhoutte Score = 0.102 dan DBI = 1.362, sistem ini tetap memberikan solusi objektif bagi pembina dalam memilih siswa berpotensi secara adil dan menyeluruh. Sistem ini juga menjawab keluhan orang tua terkait ketidakterlibatan anak dalam lomba, karena pemilihan dilakukan berdasarkan potensi keseluruhan kategori lomba, bukan hanya satu kategori untuk membentuk tim regu inti pramuka.
 
Kata kunci: K-Means Clustering, Principal Component Analysis (PCA), Silhouette Score, Davies–Bouldin Index, Regu Inti Pramuka.

Heart disease is the number one cause of death globally. This condition is followed by an unhealthy lifestyle. Heart disease prediction needs to be done considering the importance of health. The presence of machine learning has made it easier for humans to make early detection of patterns approaching heart disease. This study compares 6 machine learning methods for disease classification with KNN, Naïve Bayes, Decision tree, Random forest, logistic regression, and SVM. The final classification obtained ranking accuracy with the highest value in the KNN method with precision, accuracy, re-call, fi-score tests. It is hoped that these results can be applied to real case studies of heart disease.