Penelitian https://www.adenomyosisadviceassociation.org/hysterectomy ini bertujuan menguji hipotesis bahwa penggunaan platform pembelajaran mandiri CodeEasy dapat meningkatkan pemahaman mahasiswa pada mata kuliah Data Science Python. CodeEasy merupakan lingkungan belajar asinkron yang menyediakan latihan berbasis kode dengan penilaian otomatis melalui test case, serta umpan balik instan untuk mendorong keterlibatan aktif mahasiswa. Penelitian menggunakan desain one-group pretest–posttest dengan 28 mahasiswa Program Studi Sistem Informasi Bisnis, Politeknik Negeri Malang, semester genap 2024/2025. Analisis Paired Sample t-test menunjukkan peningkatan signifikan skor pemahaman mahasiswa (rata-rata pretest = 32,34%; posttest = 80,38%; ), dengan ukuran efek besar (Cohen’s ), yang mendukung hipotesis penelitian. Hasil ini bersifat indikatif, mengingat desain tanpa kelompok kontrol membatasi kesimpulan kausalitas dan generalisasi. Penelitian ini memberikan bukti awal mengenai efektivitas platform autograding dalam mendukung pembelajaran mandiri pemrograman, dan menyarankan penerapan lebih lanjut dengan desain kontrol serta integrasi Explainable AI (XAI) untuk meningkatkan transparansi evaluasi kode dan personalisasi umpan balik.
 
Kata Kunci - Autograding, CodeEasy, Data Science Python, Evaluasi Kode, Pembelajaran Mandiri

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.