Penelitian ini membandingkan performa dua algoritma machine learning, yaitu KNearest Neighbors (KNN) dan Random Forest (RF), dalam klasifikasi tingkat kepuasan mahasiswa terhadap pelayanan fakultas. Klasifikasi dilakukan dengan variasi jumlah tetangga (K) pada KNN dan jumlah pohon pada RF, serta rasio pembagian data latih dan uji. Hasil pengujian menunjukkan bahwa KNN menghasilkan akurasi yang sangat tinggi sebesar 99%, dengan presisi 98% untuk kelas puas dan 100% untuk kelas tidak puas. Nilai recall KNN juga sangat baik, mencapai 100% untuk kelas puas dan 95% untuk kelas tidak puas. Sebaliknya, RF mencatatkan akurasi sebesar 95%, dengan presisi 94% untuk kelas puas dan 95% untuk kelas tidak puas. Namun, nilai recall RF menunjukkan variasi, yaitu 90% untuk kelas puas dan 84% untuk kelas tidak puas, yang mengindikasikan bahwa meskipun RF memberikan prediksi yang handal, terdapat potensi untuk meningkatkan sensitivitas model, terutama dalam mendeteksi seluruh kelas positif. Perbandingan ini menunjukkan bahwa KNN memiliki keunggulan dalam hal akurasi, presisi, dan konsistensi hasil. Sementara itu, RF tetap menunjukkan kinerja yang solid, meskipun membutuhkan penyesuaian lebih lanjut untuk meningkatkan sensitivitas pada beberapa kondisi. Hasil penelitian ini memberikan wawasan berharga tentang keandalan kedua algoritma dalam klasifikasi kepuasan mahasiswa, serta potensi perbaikan yang diperlukan, khususnya pada model Random Forest.