UBHINUSUBHINUS

SMATIKA JURNALSMATIKA JURNAL

Penerimaan mahasiswa baru merupakan aktivitas krusial bagi perguruan tinggi, terutama perguruan tinggi swasta, dalam memperoleh mahasiswa baru. FTI Unmer Malang telah menerapkan berbagai teknik promosi, namun masih mengalami kendala dalam mencapai target penerimaan mahasiswa. Jumlah mahasiswa baru mengalami fluktuasi, dengan puncak penerimaan pada tahun 2019 dan penurunan signifikan sebesar 23% dalam tiga tahun terakhir. Salah satu masalah utama adalah kurangnya penyebaran informasi ke daerah terpencil. Untuk mengatasi masalah tersebut, penelitian ini menerapkan metode data mining dengan klasterisasi untuk mengelompokkan data mahasiswa baru berdasarkan daerah asal. Dua algoritma clustering, yaitu K-Means dan K-Medoids, digunakan untuk membandingkan hasil klasterisasi guna menemukan strategi promosi yang optimal. Data yang digunakan mencakup mahasiswa baru dari tahun akademik 2016 hingga 2022. Hasil penelitian menunjukkan bahwa algoritma K-Means memperlihatkan kinerja yang lebih baik daripada algoritma K-Means dengan tingkat akurasi indeks DBI sebesar 0,344. Hasil penelitian diharapkan dapat membantu FTI Unmer Malang dalam menentukan strategi promosi yang lebih efektif berdasarkan daerah asal mahasiswa.

Penelitian ini menyimpulkan bahwa algoritma K-Means menunjukkan performa lebih baik dibandingkan K-Medoids dalam klasterisasi data mahasiswa baru, ditunjukkan dengan indeks DBI yang lebih rendah yaitu 0,344.Hasil klasterisasi dapat dimanfaatkan untuk menentukan strategi promosi yang lebih tepat sasaran berdasarkan wilayah asal mahasiswa.Dengan demikian, perguruan tinggi dapat mengalokasikan sumber daya promosi secara lebih efisien dan meningkatkan efektivitas penerimaan mahasiswa baru.

Penelitian lanjutan dapat dilakukan dengan mengintegrasikan data demografis dan preferensi program studi calon mahasiswa ke dalam model klasterisasi untuk menghasilkan segmentasi yang lebih akurat. Selain itu, studi komparatif dapat dilakukan dengan algoritma clustering lain seperti DBSCAN atau hierarchical clustering untuk mengidentifikasi metode yang paling optimal untuk data penerimaan mahasiswa baru. Terakhir, penelitian dapat difokuskan pada pengembangan sistem rekomendasi promosi yang dipersonalisasi berdasarkan hasil klasterisasi, yang dapat memberikan informasi promosi yang relevan kepada calon mahasiswa berdasarkan wilayah asal dan minat mereka, sehingga meningkatkan efektivitas kampanye promosi dan daya tarik perguruan tinggi.

  1. Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering... doi.org/10.34010/jati.v13i2.10090Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K Means Clustering doi 10 34010 jati v13i2 10090
  1. #sistem rekomendasi#sistem rekomendasi
  2. #strategi promosi pariwisata#strategi promosi pariwisata
Read online
File size800.9 KB
Pages11
Short Linkhttps://juris.id/p-2Wj
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test