UNRIYOUNRIYO

International Journal of Informatics and ComputationInternational Journal of Informatics and Computation

Universitas Aisyiyah Yogyakarta merupakan salah satu universitas swasta di Yogyakarta. Jumlah universitas swasta yang banyak di Yogyakarta telah meningkatkan persaingan dalam penerimaan mahasiswa baru. Dalam situasi ini, setiap universitas memerlukan strategi yang tepat untuk menarik minat calon mahasiswa. Salah satu strategi yang digunakan oleh Universitas Aisyiyah Yogyakarta untuk menarik minat calon mahasiswa adalah dengan melakukan promosi langsung ke sekolah-sekolah di Yogyakarta, Jawa, dan Sumatra. Dalam proses penerimaan mahasiswa baru di Program Studi Teknologi Informasi, sering terjadi masalah yaitu jumlah calon mahasiswa yang tidak melakukan registrasi ulang setiap tahun. Calon mahasiswa yang telah lulus seleksi dan dinyatakan diterima, tetapi tidak melanjutkan dengan registrasi ulang. Strategi presentasi sekolah berkontribusi pada penerimaan mahasiswa baru, sehingga menjadi strategi yang baik, tetapi membutuhkan biaya operasional yang signifikan. Segmentasi area promosi diperlukan agar strategi ini dapat lebih terarah dan efisien secara biaya. Segmentasi atau pengelompokan area promosi dapat ditangani menggunakan teknik data mining, khususnya clustering. Penelitian ini bertujuan untuk melakukan segmentasi area promosi menggunakan algoritma clustering, yaitu K-Means dan K-Medoids, serta metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Evaluasi DBI (Davies-Bouldin Index) menunjukkan bahwa algoritma K-Means lebih baik daripada algoritma K-Medoids.

Berdasarkan penelitian yang telah dilakukan, diperoleh metode clustering menggunakan algoritma K-Means dan K-Medoids.Hasil kedua algoritma dibandingkan berdasarkan evaluasi DBI (Davies-Bouldin Index).Nilai DBI yang diperoleh adalah 0,196 untuk K-Medoids dan 0,170 untuk K-Means.Perbedaan ini menunjukkan bahwa K-Means menghasilkan klaster yang lebih padat dan terpisahkan dengan baik.Hasil clustering memberikan wawasan berharga bagi pengambil keputusan dalam mengidentifikasi area promosi yang lebih strategis dan efisien, mengurangi biaya operasional, dan meningkatkan jumlah pendaftar yang sesuai dengan demografi target universitas.Selain itu, metodologi CRISP-DM yang diterapkan dalam penelitian ini terbukti fleksibel dalam menangani data berskala besar, mencakup fase dari pemahaman bisnis hingga implementasi hasil.Penelitian ini diharapkan dapat menjadi referensi untuk mengembangkan strategi promosi yang didorong data di institusi pendidikan lainnya.Penelitian selanjutnya dapat mengeksplorasi penggunaan algoritma lain, seperti Fuzzy C-Means atau model hibrida, untuk membandingkan hasil dan meningkatkan akurasi clustering.

Untuk penelitian lanjutan, dapat dilakukan perbandingan dengan algoritma lain seperti Fuzzy C-Means atau model hibrida untuk meningkatkan akurasi clustering. Selain itu, dapat dilakukan analisis lebih mendalam mengenai faktor-faktor yang mempengaruhi keputusan calon mahasiswa dalam memilih universitas, seperti biaya pendidikan, jarak tempuh, dan fasilitas kampus. Dengan demikian, strategi promosi dapat disesuaikan dengan preferensi calon mahasiswa dan meningkatkan efektivitasnya. Penelitian juga dapat dilakukan untuk mengeksplorasi metode-metode lain dalam data mining, seperti klasifikasi dan prediksi, untuk mendukung proses penerimaan mahasiswa baru dan meningkatkan kualitas data yang digunakan dalam proses tersebut.

  1. Journal of Open Source Software: Fast k-medoids Clustering in Rust and Python. journal open source software... doi.org/10.21105/joss.04183Journal of Open Source Software Fast k medoids Clustering in Rust and Python journal open source software doi 10 21105 joss 04183
  2. PENERAPAN ALGORITMA K-MEDOIDS CLUSTERING UNTUK PENGELOMPOKKAN PENYEBARAN DIARE DI KOTA MEDAN (STUDI KASUS:... doi.org/10.30865/komik.v3i1.1659PENERAPAN ALGORITMA K MEDOIDS CLUSTERING UNTUK PENGELOMPOKKAN PENYEBARAN DIARE DI KOTA MEDAN STUDI KASUS doi 10 30865 komik v3i1 1659
  3. Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering | MATRIK... doi.org/10.30812/matrik.v21i2.1542Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K Means Clustering MATRIK doi 10 30812 matrik v21i2 1542
Read online
File size235.13 KB
Pages11
DMCAReport

Related /

ads-block-test