Analisis Komparasi Algoritma K-Means Dan K-Medoids Dalam Segmentasi Data Untuk Strategi Promosi Mahasiswa Baru Di Universitas X
DOI:
https://doi.org/10.34010/komputika.v14i2.16698Abstract
Persaingan dalam merekrut mahasiswa baru semakin ketat, sehingga perguruan tinggi memerlukan strategi promosi yang efektif dan tepat sasaran. Salah satu cara untuk meningkatkan efektivitas promosi adalah dengan melakukan segmentasi calon mahasiswa berdasarkan data penerimaan. Penelitian ini menawarkan solusi dengan membandingkan performa algoritma K-Means dan K-Medoids dalam segmentasi data Penerimaan Mahasiswa Baru (PMB) Universitas X tahun 2024. Metode yang digunakan meliputi tahapan pengumpulan data, preprocessing (pembersihan, normalisasi, dan transformasi), implementasi algoritma K-Means dan K-Medoids, serta evaluasi kualitas klaster menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa konfigurasi tiga klaster (K=3) memberikan nilai DBI terendah, dengan K-Medoids mencapai 1,038, lebih baik dibandingkan K-Means sebesar 1,059. Klaster dominan menunjukkan bahwa lulusan SMK mendominasi sebesar 40,45% dan cenderung memilih program studi Pendidikan TIK. Kontribusi penelitian ini adalah memberikan panduan bagi institusi pendidikan dalam memilih algoritma klasterisasi yang paling sesuai untuk mendukung strategi promosi yang lebih akurat, efisien, dan terarah.
References
[1] B. Y. Geni, O. Kurnia, N. Hayati, M. Thoriq, and K. H. Manurung, “Analisa Algoritma K-Means Untuk Menentukan Strategi Marketing,” J. Media Inform. Budidarma, vol. 8, no. 1, p. 211, 2024.
[2] S. AyuPratiwi, S. H. Nanda Ginting, and C. Imam, “Penerapan Algoritma k-means dalam Data Mining untuk Mengidentifikasi Strategi Promosi di Politeknik Ganesha Medan,” J. Minfo Polgan, vol. 13, no. 1, pp. 189–196, 2024.
[3] Oki Oktaviarna Tensao, I Nyoman Yudi Anggara Wijaya, and Ketut Queena Fredlina, “Analisa Data Mining dengan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru Pada STMIK Primakara,” Inf. (Jurnal Inform. dan Sist. Informasi), vol. 14, no. 1, pp. 1–17, 2022.
[4] S. F. Intan, W. Elvira, S. Rahayu, and ..., “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Pengeluaran Mahasiswa: Comparison of the K-Means and K-Medoids Algorithms for …,” … Nas. Penelit. dan …, pp. 35–40, 2023.
[5] Awang surya, “Analisis Kepuasan Pelanggan Pada Sekolah Tinggi Teknologi Muhammadiyah Cileungsi-Bogor,” TEKNOSAINS J. Sains, Teknol. dan Inform., vol. 7, no. 1, pp. 43–56, 2020.
[6] Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput., vol. 6, no. 2, pp. 12–20, 2020.
[7] T. Hartati, O. Nurdiawan, and E. Wiyandi, “Analisis Dan Penerapan Algoritma K-Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari,” J. Sains Teknol. Transp. Marit., vol. 3, no. 1, pp. 1–7, 2021.
[8] A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” J. Tekno Kompak, vol. 15, no. 2, p. 25, 2021.
[9] A. Rezky Pratama, B. Maulana, R. Didho Rianda, and S. El Hasyim, “Comparison of K-Means and K-Medoids Algorithms for Grouping Video Game Sales Data in North America,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 2, pp. 111–118, 2023.
[10] L. F. olivia, D. A. Juliantho, and B. Hendrik, “Komparasi Algoritma K-Means Dan K-Medoids Dalam Clustering Penyebaran Kasus Covid 19,” J. Inf. Syst. Educ. Dev., vol. 1, no. 2, pp. 30–32, 2023.
[11] Fitri Marisa, Bagas Ariefia, Ayuni, and A. L. Maukar, “Pendeteksian Daerah (Provinsi) Rawan Covid19 Dengan Metode Unsupervised Learning & Algoritma K-Medoids,” J. Teknol. Inf. Dan Komun., vol. 12, no. 1, pp. 17–21, 2021.
[12] M. Herviany, S. Putri Delima, T. Nurhidayah, and K. Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021.
[13] S. Darma and G. W. Nurcahyo, “Klasterisasi Teknik Promosi dalam Meningkatkan Mutu Kampus Menggunakan Algoritma K-Medoids,” J. Inform. Ekon. Bisnis, vol. 3, pp. 89–94, 2021.
[14] I. T. Umagapi, B. Umaternate, S. Komputer, P. Pasca Sarjana Universitas Handayani, B. Kepegawaian Daerah Kabupaten Pulau Morotai, and B. Riset dan Inovasi, “Uji Kinerja K-Means Clustering Menggunakan Davies-Bouldin Index Pada Pengelompokan Data Prestasi Siswa,” Semin. Nas. Sist. Inf. dan Teknol., vol. 7, no. 1, pp. 303–308, 2023.
[15] N. A. S. Z. Abidin, R. D. Avila, A. Hermatyar, and R. Rismayani, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Daerah Produksi Kakao,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 2, pp. 383–391, 2022.
[16] I. Arfyanti, T. Bustomi, and I. Haristyawan, “Implementasi Data Mining dengan Menerapkan Algoritma K-Means Clustering untuk Memberikan Rekomendasi Jurusan Kuliah Bagi Mahasiswa Baru,” J. Media Inform. Budidarma, vol. 8, no. 2, p. 988, 2024.
