Clustering Untuk Menentukan Strategi Promosi Universitas Muhammadiyah Jember Dengan Algoritma K-Medoids

Radiyanto Dekaprasetya, Ulya Anisatur R, Lutfi Ali Muharom

Abstract


Dengan semakin banyaknya jumlah lembaga pendidikan setingkat perguruan tinggi baik negeri maupun swasta berdasarkan dokumen Statistik Pendidikan Tinggi tahun 2019 (Kemenristekdikti, 2019) menjadi pemicu persaingan antar lembaga pendidikan tersebut untuk mencari calon mahasiswa. Universitas Muhammadiyah Jember sebagai salah satu perguruan tinggi unggulan di Jawa Timur khususnya di Kabupaten Jember dalam hal menjaring calon mahasiswa membutuhkan strategi promosi yang baik untuk mendapatkan calon mahasiswa sesuai pagu. Penelitian ini dilakukan untuk mendapatkan informasi profil mahasiswa dengan cara mengolah data mahasiswa baru tahun 2020/2021. Pengolahan data dengan cara clustering menggunakan algoritma k-medoids terhadap data mahasiswa seperti Prodi, Kota, Propinsi, Pekerjaan Orang Tua dan Jenis Sekolah. Hasil dari penelitian adalah dengan mendapatkan nilai DBI yang rendah pada cluster k = 3 sehingga ditentukan sebagai cluster yang optimal. Mahasiswa terbanyak dari kota Jember, Banyuwangi dan Bondowoso, propinsi Jawa Timur, program studi yang banyak dipilih adalah Teknik Informatika serta pekerjaan orang tua dari Mahasiswa paling banyak sebagai wiraswasta dan pegawai negeri sipil.

 

Keywords: clustering; Davies Bouldin Index; k-medoids; strategi promosi

Full Text:

PDF

References


Darma, S., & Nurcahyo, G. W. (2021). Klasterisasi Teknik Promosi dalam Meningkatkan Mutu Kampus Menggunakan Algoritma K-Medoids. Jurnal Informatika Ekonomi Bisnis, 3, 89–94. https://doi.org/10.37034/infeb.v3i3.87

Defiyanti, S., Jajuli, M., & Rohmawati, N. (2017). Optimalisasi K-MEDOID dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan CUBIC CLUSTERING CRITERION. Jurnal Nasional Teknologi Dan Sistem Informasi, 3(1), 211–218.

https://doi.org/10.25077/teknosi.v3i1.2017.211-218

Dewi, D. A. I. C., & Pramita, D. A. K. (2019). Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali. Matrix : Jurnal Manajemen Teknologi Dan Informatika, 9(3), 102–109. https://doi.org/10.31940/matrix.v9i3.1662

Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques, 3rd ed. (3rd ed.). Morgan Kaufmann.

Jumadi, B., & USU. (2018). Tesis:peningkatan hasil evaluasi clustering davies bouldin dengan penentuan titik pusat cluster awal K means.

Kemenristekdikti. (2019). Statistik Pendidikan Tinggi (Higher Education Statistics) 2019. In Pusdatin Kemenristekdikti. http://www.mohe.gov.my/web_statistik/

Kusuma, D. T., & Agani, N. (2015). Prototipe Komparasi Model Clustering Menggunakan Metode K-Means Dan FCM untuk Menentukan Strategi Promosi : Study Kasus Sekolah Tinggi Teknik-PLN Jakarta. TICOM (Technology of Information and Communication), 3(3), 1–10.

Latifah, K. (2018). ANALISIS DAN PENERAPAN ALGORITHMA C4.5 DALAM DATA MINING UNTUK MENUNJANG STRATEGI PROMOSI PRODI INFORMATIKA UPGRIS. 11(61).

Nahdliyah, M. A., Widiharih, T., & Prahutama, A. (2019). Metode K-Medoids Clustering dengan Validasi Silhouette Index dan C-Index. Jurnal Gaussian, 8(2), 161–170.

Pujiarini, E. H. (2019). Analisis asosiasi untuk menentukan strategi promosi perguruan tinggi dengan algoritma apriori. 4, 45–51.

Rony, S. (2016). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik Lp3i Jakarta ). Jurnal Lentera Ict, 3(1), 76–92.

Sofyan Vivi Dwiyanu. (2019). KLASIFIKASI KELULUSAN MAHASISWA PROGRAM STUDI TEKNIK INFORMATIKA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR.

Suyanto. (2019). Data Mining Untuk Klasifikasi dan Klasterisasi Data (Suyanto (ed.); Pertama). informatika Bandung.

Wahono, R. S. (2020). Data Mining. 721. romi@romisatriawahono.net


Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.