Segmentasi Wilayah Target Promosi Menggunakan Algortima K-Means Clustering pada Perguruan Tinggi:  Segmentation of Promotion Target Areas Using the K-Means Clustering Algorithm at Universities

Zela Poiema Christy Mantohana Napitupulu; Jek Siang Jong; Andhika Galuh Prabawati

doi:10.57152/malcom.v5i4.2125

Authors

Zela Poiema Christy Mantohana Napitupulu Universitas Kristen Duta Wacana
Jek Siang Jong Universitas Kristen Duta Wacana
Andhika Galuh Prabawati Universitas Kristen Duta Wacana

DOI:

https://doi.org/10.57152/malcom.v5i4.2125

Keywords:

K-Means Clustering, Segmentasi Wilayah, Silhouette Coefficient, Strategi Promosi

Abstract

Unit admisi sebuah perguruan tinggi swasta aktif melakukan promosi ke sekolah menengah atas dengan berbagai bentuk. Target sekolah dipilih berdasarkan pengalaman dan ketersediaan personil, namun belum menggunakan analisis histori data. Pada penelitian ini dibangun sistem segmentasi wilayah promosi menggunakan K-Means Clustering untuk mengelompokkan potensi sekolah, kota, dan provinsi berdasarkan aktivitas pendaftaran tahun-tahun sebelumnya. Data bersih yang digunakan sejumlah 7177 baris data, yang diambil dari data calon mahasiswa pendaftar periode 2020 hingga 2024. Data meliputi pendaftar yang diterima, pilihan 1, pilihan 2, waktu pendaftaran, registrasi dan membatalkan registrasi. Proses pengolahan data meliputi tahapan pembersihan normalisasi nama sekolah, dan standarisasi nama sekolah menggunakan fuzzy string matching, pembobotan status pendaftar, dan perhitungan skor. Pengklasteran menggunakan K-Means dilakukan pada hasil perhitungan skor yang telah dinormalisasi. Jumlah klaster optimal ditentukan menggunakan metode Silhouette Coefficient. Luaran berupa nilai centroid dan label klaster untuk setiap entitas yang diklaster. Sistem berhasil mengelompokkan potensi sekolah, kota, dan provinsi tempat promosi. Luaran sistem dibandingkan dengan lokasi riil promosi yang telah dilakukan unit Admisi. Hasil menunjukkan bahwa dari 125 sekolah tempat promosi, hanya 48 sekolah yang sesuai dengan hasil sistem. Sistem mengidentifikasi 109 sekolah potensial dan cukup potensial, 44,04% yang sudah dijangkau promosi.

Downloads

Download data is not yet available.

References

R. Toro and dan Sri Lestari, “Perbandingan Algoritma Klasifikasi Untuk Penentuan Lokasi Promosi Penerimaan Mahasiswa Baru Pada IIB Darmajaya Lampung Comparison of Classification Algorithm to Determine the Location of New Student Admission Promotion on IIB Darmajaya Lampung,” Februari, vol. 22, no. 1, pp. 223–234, 2023.

O. Oktaviarna Tensao et al., “INFORMASI (Jurnal Informatika dan Sistem Informasi) Analisa Data Mining dengan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru Pada STMIK Primakara,” 2022.

H. Hairani, D. Susilowati, I. Puji Lestari, K. Marzuki, and L. Z. A. Mardedi, “Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering,” MATRIK?: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 2, pp. 275–282, Mar. 2022, doi: 10.30812/matrik.v21i2.1542.

I. Fauzi, “Penerapan Data Mining Untuk Menentukan Lokasi Promosi Sekolah Dengan Metode K-Means Clustering (Studi Kasus: Smp Islam Al Syukro Universal),” 2025.

D. Vernanda, N. N. Purnawan, and T. H. Apandi, “Penerapan Fuzzy C Means Untuk Menentukan Target Promosi Penerimaan Mahasiswa Baru,” Jurnal Ilmiah Ilmu dan Teknologi Rekayasa, vol. 2, no. 2, Feb. 2020, doi: 10.31962/jiitr.v2i2.63.

D. M. Putri, A. S. Ilmananda, and N. Prisanta, “Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru,” SMATIKA JURNAL, vol. 14, no. 02, pp. 388–398, Dec. 2024, doi: 10.32664/smatika.v14i02.1474.

I. Ariati, R. Nugraha Norsa, L. Akhsan, and J. Heikal, “Segmentasi Pelanggan Menggunakan K-Means Clustering Studi Kasus Pelanggan Uht Milk Greenfield,” Jurnal Ilmiah Indonesia, vol. 2023, no. 7, pp. 629–643, 2023, doi: 10.36418/cerdika.xxx.

R. Nur Aulia, R. Taufiqillah, and P. Dewi, “Analysis Customer Segmentation on Individual Life Insurance in Kalimantan Province Using K-Means Clustering with SPSS,” Puspita Dewi INNOVATIVE: Journal Of Social Science Research, vol. 4, pp. 4462–4476, 2024.

N. Trezandy Lapatta, R. Ardiansyah, and D. Shinta Angreni, “Donor Segmentation Analysis Using the RFM Model and K-Means Clustering to Optimize Fundraising Strategies,” 2024. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

Y. Elda, S. Defit, Y. Yunus, and R. Syaljumairi, “Klasterisasi Penempatan Siswa yang Optimal untuk Meningkatkan Nilai Rata-Rata Kelas Menggunakan K-Means,” Jurnal Informasi dan Teknologi, pp. 103–108, Sep. 2021, doi: 10.37034/jidt.v3i3.130.

H. Rumapea, “Deteksi Kemiripan Artikel Melalui Keywords Dengan Metode Fuzzy String Matching Dalam Natural Language Processing,” METHOMIKA Jurnal Manajemen Informatika dan Komputerisasi Akuntansi, vol. 5, no. 1, pp. 60–66, Apr. 2021, doi: 10.46880/jmika.Vol5No1.pp60-66.

H. Nur Hanani, H. Jayadianti, H. Cahya Rustamaji, and U. Pembangunan Nasional Veteran Yogyakarta, “Fuzzy String Matching for Semi-Automatication of Words with Jaro Winkler Distance Algorithm on Microsoft Word Documents Fuzzy String Matching untuk Semi-Otomatisasi Pencocokan Kata dengan Algoritma Jaro Winkler Distance pada Dokumen Microsoft Word,” pp. 145–160, 2021, [Online]. Available: www.myvocabulary.com

L. B. V. de Amorim, G. D. C. Cavalcanti, and R. M. O. Cruz, “The choice of scaling technique matters for classification performance,” Dec. 2022, doi: 10.1016/j.asoc.2022.109924.

M. Arif, maruf Setiawan, A. Dwi Hartono, M. Arif Ma, and ruf Setiawan, “Menggunakan Metode Machine Learning Untuk Memprediksi Nilai Mahasiswa Dengan Model Prediksi Multiclass,” Jurnal Informatika: Jurnal pengembangan IT, vol. 10, no. 1, pp. 190–204, 2025, doi: 10.30591/jpit.v9ix.xxx.

F. D. Wahyuningtyas, A. Arafat, A. Stiawan, and D. Rolliawati, “Komparasi Algoritma Hierarchical, K-Means, dan DBSCAN pada Analisis Data Penjualan Melalui Facebook,” Explore: Jurnal Sistem Informasi dan Telematika, vol. 14, no. 1, p. 7, Jun. 2023, doi: 10.36448/jsit.v14i1.2931.

S. Paembonan, H. Abduh, and K. Kunci, “Penerapan Metode Silhouette Coeficient Untuk Evaluasi Clutering Obat Clustering; K-means; Silhouette coeficient,” 2021. [Online]. Available: https://ojs.unanda.ac.id/index.php/jiit/index

Y. I. Kurniawan, P. R. Anugrah, R. M. Sugihono, F. A. Abimanyu, and L. Afuan, “Pengelompokan Prioritas Negara Yang Membutuhkan Bantuan Menggunakan Clustering K-Means dengan Elbow dan Silhouette,” Jurnal Pendidikan dan Teknologi Indonesia (JPTI), vol. 3, no. 10, pp. 455–463, 2023, doi: 10.52436/1.jpti.343.

“5. Pengelompokkan Data Kemiskinan Provinsi Jawa Barat Menggunakan Algoritma K-Means dengan Silhouette Coefficient 29-35,” pp. 29–35, 2022, doi: 10.38204/tematik.v9i1.921.

Febby Arisca Zurfani, Sawaluddin, Mardiningsih, and Muhammad Romi Syahputra, “Analisis Metode Clustering K-Means pada Zonasi Daerah Terdampak Banjir di Kota Medan dengan Evaluasi Silhouette Coefficient,” Algoritma?: Jurnal Matematika, Ilmu pengetahuan Alam, Kebumian dan Angkasa, vol. 2, no. 6, pp. 170–181, Nov. 2024, doi: 10.62383/algoritma.v2i6.270.

W. N. Purba and R. Hartanto, “Perbandingan Penerapan Algoritma K-Means Dan Fuzzy C-Means Dalam Analisis Clustering Terhadap Pergerakan Harga Historis Saham Bank Rakyat Indonesia,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 7, no. 2, p. 865, Dec. 2024, doi: 10.37600/tekinkom.v7i2.1214.