SMATIKA : STIKI Informatika Jurnal Vol.
No.
Desember 2024, pp.
ISSN: 2087-0256, e-ISSN: 2580-6939 Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Devita Maulina Putri1* Asri Samsiar Ilmananda2 Nadita Prisanta3 1,2,3Sistem Informasi.
Universitas Merdeka Malang.
Jalan Terusan Dieng No.
Klojen.
Pisang Candi.
Sukun.
Jawa Timur, 65146.
Indonesia maulina@unmer.
id, 2asri.
ilmananda@unmer.
id, 322081000012@student.
*Penulis Korespondensi:
Devita Maulina Putri maulina@unmer.
Abstrak 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, pada penelitian ini diterapkan 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 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.
Kata Kunci: K-Means.
K-Medoids.
Strategi Promosi.
Penerimaan Mahasiswa Baru Abstract New student admission is a crucial activity for universities, especially private universities, in obtaining new students.
FTI Unmer Malang has implemented various promotional techniques, but still experiences obstacles in achieving student admission The number of new students fluctuates, with a peak in admission in 2019 and a significant decrease of 23% in the last three years.
One of the main problems is the lack of information dissemination to remote areas.
To overcome this problem, this study applies a data mining method with clustering to group new student data based on their area of origin.
Two clustering algorithms, namely K-Means and K-Medoids, are used to compare clustering results to find the optimal promotion strategy.
The data used includes new students from the 2016 to 2022 academic years.
The results of the study show that the K-Means algorithm shows better performance than the K-Means algorithm with DBI index accuracy level of 0.
The results of the study are expected to help FTI Unmer Malang in determining a more effective promotion strategy based on the student's area of origin.
Keywords: K-Means.
K-Medoids.
Promotion Strategies.
New Student Admissions Pendahuluan Penerimaan mahasiswa baru merupakan kegiatan ujung tombak perguruan tinggi dalam mendapatkan mahasiswa baru khususnya untuk perguruan tinggi swasta.
Keberhasilan dalam penyelenggaraan lembaga perguruan tinggi bergantung pada pengelolaan komponen-komponen pendukung pelaksana kegiatan.
Banyak cara maupun teknik promosi yang digunakan FTI Unmer Malang dalam hal mendapatkan mahasiswa baru, antara lain melalui promosi, media cetak, baliho, hingga website.
Media promosi melalui media sosial memberikan dapat pengaruh positif terhadap penerimaan mahasiswa .
Selama 10 tahun terakhir, jumlah mahasiswa baru di FTI Unmer Malang mengalamai perubahan secara fluktuatif .
Jumlah mahasiswa baru tertinggi terjadi pada tahun 2019 yaitu sebanyak 285 Cite: Putri.
dkk, .
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru.
SMATIKA : STIKI Informatika Jurnal, 14.
doi: https://doi.
org/10.
32664/smatika.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Sementara itu, pada 3 tahun terakhir yaitu pada tahun 2021 hingga 2022 jumlah mahasiswa baru relatif stabil di kisaran angka 220.
Prosentasi jumlah mahasiswa baru turun sebesar 23% dan hingga saat ini masih belum mencapai target.
Dari beberapa teknik promosi yang telah dilakukan, masih ada beberapa kendala yang dihadapi oleh FTI Unmer Malang dalam hal mendapatkan mahasiswa baru, diantaranya kurang akurat informasi yang didapatkan calon mahasiswa baru karena informasi tidak sampai kepada masyarakat khususnya yang tinggal di daerah pelosok.
Hal ini disebabkan karena teknik promosi yang dilakukan tidak memberikan informasi sampai ke seluruh daerah yang ada di kota Malang ataupun luar daerah Malang dan Pada masing-masing daerah membutuhkan teknik promosi yang berbeda tergantung dari lokasi dan kondisi yang ada pada daerah tersebut.
Disebutkan dalam .
, bahwa strategi promosi dengan menggunakan dimensi positioning dapat memberikan penjelasan secara terperinci untuk kemudian mengetahui apa yang diinginkan konsumen.
Berdasarkan dari data mahasiswa baru yang ada, tempat asal mahasiswa terdiri dari berbagai daerah di seluruh Indonesia.
Proses melakukan pengelompokkan mahasiswa baru FTI Unmer Malang masih dilakukan dengan perhitungan manual, sehingga membutuhkan waktu yang tidak sedikit.
Agar dapat dibaca sesuai dengan kebutuhan, diperlukan penerapan data mining yaitu dengan melakukan klasterisasi terhadap data dari seluruh mahasiswa baru .
Data mining adalah proses menganalisis kumpulan data yang sangat besar untuk menemukan hubungan yang tidak terduga.
Selain itu, data mining memiliki kemampuan untuk merangkum data dengan cara yang baru sehingga dapat berguna dan dipahami oleh pengguna .
Dalam analisis dan data mining, clustering adalah jenis penelitian di mana objek data dengan atribut yang sama dikelompokkan dalam satu kelompok, dan objek data dengan atribut yang berbeda dikelompokkan dalam kelompok yang berbeda .
Ada berbagai macam clustering yang ada, tetapi pada penelitian ini menggunakan K-Means dan K-Medoids sebagai pembanding untuk mencari tahu hasil yang terbaik.
K-Medoids adalah salah satu metode data mining yang dapat menyelesaikan masalah pengelompokan atau clustering.
Algoritma ini menggunakan objek untuk menunjukkan cluster pada sekumpulan objek.
Sangat terkenal bahwa algoritma K-Medoids bekerja dengan baik pada dataset Selain itu, hasil proses clustering K-Medoids tidak bergantung pada urutan masuk dataset.
KAlgoritma K-Medoids cocok digunakan untuk data yang memiliki outlier dan bentuk cluster yang lebih kompleks, akan tetapi membutuhkan waktu komputasi yang lebih tinggi .
K-Means adalah metode clustering yang terkenal dibandingkan dengan algoritma clustering lainnya karena efisiensi dan kesederhanaannya .
K-Means adalah salah satu metode pengelompokan data non-hierarki .
yang dapat membagi data ke dalam dua kelompok atau lebih.
Kelompok ini menggabungkan data dengan karakteristik yang sama ke dalam satu kelompok, dan kelompok lain menggabungkan data dengan karakteristik yang berbeda.
Tujuan dari pengelompokan adalah meminimalkan variasi dalam suatu kelompok dan memaksimalkan variasi antar kelompok .
Secara umum, algoritma K-Means lebih cepat secara komputasional, serta lebih cocok digunakan untuk dataset yang besar dan tidak terpengaruh oleh outlier.
Penelitian ini bertujuan untuk menentukan strategi promosi yang sesuai berdasarkan daerah asal mahasiswa baru melalui metode klasterisasi.
Algoritma clustering yang digunakan adalah K-Means dan K-Medoids, dimana akan dilakukan perbandingan klastering untuk menilai tingkat keakuratan Pada penelitian ini, proses pencarian klasifikasi dilakukan dengan menentukan klaster nama, jurusan, asal kota, provinsi, dan asal sekolah mahasiswa berdasarkan data dari tahun akademik 2016-2022.
Melalui penelitian ini, diharapkan dapat membantu FTI Unmer Malang dalam menentukan strategi promosi yang tepat berdasarkan daerah asal mahasiswa.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Metode Penelitian Pada tahap pengumpulan data diperoleh data mahasiswa baru dari tahun 2016 sampai dengan 2022 sebagai dataset.
Data training yang digunakan yaitu sebanyak 1492 dengan atribut terdiri dari nama, jurusan, provinsi, asal kota, dan asal sekolah.
Namun semua nama atribut ini akan diganti menggunakan angka dari masing-masing atribut melalui pengolahan data awal.
Adapun proses pengolahaan data awal menggunakan software Microsoft Excel terlebih dahulu.
Setelah pengumpulan data dan bukti yang mendukung penelitian, selanjutnya dilakukan proses persiapan data awal .
re-processin.
Tahap ini dilakukan untuk mengindentifikasi dan menghilangkan data yang kosong .
issing valu.
Normalisasi data dilakukan menggunakan operator Filter Examples pada software RapidMainer.
Kemudian setelah itu dilanjutkan dengan proses klasterisasi dalam tahap analsis data.
Analisis data dilakukan dengan mencari proses serta menyusun secara sistematis data yang telah didapat dari hasil observasi dengan cara mengorganisasikan data tersebut ke dalam kategori dan menjabarkan ke dalam unit-unit, menyusun kedalam pola, hingga memilih data mana yang penting.
Kemudian dari hasil analisis akan dibuat kesimpulan agar penelitian dapat dipahami.
Pada tahap analisis data, kegiatan yang dilakukan yaitu menganalisa kebutuhan apa saja yang diperlukan dalam melakukan klasterisasi teknik promosi dengan menggunakan algoritma K-mens dan K-medoids.
Untuk itu, proses transformasi dilakukan dengan tujuan untuk menyamakan skala atribut data ke dalam range yang lebih spesifik.
Sehingga data dapat diolah dengan mudah menggunakan dua metode algoritma clustering.
Pada tahap ini, dataset akan ditransformasi menjadi angka sehingga didapatkan nilai yang akan diolah.
Adapun variabel yang digunakan pada data mahasiswa baru yaitu program studi, asal kota, dan asal Hasil dari transformasi data ke angka dapat dilihat pada Tabel 1.
Metode yang digunakan untuk klasterisasi antara lain algoritma K-Means dan K-Medoids.
Perbedaan antara kedua algoritma tersebut adalah algoritma K-Medoids menggunakan objek sebagai perwakilan (Medoi.
pusat cluster untuk setiap cluster.
Sementara algoritma K-Means membutuhkan nilai rata-rata (Mea.
sebagai pusat cluster.
K-Means merupakan salah satu dari beberapa metode data clustering non-hierarki dengan sistem kerja mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok.
Algoritma K-Medoids dapat meminimalkan jumlah perbedaan antar titik data dalam cluster dengan titik data terpilih di setiap cluster sebagai pusat .
Tabel 1.
Data Hasil Transformasi
Asal Provinsi
Kota
Jurusan Provinsi
Sekolah K14
K15
K16
K17
K18
K19
K20
K21
K22
K10
K23
K11
K24
K12
K25
K13
Sumber: Data jadi Jumlah Mahasiswa, 2022 Asal Sekolah A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Kota Jurusan Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Selanjutnya, hasil clustering dari kedua metode ini akan dilanjutkan ke tahap pengujian, baik secara manual maupun menggunakan tools RapidMiner.
Hasil pengujian kemudian akan dibandingan, yaitu berupa penentuan nilai centroid dan hasil clustering.
Evaluasi kualitas hasil clustering diukur dengan menggunakan metrik Davies Bouldin Index (DBI).
DBI adalah metode yang digunakan untuk mengukur kesamaan antar anggota dalam suatu cluster atau yang memiliki kemiripan .
Semakin kecil nilai DBI, menunjukkan semakin baik kualitas hasil cluster.
Hasil Pada hasil transformasi didapatkan atribut provinsi sebanyak 24 data, atribut asal sekolah sebanyak 11 data, sedangkan atribut kota asal sebanyak 73 data.
Frekuensi dan kode untuk atribut provinsi disajikan pada Tabel 2.
Frekuensi dan kode untuk atribut asal sekolah disajikan pada Tabel 3.
Pada Tabel 2 diperlihatkan bahwa frekuensi terbanyak ditempati oleh provinsi Jawa Timur dengan angka 807, disusul dengan Nusa Tenggara Timur dengan angka 354.
Frekuensi terendah yaitu pada provinsi Kalimantasn Selatan dan Sulawesi Tengah, masing-masing dengan angka 1 dan 2.
Tabel 2.
Inisialisasi Data Provinsi Provinsi Frekuensi Jawa Timur Nusa Tenggara Timur Papua Barat Papua Nusa Tenggara Barat Kalimantan Utara Maluku Banten Luar Negeri Kalimantan Selatan DKI Jakarta Sumatera Selatan Kalimantan Utara Maluku Utara Sumatera Selatan Bali Kepulauan Riau Kalimantan Barat Sulawesi Tengah Sulawesi Tenggara Kode Pada Tabel 3 diperlihatkan bahwa frekuensi terbanyak berasal dari SMA sebanyak 475.
Meskipun demikian, asal sekolah SMK dan SMKN apabila dijumlahkan memiliki nilai yang lebih besar yaitu 706 Sementara itu, frekuensi terendah yaitu dengan asal sekolah SLB dan ST dengan nilai 1.
Tabel 3.
Inisial Data Sekolah Asal Sekolah Frekuensi
Kode
SMK
SMKN
PKBM
SMA
SMAN
MAN
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Madrasah
SLB
SLA
Pembahasan Sebelumnya pada tahap pre-processing dilakukan seleksi atribut dan pengkategorian data menggunakan software Microsoft Excel, serta penghapusan data yang kosong.
Untuk memaksimalkan hasil akurasi, dilakukan pengecekan ulang data supaya mengantisipasi adanya data yang kosong dengan menggunakan operator Filter Examples pada software RapidMainer seperti yang diperlihatkan pada Gambar 1.
Gambar 1.
Pemodelan Menggunakan Filter Examples Setelah membuat pemodelan pada Filter Examples pada software RapidMiner, langkah selanjutnya adalah dilakukan pengaturan pada parameter-parameter.
Dilakukan pembersihan atribut antara lain ID, provinsi, asal sekolah, kota, dan jurusan pada condition class dengan Add Filter.
Hasil normalisasi data diperlihatkan pada Gambar 2.
Sebelum dilakukan pembersihan missing value, total data Sesudah dihilangkan missing value, total data menjadi 1489.
Gambar 2.
Hasil Normalisasi Data A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Tahap selanjutnya adalah pengujian dengan menggunakan software RapidMiner.
RapidMiner adalah perangkat lunak untuk pengolahan data dengan menggunakan prinsip dan algoritma data mining .
Dalam melakukan pengujian, digunakan data yang sudah dinormalisasikan menggunakan tools RapidMiner.
Kemudian dilakukan pemrosesan data serta pengujian yang dilakukan dua kali yaitu untuk algoritma K-Means dan K-Medoids.
Pada Gambar 3 diperlihatkan proses mengimpor data ke RapidMainer.
Gambar 3.
Proses Impor Dataset ke RapidMainer Pada Gambar 3, proses impor data ke RapidMainer dilakukan dengan menggunakan operator Retrieve Excel dengan fitur configuration wizard.
Fitur tersebut digunakan untuk memasukan file data serta memilih tipe data, atribut, dan role.
Selanjutnya dilakukan pemodelan desain clustering menggunakan algoritma K-Means dan K-Medoids seperti yang ditunjukkan pada Gambar 4 dan Gambar 5.
Gambar 4.
Desain Input Proses dari Algoritma K-Means Gambar 5.
Desain Input Proses dari Algoritma K-Medoids A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Proses pengujian clustering dimulai dengan operator Retrieve Excel dengan fitur import configuration Fitur ini digunakan untuk memasukan file dataset yaitu data mahasiswa FTI Unmer Malang dari tahun 2016-2022 ke dalam RapidMiner.
Pada dataset ini kemudian dilakukan klasterisasi dan pengujian untuk algoritma K-Means dan K-Medoids.
Caranya yaitu dengan dihubungkan ke operator Performance untuk menghasilkan output dari algoritma clustering, dan terakhir dihubungkan ke Result.
Setelah pengujian berjalan, maka didapatkan informasi lama waktu pemrosesan seperti yang ditunjukan pada Gambar 6 dan Gambar 7.
Gambar 6.
Result History menggunakan Algoritma K-Means Gambar 7.
Result History menggunakan Algoritma K-Medoids Pada penelitian ini, jumlah cluster yang ditentukan adalah 3, seperti yang diperlihatkan pada Gambar Model cluster diperlihatkan pada Gambar 9 untuk K-Means dan Gambar 10 untuk K-Medoids.
Pada gambar ditunjukkan bahwa cluster yang dihasilkan berjumlah 3, dimulai dari cluster 0 dan diakhiri dengan cluster 3.
Total dataset di dalam cluster berjumlah 1489 dengan jumlah item yang berbeda pada tiap-tiap cluster.
Gambar 8.
Penentuan Jumlah Cluster Gambar 9.
Hasil Cluster Algoritma K-Means A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Gambar 9 menunjukkan hasil clustering menggunakan algoritma K-Means dengan cluster 0 207 item, cluster 1 berjumlah 264 item, dan cluster 2 berjumlah 18 item.
Gambar 10 menunjukkan hasil clustering menggunakan algoritma K-Medoids dengan cluster 0 berjumlah 18 item, cluster 1 berjumlah 402 item, dan cluster 2 berjumlah 1069 item.
Gambar 10.
Hasil Cluster Algoritma K-Medoids Gambar 11 dan Gambar 12 menunjukan data centroid baru yang terbentuk setelah proses clustering data menggunakan RapidMiner untuk Algoritma K-Means dan K-Medoids.
Output ini memberikan informasi tentang titik centroid pada setiap cluster, berdasarkan hasil pemrosesan data yang telah Untuk mengevaluasi kualitas dari hasil clustering, digunakan metrik DBI dengan parameter seperti yang diperlihatkan pada Gambar 13.
Gambar 11.
Tampilan Centroid Table untuk Algoritma K-Means Gambar 12.
Tampilan Centroid Table untuk Algoritma K-Medoids Gambar 13.
Parameter Kinerja DBI pada Algoritma Clustering A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Hasil dari perhitungan DBI dan deskripsi Performance menunjukkan centroid distance pada setiap cluster di dalam Performance Vector.
Hasil perhitungan DBI untuk K-Means dan K-Medoids masingmasing ditunjukkan pada Gambar 14 dan Gambar 15.
Semakin rendah nilai DBI, maka semakin baik kualitas cluster tersebut.
Gambar 14.
Hasil Pengukuran DBI untuk Algoritma K-Means Gambar 15.
Hasil Pengukuran DBI untuk Algoritma K-Medoids Berdasarkan Gambar 14 dan Gambar 15 diperoleh nilai DBI K-Means yaitu 0,344 dan K-Medoids yaitu 0,362.
Dari hasil tersebut, ditunjukkan bahwa K-Means memiliki nilai DBI yang lebih kecil, yang berarti bahwa hasil klaster memiliki kemiripan yang tinggi antar objek di dalam kelompoknya.
Deskripsi Performance yang menghasilkan centroid distance pada setiap cluster ditunjukkan pada Gambar 16 untuk algoritma K-Means dan Gambar 17 untuk algoritma K-Medoids.
Gambar 16.
Hasil DBI dan Centroid Distance Performance Vector pada Algoritma K-Means Gambar 17.
Hasil DBI dan Centroid Distance Performance Vector pada Algoritma K-Medoids Berdasarkan hasil klasterisasi menggunakan algoritma K-Means, ditunjukkan cluster 0 memiliki 207 data, yang dapat diartikan bahwa kelompok pertama adalah kategori wilayah tinggi peminat.
Cluster 1 memiliki 264 data, dimana kelompok kedua adalah kategori wilayah sedang peminat.
A 2024 SMATIKA Jurnal.
Published by LPPM STIKI Malang This is an open access article under the CC BY SA license.
ttps://creativecommons.
org/licenses/by-sa/4.
Penggunaan Algoritma K-Means dan K-Medoids untuk Pengembangan Strategi Promosi Penerimaan Mahasiswa Baru Cluster 2 memiliki 18 data, sehingga kelompok ketiga merupakan kategori wilayah rendah peminat.
Dari hasil klasterisasi dengan algoritma K-Medoids, diperoleh cluster 0 dengan 18 data, yang dapat diartikan bahwa kelompok pertama adalah wilayah paling rendah peminat.
Cluster 1 memiliki 402 data, dimana kelompok kedua merupakan wilayah sedang peminat.
Cluster 2 memiliki 1069 data, sehingga diartikan bahwa kelompok ketiga adalah wilayah paling tinggi peminat.
Melalui hasil clustering, diperoleh informasi mengenai kategori kelompok wilayah berdasarkan jumlah peminat.
Hal ini dapat dimanfaatkan untuk menentukan wilayah mana saja yang menjadi prioritas dalam kegiatan promosi.
Wilayah dengan kategori tinggi peminat perlu mendapatkan perhatian lebih dengan mengalokasikan sumber daya lebih besar mulai dari waktu, tenaga kerja, hingga dana.
Hal ini diperlukan agar investasi yang dikeluarkan dapat seimbang dengan hasil yang Agar promosi dapat dilakukan dengan efektif dan tepat sasaran, maka kampanye pemasaran perlu Salah satu strategi yang perlu dipertimbangkan adalah penggunaan media penyebaran informasi berdasarkan segmentasi kelompok mahasiswa hasil klasterisasi.
Untuk daerah perkotaan, maka sumber informasi yang dapat digunakan adalah media sosial dan website.
Informasi yang disediakan harus lengkap dan terstruktur, termasuk informasi mengenai beasiswa, kerja sama, dan pendaftaran online.
Sedangkan untuk daerah pelosok, maka informasi juga perlu disebarkan dengan cara tradisional yaitu melalui media cetak dan iklan.
Hasil penelitian ini diharapkan dapat membantu FTI Unmer Malang dalam pengambilan keputusan untuk menentukan strategi promosi terbaik.
Dengan demikian, diharapkan dapat meningkatkan jumlah mahasiswa baru pada periode selanjutnya dan mencapai target penerimaan yang lebih Penutup Berdasarkan hasil perbandingan antara dua metode clustering yaitu K-Means dan K-Medoids, algoritma K-Means menunjukkan performa yang lebih baik dengan indeks DBI sebesar 0,344 dibandingkan dengan algoritma K-Medoids dengan indeks DBI sebesar 0,362.
Sehingga dapat ditarik kesimpulan bahwa algoritma K-Means lebih baik dan direkomendasikan untuk digunakan dalam membantu menentukan strategi promosi mahasiswa baru di perguruan tinggi.
Selain itu, dapat disimpulkan bahwa algoritma K-Means lebih baik digunakan untuk klasterisasi dengan distribusi data yang lebih seimbang.
Penentuan strategi promosi dapat dilakukan berdasarkan jumlah peminat di setiap kategori wilayah dari masing-masing cluster yang terbentuk.
Dengan hasil clustering yang lebih baik, memungkinkan perguruan tinggi untuk menargetkan promosi secara lebih efisien kepada kelompok mahasiswa Hal ini dapat dilakukan dengan memfokuskan kegiatan promosi pada daerah-daerah tertentu yang lebih prospektif.
Daerah dengan distribusi peminat lebih tinggi perlu diprioritaskan dalam kaitannya dengan sumber daya yang perlu dipersiapkan.
Strategi komunikasi dan promosi dapat dirancang dengan lebih efektif sesuai dengan preferensi dari kelompok-kelompok mahasiswa.
Penelitian selanjutnya dapat dikembangkan dengan memperdalam analisis strategi pemasaran untuk penerimaan mahasiswa baru di perguruan tinggi.
Selain itu, penerapan algoritma clustering lainnya dapat digunakan untuk memberikan perspektif baru ataupun memberikan hasil clustering yang lebih akurat.
Referensi