Clustering Analysis of Admission of New Students Using K-Means Clustering and K-Medoids Algorithms to Increase Campus Marketing Potential

Abstrak

Penerimaan siswa baru merupakan kegiatan yang sangat penting bagi sebuah sekolah menengah atau universitas. Data penerimaan belum dimanfaatkan kampus dalam pengambilan keputusan strategis, potensi pemasaran, dan pertimbangan undangan melalui jalur penerimaan akademik. Maka, untuk membantu dalam pengolahan data penerimaan siswa baru, pada penelitian ini dilakukan perancangan dan analisis data penerimaan siswa baru dengan menggunakan tahapan dalam data mining. Pendekatan metode clustering dapat diterapkan dalam menganalisis potensi tingkat kualitas PMB yang dihasilkan dengan memanfaatkan dataset rekaman PMB periode 2023. 86 rekaman data. Model algoritma K-Means dan K-Medoids yang diterapkan memiliki hasil yang menunjukkan wawasan baru yaitu pengelompokan berdasarkan 2 cluster, cluster 1 (C0) merupakan kategori lolos sedangkan cluster 2 (C1) belum ditentukan. Hasil algoritma K-Medoids yang cluster 1 (C0) hasil 60, cluster 2 (C1) 26 hasil merupakan potensi lolos 60 dan belum ditentukan 26 data yang diuji 86 sedangkan hasil K -Berarti algoritma cluster 1 (C0) 40 , cluster 2 ( C1 ) 46 merupakan pass potensial yang terdiri dari 40 dan 46 data yang belum ditentukan dari 86 dataset yang diuji. Pengujian menggunakan aplikasi RapidMiner Studio juga dapat menghasilkan insight serupa yaitu setiap cluster memiliki hasil Davies Bouldin Index atau DBI dari masing-masing algoritma K-Means dan K-Medoids. K-Means memiliki hasil Davies Bouldin Index sebesar -0,533 sedangkan K-Medoids memiliki hasil Davies Bouldin Index sebesar -0,877