ALGORITHMA K-MEANS CLUSTERING STRATEGI PEMASARAN PENERIMAAN MAHASISSWA BARU UNIVERSITAS SATYA NEGARA INDONDESIA [ALGORITHMA K-MEANS CLUSTERING STRATEGY MARKETING ADMISSION UNIVERSITAS SATYA NEGARA INDONESIA]

Riama Sibarani, Chafid Chafid

Abstract


K-Means merupakan salah satu metode pengelompokan data non-hirarki yang berusaha mempartisi data yang ada kedalam bentuk dua atau lebih kelompok. Metode ini mempartisi data yang ada ke dalam kelompok sehingga data berkarakteristik sama dimasukan kedalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokan kedalam kelompok yang lain. Penelitian ini bertujuan untuk menghasilkan suatu analisa yang dapat mengcluster atau mengelompokan data mahasiswa wisudawan tahun 2016 dan 2017 untuk membuat promosi menjadi lebih tertarget dan tepat sasaran. Penelitian ini mengklaster data mahasiswa lulusan dengan atribut alamat, jurusan dan IPK kedalam tiga Cluster berdasarkan jarak (Euclidean). Data yang diolah adalah data wisudawan tahun 2016-2017. Penelitian ini mengolah data populasi. Proses pengolahan data menggunakan software SPSS 21 IBM.  Proses pengklasteran sebanyak 17 iterasi dengan jarak minimul antar cluster adalah 6,47. Nilai signifikansi menunjukkan terdapat perbedaanyang berarti antara cluster1, cluster  dan cluster 3 yang berhubungan dengan atribut-atribut pada penelitian. Hasil Cluster menunjukkan bahwa alamat (daerah) mahasiswa  berasal dari Jakarta Selatan, Tangerang dan Jakarta Barat untuk jurusan Teknik  Informatika, Sistem Informasi, Akutansi, Manajamen. Jurusan Teknik Lingkungan, Manajeman berasal dari beberapa daerah dan tidak mengelompok. Jurusan PSP dan BDP berasal  dari Jawa, Sumater dan daerah lain. IPK> 3,00 berasal dari Jakarta Selatan. 


Full Text:

PDF

Article Metrics

Abstract views : 118| PDF views : 0

References


Agusta, Y. 2007. K-means - Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika Vol. 3 (Februari 2007): 47-60.

Hidayat, T., dan Istiadah, N. 2011 . Panduan Lengkap Menguasai SPSS 19 untuk Mengolah Data Statistik Penelitian. Jakarta: Media Kita.

Hair, J.F. Jr. Anderson, R.E. Tatham, R.L., dan Black W. C. (1992). Multivariate Data Analysis, Fifth edition. New Jersey: Prentice Hall.

Lattin, J., carrol, D., dan green, P. (2003). Analying Multivariate Data. United State of America: Thomson Learning

Myamoto, S and Agusta, Y (1995). Agorithm of Hard C-Means Clastein using KernelFunnction inSupport Vectro machines, Journal of Advnced Computational Intellingence and Inttelingent Informatics, vol 7. No. 1 pp 25-30

Tahta Alfina, dkk: Analisa Perbandingan Metode HierarchicalClustering, K-means dan Gabungan Keduanyadalam Cluster Data(Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS), JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271, JurusanTeknik Industri ITS)

Santoso, S. 2010. Statistik Multivariat. Jakarta: Elex Media Komputindo.

Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis.

Yogyakarta: Graha Ilmu.

Supranto, J. M.A. 2000. Statistik: Teori dan Aplikasi Edisi Keenam. Jakarta: Erlangga




DOI: http://dx.doi.org/10.25105/semnas.v0i0.3512

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License. Seminar Nasonal Cendekiawan, Lembaga Penelitian, Universitas Trisakti University @2017. All right reserved.