SEGMENTASI CALON MAHASISWA BARU BERDASARKAN KARAKTERISTIK PENDAFTARAN MENGGUNAKAN ALGORITMA K-MEANS UNTUK MENDUKUNG STRATEGI PROMOSI PERGURUAN TINGGI
DOI:
https://doi.org/10.54314/jssr.v9i2.7032Keywords:
PMB, K-Means Clustering, Metode Elbow, WCSS, Segmentasi, Strategi PromosiAbstract
Abstract: The Tanjung Tiram Religious Affairs Office (KUA) plays a crucial role in providing marriage registration services to the public. The increasing number of marriages each period requires the KUA to optimally prepare its resources and services. This study aims to predict the monthly number of marriages at the KUA using the Single Exponential Smoothing (SES) method as an effort to improve service quality and readiness. The data used in this study comprise 68 monthly data sets obtained from the KUA. The SES method is applied by determining the smoothing parameter (a) and performing forecasting calculations in stages until a prediction for the next period is obtained. The accuracy of the forecasting results is evaluated using the Mean Absolute Percentage Error (MAPE) method. The results show that the Single Exponential Smoothing method is capable of producing fairly accurate predictions of the number of marriages and can be used as a basis for service planning at the KUA. With this prediction system, the KUA can prepare human resources, service schedules, and facilities more optimally. The conclusion of this study is that the application of the Single Exponential Smoothing method is effective in helping improve KUA services through better, data-driven planning.
Keyword: PMB; K-Means Clustering; Elbow Method; WCSS; Student Segmentation; Promotion Strategy.
Abstrak: Penerimaan Mahasiswa Baru (PMB) menghasilkan data yang beragam, tetapi pemanfaatannya sebagai dasar penyusunan strategi promosi perguruan tinggi masih belum optimal. Penelitian ini bertujuan melakukan segmentasi calon mahasiswa baru menggunakan algoritma K-Means Clustering untuk mengidentifikasi karakteristik kelompok pendaftar sebagai dasar penyusunan strategi promosi yang lebih tepat sasaran. Data yang digunakan terdiri dari 2.000 data pendaftar dengan atribut jenis kelamin, jurusan, asal sekolah, kabupaten, provinsi, program studi, gelombang, dan jalur pendaftaran. Tahapan penelitian meliputi preprocessing, transformasi data kategorikal menggunakan LabelEncoder, standardisasi menggunakan StandardScaler, serta penerapan K-Means. Penentuan jumlah cluster optimal dilakukan menggunakan Metode Elbow berdasarkan nilai Within Cluster Sum of Squares (WCSS). Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah 4 cluster, dengan distribusi yang relatif seimbang. Karakteristik utama yang membedakan cluster adalah jenis kelamin, jurusan, dan jalur pendaftaran. Hasil segmentasi dapat dimanfaatkan untuk menentukan target promosi, media komunikasi, sekolah sasaran, dan alokasi anggaran secara lebih efektif. Dengan demikian, K-Means Clustering dapat mendukung strategi promosi perguruan tinggi yang lebih terarah dan berbasis data.
Kata kunci: PMB; K-Means Clustering; Metode Elbow; WCSS; Segmentasi; Strategi Promosi.
Downloads
References
Amin, H. (2023). Clustering Analysis of Admission of New Students Using K-Means Clustering and K-Medoids Algorithms To Increase Campus Marketing Potential. Tech-E, 7(1), 43–56. https://doi.org/10.31253/te.v7i1.2264
Aqsa Prima Cahya, Muhammad Asyraf, Yudhistira Nanda Kumala, & Eva Yulia Puspaningrum. (2025). Klasterisasi Mahasiswa Magetan Menggunakan K-Means Untuk Optimasi Strategi Promosi Perguruan Tinggi. Jifosi, 6(1), 22–30. https://doi.org/10.33005/jifosi.v6i1.478
Asril, E., & Siburian, H. (2025). Clustering Mahasiswa Baru Menggunakan K-Means Untuk Perencanaan Teknologi Pembelajaran di Unilak. Jurnal Karya Ilmiah Multidisiplin (JURKIM), 5(2), 135–139. https://doi.org/10.31849/23d8ex68
Ismawati, I. (2019). Kajian Data Mining Profil Siswa Baru Dalam Penentuan Strategi Promosi Dengan Metode Two Step Clustering. Jurnal Ilmiah Teknologi Infomasi Terapan, 5(3), 47–59. https://doi.org/10.33197/jitter.vol5.iss3.2019.302
Prastyabudi, W. A., Alifah, A. N., & Nurdin, A. (2024). Segmenting the Higher Education Market: An Analysis of Admissions Data Using K-Means Clustering. Procedia Computer Science, 234(2023), 96–105. https://doi.org/10.1016/j.procs.2024.02.156
Sartika, D., Iqbal, M., & Sitorus, Z. (2025). Analisis Algoritma Exponensial Smoothing dan K-Means untuk Optimal-isasi Penerimaan Mahasiswa Baru di Universitas Haji Sumatera Utara. Jurnal Multimedia Dan Teknologi Informasi (Jatilima), 7(02), 1–10.
https://journal.cattleyadf.org/index.php/jatilima/article/view/1269
Shadiq, J., Wicaksono, H., Budiarto, R., Salamah, R. N., & Fakhrudin, Z. A. B. (2025). Data-Driven Insights for Higher Education Marketing: Segmenting Applicant Pools Using K-Means Clustering. PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic, 13(2), 151–164. https://doi.org/10.33558/piksel.v13i2.11545
Sigit, R. A., Rio, U., Efrizoni, L., & Ali, E. (2025). Penerapan K-Means Clustering untuk Mengelompokkan Risiko Diabetes Berdasarkan Gaya Hidup dan Kesehatan. Jurnal Teknik Informatika Dan Sistem Informasi, 12(4), 8–18. http://jurnal.mdp.ac.id
Yusuf, D., Sestri, E., & Razi, F. (2024). Pengelompokkan Data Mahasiswa Menggunakan Clustering. JIKA (Jurnal Informatika) Universitas Muhammadiyah Tangerang, 8(4), 484–490.
Zela Napitupulu, Jong Jek Siang, & Andhika Galuh Prabawati. (2025).
Segmentation of Promotion Target Areas Using the K-Means Clustering Algorithm at Universities Segmentasi Wilayah Target Promosi Menggunakan Algortima K-Means Clustering pada Perguruan Tinggi. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(October), 1160–1171. doi: https://doi.org/10.57152/malcom.v5i4.2125
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Andri Nata, Junaidi Junaidi, Maulana Fikri (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
