SEGMENTASI WILAYAH POTENSIAL TARGET PROMOSI CALON MAHASISWA BARU MENGGUNAKAN METODE K-MEANS CLUSTERING STUDI KASUS: ADMISI & PROMOSI UNIVERSITAS KRISTEN DUTA WACANA

ZELA POIEMA CHRISTY MANTOHANA NAPITUPULU (2025) SEGMENTASI WILAYAH POTENSIAL TARGET PROMOSI CALON MAHASISWA BARU MENGGUNAKAN METODE K-MEANS CLUSTERING STUDI KASUS: ADMISI & PROMOSI UNIVERSITAS KRISTEN DUTA WACANA. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informasi) 72210501_bab1_bab5_daftarpustaka.pdf Download (9MB)
	Text (Skripsi Informasi) 72210501_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Unit Admisi dan Promosi Universitas Kristen Duta Wacana (UKDW) rutin melaksanakan penerimaan mahasiswa baru dan berupaya melakukan berbagai strategi promosi. Namun, dalam penentuan lokasi dan sekolah yang menjadi prioritas promosi, unit ini belum memanfaatkan analisis data mengenai potensi pendaftaran. Hal ini dapat mengakibatkan ketidaktepatan dalam menjangkau lokasi dan sekolah-sekolah yang sebenarnya memiliki potensi pendaftaran yang tinggi. Dibangun sebuah sistem segmentasi sasaran marketing yang potensial dengan metode K-Means Clustering untuk mengatasi masalah tersebut. Sistem ini akan menggunakan data yang diperoleh dari Unit Puspindika UKDW dalam bentuk berkas Excel, yang berisi field seperti no_daftar, tahun, tgl_daftar, pilihan1, pilihan2, kelamin, nama_sekolah, kota_sek, kab_sek, prop_sek, terima, nim, dan batal. Data ini akan diolah untuk menghasilkan data bersih, kemudian dilanjutkan dengan pembobotan dan perhitungan berdasarkan kriteria tertentu untuk menilai potensi masing-masing sekolah dan program studi. Setelah diperoleh skor akhir untuk setiap sekolah, sistem melakukan normalisasi terhadap skor tersebut sebelum diterapkan algoritma K-Means. Skor normalisasi juga digunakan untuk menentukan jumlah cluster optimal mengunakan metode silhouette coefficient. Jumlah cluster optimal ini menjadi rekomendasi jumlah cluster yang akan diinputkan user. Proses clustering dilakukan pada tiga level, yaitu level sekolah, kota, dan provinsi. Algoritma K-Means bekerja secara iteratif, dimulai dengan inisialisasi centroid awal, pengelompokan data berdasarkan jarak Euclidean terdekat, dan pembaruan centroid hingga mencapai konvergensi. Proses ini dilakukan secara otomatis oleh fungsi KMeans dari pustaka scikit-learn, yang mengembalikan hasil akhir berupa nilai centroid dan label cluster untuk setiap entitas yang diklaster. Sistem segmentasi potensi sasaran marketing telah berhasil dibangun. Sistem ini mengelompokkan sekolah, kota, dan provinsi berdasarkan potensi pendaftar. Hasil luaran sistem dibandingkan dengan hasil wawancara lokasi promosi yang telah dilakukan. Hasilnya menunjukkan dari 125 sekolah yang sudah dilakukan promosi, ada 48 sekolah yang sesuai dengan hasil sistem(sekolah potensial dan cukup potensial). Sistem menghasilkan 109 sekolah baik potensial dan cukup potensial. 109 sekolah yang dianggap potensial dan cukup potensial oleh sistem, 44,04% yang sudah dijangkau untuk promosi

Actions (login required)

View Item