PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN DATA MAHASISWA BARU

Abstract

Penelitian ini mengeksplorasi metode pengelompokan calon mahasiswa baru berdasarkan preferensi program studi menggunakan algoritma K-Means Clustering. Aplikasi RapidMiner digunakan sebagai platform untuk menjalankan proses pengelompokan, memanfaatkan Davies Bouldin Index sebagai parameter evaluasi kualitas klaster. Dari hasil penelitian, didapatkan pemahaman mendalam mengenai pola pengelompokan calon mahasiswa baru. Metode K-Means Clustering menghasilkan dua klaster optimal, ditandai dengan nilai Davies Bouldin Index terendah sebesar -0.278. Penemuan ini memberikan pandangan strategis dalam perancangan kebijakan penerimaan mahasiswa baru dan membantu meningkatkan efisiensi dalam proses seleksi. Dengan adanya informasi ini, perguruan tinggi dapat mengoptimalkan strategi promosi untuk menarik calon mahasiswa sesuai dengan preferensi program studi, meningkatkan kualitas penerimaan, dan mendukung keputusan berbasis data untuk perbaikan kebijakan penerimaan di masa depan.