Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering

Segmentation of New Student Admission Promotion Locations Using RFM and K-Means Clustering

  • Hairani Hairani Universitas Bumigora
  • Dyah Susilowati
  • Indah Puji Lestari Universitas Bumigora
  • Khairan Marzuki Universitas Bumigora
  • Lalu Zazuli Azhar Mardedi Universitas Bumigora
Keywords: Analisis Model RFM, Lokasi Promosi PMB, Metode K-means

Abstract

Persaingan penerimaan mahasiswa baru antar kampus swasta sangat ketat untuk menarik calon mahasiswa sehingga membutuhkan strategi. Strategi Universitas Bumigora adalah mengirimkan tim promosi ke sekolah-sekolah di pulau Lombok maupun pulau sumbawa. Permasalahan pihak panitia Penerimaan Mahasiswa Baru selama ini adalah tidak melakukan segmentasi sekolah yang menjadi skala prioritas untuk dikunjungi agar efektif dan efisien. Tujuan penelitian ini adalah melakukan segmentasi tingkat potensial sekolah sebagai strategi untuk memilih lokasi promosi penerimaan mahasiswa baru Universitas Bumigora menggunakan analisis model RFM dan metode K-means. Tahapan penelitian terdiri dari persiapan data penerimaan mahasiswa baru tahun 2019 dan 2020, pra-pengolahan data, penerapan model Recency (R), Frequency (F), dan Monetary (M)implementasi metode K-means, dan analisa hasil. Hasil penelitian ini adalah terbentuk 3 klaster tingkat potensial sekolah yang dapat dijadikan skala prioritas untuk lokasi promosi penerimaan mahasiswa baru Universitas Bumigora yaitu kurang potensial, potensial, dan sangat potensial. Klaster sangat potensial (C2) terdapat 28 sekolah, klaster potensial (C3) terdapat 90 sekolah, dan klaster kurang potensial (C1) terdapat 152 sekolah.

Downloads

Download data is not yet available.

References

[1] B. Indrawati, “Tantangan dan Peluang Pendidikan Tinggi Dalam Masa dan Pasca Pandemi Covid-19,” Jurnal Kajian Ilmiah, vol. 1, no. 1, pp. 39–48, 2020, doi: 10.31599/jki.v1i1.261.
[2] S. Rony, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik Lp3i Jakarta ),” Jurnal Lentera Ict, vol. 3, no. 1, pp. 76–92, 2016.
[3] R. Gustriansyah, N. Suhandi, and F. Antony, “Clustering optimization in RFM analysis based on k-means,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 18, no. 1, pp. 470–477, 2019, doi: 10.11591/ijeecs.v18.i1.pp470-477.
[4] B. Dash, D. Mishra, A. Rath, and M. Acharya, “A hybridized K-means clustering approach for high dimensional dataset,” International Journal of Engineering, Science and Technology, vol. 2, no. 2, pp. 59–66, 2010, doi: 10.4314/ijest.v2i2.59139.
[5] P. Hall, J. . Marron, and Neeman Amnon, “Geometric representation of high dimension , low sample size data,” Journal Royal Stasrtitical Society, vol. 67, no. 3, pp. 427–444, 2005.
[6] H.-H. Zhao, X.-C. Luo, R. Ma, and X. Lu, “An Extended Regularized K-Means Clustering Approach for High-Dimensional Customer Segmentation With Correlated Variables,” IEEE Access, vol. 9, pp. 48405–48412, 2021, doi: 10.1109/ACCESS.2021.3067499.
[7] Y.-H. Hu and T.-W. Yeh, “Discovering valuable frequent patterns based on RFM analysis without customer identification information,” Knowledge-Based Systems, vol. 61, pp. 76–88, May 2014, doi: 10.1016/j.knosys.2014.02.009.
[8] A. Wibowo and A. R. Handoko, “Segmentasi Pelanggan Ritel Produk Farmasi Obat Menggunakan Metode Data Mining Klasterisasi Dengan Analisis Recency Frequency Monetary (Rfm) Termodifikas,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 3, pp. 573–580, 2020, doi: 10.25126/jtiik.202072925.
[9] B. Basri, W. Gata, and R. Risnandar, “Analisis Loyalitas Pelanggan Berbasis Model Recency, Frequency, dan Monetary (RFM) dan Decision Tree pada PT. Solo,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 7, no. 5, pp. 943–950, Oct. 2020, doi: 10.25126/jtiik.2020752284.
[10] S. Monalisa, P. Nadya, and R. Novita, “Analysis for Customer Lifetime Value Categorization with RFM Model,” in Procedia Computer Science, 2019, vol. 161, pp. 834–840, doi: 10.1016/j.procs.2019.11.190.
[11] S. Monalisa, “Segmentasi Perilaku Pembelian Pelanggan Berdasarkan Model RFM dengan Metode K-Means,” Jurnal Sistem Informasi, vol. 2, no. 1, pp. 9–15, 2018.
[12] F. Hadi, M. Mustakim, D. O. Rahmadia, F. H. Nugraha, N. P. Bulan, and S. Monalisa, “Penerapan K-Means Clustering Berdasarkan RFM Mofek Sebagai Pemetaan dan Pendukung Strategi Pengelolaan Pelanggan (Studi Kasus: PT. Herbal Penawar Alwahidah Indonesia Pekanbaru),” Jurnal Sains dan Teknologi Industri, vol. 15, no. 1, pp. 69–76, 2017.
[13] M. A. S. Putra, S. Monalisa, J. Julhandri, and I. Khoiru, “Penerapan Algoritma Fuzzy C-Means Menggunakan Model Rfm Dalam Klasterisasi Pelanggan Pada Toko Kue Feandra Cake,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 6, no. 1, pp. 64–69, Feb. 2020, doi: 10.24014/rmsi.v6i1.8646.
[14] N. Puspitasari, J. A. Widians, and N. B. Setiawan, “Customer segmentation using bisecting k-means algorithm based on recency, frequency, and monetary (RFM) model,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 2, pp. 78–83, 2020, doi: 10.14710/jtsiskom.8.2.2020.78-83.
[15] J. Jamal and D. Yanto, “Analisis RFM dan Algoritma K-Means untuk Clustering Loyalitas Customer,” Energy, vol. 9, no. 1, pp. 1–8, 2019.
[16] B. E. Adiana, I. Soesanti, and A. E. Permanasari, “Analisis Segmentasi Pelanggan Menggunakan Kombinasi Rfm Model Dan Teknik Clustering,” Jurnal Terapan Teknologi Informasi, vol. 2, no. 1, pp. 23–32, 2018, doi: 10.21460/jutei.2018.21.76.
[17] M. Dachyar, F. M. Esperanca, and R. Nurcahyo, “Loyalty Improvement of Indonesian Local Brand Fashion Customer Based on Customer Lifetime Value (CLV) Segmentation,” in IOP Conference Series: Materials Science and Engineering, Sep. 2019, pp. 1–8, doi: 10.1088/1757-899X/598/1/012116.
[18] R. Budiman and R. Anto, “Penerapan Data Mining Untuk Menentukan Lokasi Promosi Penerimaan Mahasiswa Baru Pada Universitas Banten Jaya (Metode K-Means Clustering),” Jurnal ProTekInfo, vol. 6, no. 1, pp. 6–14, 2019, doi: 10.30656/protekinfo.v6i1.1691.
[19] A. Sucipto, “Klasterisasi Calon Mahasiswa Baru Menggunakan Algoritma K-Means Clasterization,” Jurnal Science Tech, vol. 5, no. 2, pp. 50–56, 2019.
[20] A. Wirta and Erlin, “Implementasi Metode K-Means Cluster Analysis untuk Memilih Strategi Promosi Penerimaan Mahasiswa Baru,” in Seminar Nasional ilmu komputer, 2016, pp. 9–15.
[21] I. Mahmud, A. D. Indriyanti, and I. Lazulfa, “Penerapan Algoritma K-Means Clustering Sebagai Strategi Promosi Penerimaan Mahasiswa Baru Pada Universitas Hasyim Asy’ari Jombang,” Inovate, vol. 4, no. 2, pp. 20–27, 2020.
[22] M. Tonggiroh and M. T. Jufri, “Data Mining Strategi Promosi Pada Universitas Yapis Papua Menggunakan Algortima K-Means Clustering,” in Seminar Nasional Teknologi Informasi Dan Komunikasi (SEMNASTIK) X, 2018, vol. 8, pp. 587–594.
[23] S. H. Shihab, S. Afroge, and S. Z. Mishu, “RFM Based Market Segmentation Approach Using Advanced K-means and Agglomerative Clustering: A Comparative Study,” in 2nd International Conference on Electrical, Computer and Communication Engineering, ECCE 2019, 2019, pp. 1–4, doi: 10.1109/ECACE.2019.8679376.
[24] G. S. Nugraha, H. Hairani, and R. F. P. Ardi, “Aplikasi Pemetaan Kualitas Pendidikan Di Indonesia Menggunakan Metode K-Means,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 17, no. 2, pp. 13–23, 2018.
Published
2022-03-31
How to Cite
Hairani, H., Susilowati, D., Puji Lestari, I., Marzuki, K., & Mardedi, L. Z. (2022). Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(2), 275-282. https://doi.org/https://doi.org/10.30812/matrik.v21i2.1542
Section
Articles

Most read articles by the same author(s)

1 2 > >>