Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering
DOI:
https://doi.org/10.30812/matrik.v21i2.1542Keywords:
Analisis Model RFM, Lokasi Promosi PMB, Metode K-meansAbstract
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.
[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.
Downloads
Published
2022-03-31
Issue
Section
Articles
How to Cite
[1]
D. Susilowati, H. Hairani, I. Puji Lestari, K. Marzuki, and L. Z. A. Mardedi, “Segmentasi Lokasi Promosi Penerimaan Mahasiswa Baru Menggunakan Metode RFM dan K-Means Clustering”, MATRIK, vol. 21, no. 2, pp. 275–282, Mar. 2022, doi: 10.30812/matrik.v21i2.1542.
Similar Articles
- Perani Rosyani, Saprudin Saprudin, Deteksi Citra Bunga Menggunakan Analisis Segmentasi Fuzzy C-Means dan Otsu Threshold , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 1 (2020)
- Rizky Muliani Dwi Ujianti, Mega Novita, Iffah Muflihati, Pemetaan Dimensi Ketahanan Pangan berbasis Web GIS dan Metode TOPSIS , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 3 (2022)
- Dinny Komalasari, Maria Ulfa, Pengujian Usability Heuristic Terhadap Perangkat Lunak Pembelajaran Matematika , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Cindy Ameilia Suhendra, Marsani Asfi, Widya Jati Lestari, Ilwan Syafrinal, Sistem Peramalan Persediaan Sparepart Menggunakan Metode Weight Moving Average dan Reorder Point , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 2 (2021)
- M. Khairul Anam, Bunga Nanti Pikir, Muhammad Bambang Firdaus, Susi Erlinda, Agustin Agustin, Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen dan Pemeritah , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Ismarmiaty Ismarmiaty, ANALISIS MODEL PENERIMAAN DAN PENGGUNAAN SISTEM INFORMASI WEBSITE PADAMU NEGERI OLEH PENGGUNA MENGGUNAKAN MODEL UNIFIED THEORY OF ACCEPTANCE AND USE OF TECHNOLOGY (UTAUT) , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 16 No. 1 (2016)
- Lalu Ganda Rady Putra, Anthony Anggrawan, Pengelompokan Penerima Bantuan Sosial Masyarakat dengan Metode K-Means , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Ahmat Adil, Perancangan Spasial Pengembangan Potensi Produk Kerajinan berbasis Pemukiman di Taman Nasional Komodo , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 18 No. 1 (2018)
- Pardomuan Robinson Sihombing, Istiqomatul Fajriyah Yuliati, Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 2 (2021)
- Ika Safitri Windiarti, Miftahurrizqi Miftahurrizqi, Agung Prabowo, Pengaruh Penggunaan Media Sosial pada Penggunaan Pembelajaran berbasis Mobile SI-BAJAKAH , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 2 (2022)
You may also start an advanced similarity search for this article.
Most read articles by the same author(s)
- Khairul Imtihan, Muhamad Rodi, Maulana Ashari, Mohamad Taufan Asri Zaen, Khairan Marzuki, Audit Tata Kelola Teknologi Informasi Menggunakan Framework Cobit 4.1 , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 2 (2022)
- Muhamad Azwar, Sri Winarni Sofya, Riwayati Malika, Hairani Hairani, Juvinal Ximenes Guterres, Combination Forward Chaining and Certainty Factor Methods for Selecting the Best Herbs to Support Independent Health , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 2 (2025)
- Helna Wardhana, I Made Yadi Dharma, Khairan Marzuki, Ibjan Syarif Hidayatullah, Implementation of Neural Machine Translation in Translating from Indonesian to Sasak Language , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 2 (2024)
- Putu Tisna Putra, Anthony Anggrawan, Hairani Hairani, Comparison of Machine Learning Methods for Classifying User Satisfaction Opinions of the PeduliLindungi Application , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Donny Kurniawan, Anthony Anggrawan, Hairani Hairani, Graduation Prediction System on Students Using C4.5 Algorithm , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Dadang Priyanto, Bambang Krismono Triwijoyo, Deny Jollyta, Hairani Hairani, Ni Gusti Ayu Dasriani, Data Mining Earthquake Prediction with Multivariate Adaptive Regression Splines and Peak Ground Acceleration , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- I Putu Hariyadi, Khairan Marzuki, Implementation of Configuration Management Virtual Private Server Using Ansible , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Jusmita Weriza, Ismail Husein, Noranizamardia Noranizamardia, M Fakhariza, Khairan Marzuki, Development of OnlineWeb-Based New Student Graduation Application in Junior High School , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 3 (2022)
- Lalu Zazuli Azhar Mardedi, Khairan Marzuki, Rancang Bangun Jaringan Komputer LAN Berdasarkan Perbandingan Kinerja Routing Protokol EIGRP dan Routing Protokol OSPF , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 18 No. 2 (2019)
- Gibran Satya Nugraha, Hairani Hairani, Aplikasi Pemetaan Kualitas Pendidikan di Indonesia Menggunakan Metode K-Means , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 17 No. 2 (2018)
.png)
