Perbandingan Algoritma Data Mining Untuk Penentuan Lokasi Promosi Penerimaan Mahasiswa Baru Pada IIB Darmajaya Lampung

Authors

DOI:

https://doi.org/10.33633/tc.v22i1.7118

Keywords:

Data Mining, Accuracy, Decision Tree, Naïve Bayes, K-Nearest Neighbor

Abstract

Tingkat pesaing perguruan tinggi setiap tahunnya mengalami peningkatan yang sangat pesat. Dalam proses mendapatkan mahasiswa baru setiap perguruan tinggi memiliki strategi promosi yang berbeda-beda, seiring perkembangan teknologi maka pihak perguruan tinggi dapat memanfaatkan data mining dalam upaya promosi. Data mining dapat menjadi sebuah dasar atau pedoman untuk menentukan kebijakan  bisnis dalam upaya peningkatan pesaing bisnis perusahaan. Dalam upaya penghematan biaya promosi maka dilakukan pemetaan lokasi promosi. Penelitian ini membandingkan tiga alogoritma klasifikasi agar mendapatkan nilai akurasi yang tinggi sehingga informasi yang dihasilkan lebih akurat. Pemetaan lokasi promosi menggunakan algoritma klasifikasi yaitu, decision tree, naïve bayes, dan k-nearest nighbour. Data set yang digunakan berjumlah 1281 record, dan menggunakan variabel, nama, total, alumni, luar kota, dan asal sekolah, denganlabel yaitu, sangat potensi, potensi, dan kurang potensi. Hasil klasifikasi dapat digunakan pihak pemasaran untuk menentukan lokasi promosi pada tahun yang akan datang. Berdasarkan hasil evaluasi crosss validation dari ketiga alogoritma tersebut maka alogoritma yang memiliki nilai akurasi tertinggi yaitu decision tree sebesar 100%, selanjutnya adalah algoritma k-nearest nighbour sebesar 99,61%, dan yang terakhir algoritma naïve bayes hanya 84,78%.

References

DAFTAR PUSTAKA

A. Saifudin, “Metode Data Mining Untuk Seleksi Calon Mahasiswa,” vol. 10, no. 1, pp. 25–36, 2018.

T. T. Chasanah and Widiyono, “Penentuan Strategi Promosi Penerimaan Mahasiswa Baru Dengan Algoritma Clustering K-Means,” IC-Tech, vol. 12, no. 1, pp. 39–44, 2017.

H. Kurniawan and J. S. Informasi, “Aplikasi Datamining Untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Apriori Di Ibi Darmajaya Bandar Lampung,” J. Teknol. Inf. Magister Darmajaya, vol. 2, no. 01, pp. 79–93, 2016.

A. P. Ayudhitama and U. Pujianto, “Analisa 4 Algoritma Dalam Klasifikasi Penyakit Liver Menggunakan,” J. Inform. Polinema, vol. 6, pp. 1–9, 2020.

R. Budiman and R. Anto, “Penerapan Data Mining Untuk Menentukan Lokasi Promosi Penerimaan Mahasiswa Baru Pada Universitas Banten Jaya (Metode K-Means Clustering),” ProTekInfo(Pengembangan Ris. dan Obs. Tek. Inform., vol. 6, no. 1, p. 6, 2019, doi: 10.30656/protekinfo.v6i1.1691.

H. Said, N. H. Matondang, and H. N. Irmanda, “Penerapan Algoritma K-Nearest Neighbor Untuk Memprediksi Kualitas Air Yang Dapat Dikonsumsi,” Techno.Com, vol. 21, no. 2, pp. 256–267, 2022, doi: 10.33633/tc.v21i2.5901.

A. Y. Saputra and Y. Primadasa, “Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” Techno.Com, vol. 17, no. 4, pp. 395–403, 2018, doi: 10.33633/tc.v17i4.1864.

N. Sagala and H. Tampubolon, “Komparasi Kinerja Algoritma Data Mining pada Dataset Konsumsi Alkohol Siswa,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 2, p. 98, 2018, doi: 10.23917/khif.v4i2.7061.

D. Sartika and D. Indra, “Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian,” J. Tek. Inform. Dan Sist. Inf., vol. 1, no. 2, pp. 151–161, 2017.

E. Ismanto and M. Novalia, “Komparasi Kinerja Algoritma C4.5, Random Forest, dan Gradient Boosting untuk Klasifikasi Komoditas,” Techno.Com, vol. 20, no. 3, pp. 400–410, 2021, doi: 10.33633/tc.v20i3.4576.

C. A. Sugianto, F. R. Maulana, and D. Mining, “Algoritma Naïve Bayes Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai ( Studi Kasus Kelurahan Utama ),” vol. 18, no. 4, pp. 321–331, 2019.

Downloads

Published

2024-06-21