Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017 978-602-18168-2-0

Makassar, 20 November 2017

Analisis Data Atribut Mahasiswa untuk Menentukan Strategi Promosi

Kampus Menggunakan Metode Data Mining
Pulung Hendro Prastyo1), Zawiyah Saharuna2), Ibrahim Abduh3)
1,2,3
Jurusan Teknik Elektro, 1,2,3 Politeknik Negeri Ujung Pandang
Email: pulung.hendro@gmail.com, 2 zawiyah@poliupg.ac.id, 3 ibrahimabduh@poliupg.ac.id
1

Abstract

Data calon mahasiswa baru atau peminat merupakan data yang setiap tahunnya terus bertambah. Data
tersebut dapat dikelola agar mendapatkan pola atau informasi penting sebagai rujukan institusi untuk
mengambil sebuah keputusan, salah satunya untuk menentukan strategi promosi. Penentuan strategi promosi
yang tepat dapat meningkatkan daya saing dan pemerataan mahasiswa di setiap daerah. Pemerataan tersebut
merupakan salah satu poin penting akreditasi program studi maupun institusi. Saat ini, promosi yang dilakukan
oleh tim promosi Politeknik Negeri Ujung Pandang (PNUP) sangat terbatas karena dipengaruhi oleh
keterbatasan dana sehingga tidak semua daerah dapat dijangkau. Oleh karena itu, penelitian ini bertujuan
untuk menentukan strategi promosi yang efektif dan efisien sehingga informasi promosi dapat tersebar di setiap
daerah. Pada penelitian ini, data yang digunakan adalah data peminat PNUP yang terdiri dari 12.850 data
dengan menggunakan tiga atribut, yaitu jenis kelamin, program studi, dan daerah asal. Teknik Analisis data
menggunakan metode data mining dengan teknik clustering menggunakan algoritma K-means dan tools yang
digunakan yaitu Matlab. Berdasarkan hasil penelitian ini, ditemukan pola atau informasi baru pada data
peminat. Data peminat terbentuk tiga klaster, yaitu klaster peminat banyak, sedang, dan sedikit. Dari hasil
klaster tersebut, terbentuk strategi promosi yang dapat menjadi rujukan tim promosi PNUP untuk melakukan
promosi yang lebih efektif dan efisien.

Keywords: Data mining, K-means, Matlab, Promosi, PNUP

I. PENDAHULUAN
Politeknik Negeri Ujung Pandang (PNUP)
merupakan salah satu Perguruan Tinggi Negeri
yang berada di Kota Makassar. Setiap tahun
PNUP membuka pendaftaran mahasiswa baru
dan mencetak alumni baru sehingga
mengumpulkan banyak data. Pada data yang
berlimpah tersebut terdapat informasi
tersembunyi yang dapat diketahui dengan cara
melakukan pengolahan data. Informasi
tersebut dapat digunakan sebagai rujukan
institusi untuk mengambil kebijakan-kebijakan
penting.
Berdasarkan hasil wawancara dengan
Pembantu Direktur IV Politeknik Negeri
Ujung Pandang, diketahui bahwa belum ada
penelitian yang menggunakan data mahasiswa
untuk mengelola data agar mendapatkan pola
atau informasi penting untuk melakukan
strategi promosi, padahal promosi sangat
penting dalam meningkatkan daya saing dan
pemerataan mahasiswa di setiap daerah.
Pemerataan mahasiswa di setiap daerah
merupakan salah satu poin penting akreditasi
program studi maupun institusi. Promosi yang
dilakukan oleh tim promosi PNUP sangat
terbatas karena dipengaruhi oleh keterbatasan
dana sehingga tidak semua daerah dapat
dijangkau. Selain itu, diperkuat dari hasil
penelitian sebelumnya, ternyata ada prodi
yang cenderung sepi peminat[1]. Ini disebabkan
promosi yang dilakukan belum efektif dan
efisien. Oleh karena itu, pengolahan data
mahasiswa perlu dilakukan untuk mengetahui
informasi penting berupa pengetahuan baru
dengan menggunakan metode data mining.
Data mining merupakan serangkaian
proses untuk menggali nilai tambah berupa
informasi yang selama ini tidak diketahui
secara manual dari suatu basis data dengan
melakukan penggalian pola-pola dari data
dengan tujuan untuk memanipulasi data
menjadi informasi yang lebih berharga[2]. Pada
penelitian ini, untuk mencari pola atau
informasi penting dalam melakukan strategi
promosi, penulis menggunakan metode data
mining dengan teknik clustering menggunakan
algoritma K-means.
K-means merupakan suatu algoritma
pengklasteran yang cukup sederhana yang
mempartisi dataset kedalam beberapa klaster
k. Algoritmanya cukup mudah untuk
diimplementasi dan dijalankan, relatif cepat,
mudah disesuaikan dan banyak digunakan[3].
Pada pencarian pola, penulis menggunakan
beberapa atribut penting, seperti jenis kelamin,
program studi, daerah asal, dan Index Prestasi
Kumulatif (IPK). Atribut tersebut digunakan

81
Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017
Makassar, 20 November 2017
untuk mencari pola penyebaran wilayah
berdasarkan program studi dan tingkat prestasi
mahasiswa.
Oleh karena itu, dengan menggunakan
metode data mining dengan algoritma K-
means berdasarkan atribut yang telah
ditentukan, maka penulis berharap dapat
menemukan pola atau informasi penting yang
dapat menjadi rujukan institusi untuk
menentukan strategi promosi yang lebih
efektif dan efisien.
II. METODE PENELITIAN
Metode penelitian pada jurnal ini terdiri
dari:
A. Teknik Pengumpulan Data
1) Wawancara
Metode wawancara adalah diskusi
langsung dengan pihak yang bersangkutan
yakni Pembantu Direktur IV PNUP untuk
mengetahui objek penelitian dan masalah yang
terjadi secara spesifik. Wawancara dilakukan
pada tanggal 8 November 2016.
2) Observasi
Metode Observasi merupakan suatu
metode pengambilan data dengan cara
mengamati langsung tempat dan objek yang
akan diteliti. Dalam penelitian ini yang
menjadi objek penelitian yaitu Politeknik
Negeri Ujung Pandang. Pengambilan data
dilakukan pada tanggal 10 November 2016
dan melakukan pembaharuan data pada
tanggal 23 Maret 2017.
3) Studi Literatur
Studi ini dimaksudkan untuk
mengumpalkan dan memperoleh data yang
tepat untuk penelitian dengan cara
mempelajari, membaca, dan mencatat literatur
dari beberapa buku maupun jurnal yang
berkaitan dengan permasalahan di atas.
B. Teknik Analisis Data
Pada tahap ini penulis menggunakan Proses
Knowledge Discovery in Databases (KDD)[4].
Proses tersebut dapat terdiri dari:
1) Data Selection
Pada tahap ini penulis mengambil profil
data peminat dari pihak Akademik PNUP.
Data peminat memiliki data sebanyak 12.873
data, mulai tahun 2014 sampai 2016.
Pada penelitian ini, dipilih beberapa atribut
sesuai dengan kebutuhan penelitian. Dari 32
dipilih tiga atribut penting sebagai bahan
penelitian ,yaitu prodi pilihan pertama, daerah
asal, dan jenis kelamin.
978-602-18168-2-0
2) Pre-processing
Sebelum proses clustering dilakukan,
diperlukan pre-processing terlebih dahulu
dengan cara menghapus data yang hilang,
missing, atau duplikat pada atribut penting.
Dari hasil pre-processing didapatkan jumlah
data sebanyak 12.850
3) Transformation
Data yang berjenis nominal, seperti daerah
asal, prodi, dan jenis kelamin harus dilakukan
proses inisialisasi data terlebih dahulu ke
dalam bentuk angka/numerikal. Data diurutkan
berdasarkan frekuensinya, frekuensi terbesar
diberi inisialisasi angka 1, frekuensi terbesar
ke-2 diberi angka 2 dan begitupun seterusnya.
Adapun contoh inisialisasi daerah asal dapat
dilihat pada Tabel 1.
Tabel 1 Contoh Inisialisasi Daerah Asal
4) Data Mining Menggunakan Algoritma
K-Means
Pada penelitian ini, penulis menggunakan
teknik clustering dengan algoritma K-means .
Tools yang digunakan untuk melakukan
analisis adalah Matlab.
Berikut langkah-langkah algoritma K-
means[5]:
a) Menentukan k sebagai jumlah kluster yang
ingin di bentuk. Nilai K yang digunakan
adalah 3.
b) Membangkitkan nilai random untuk pusat
klaster awal (centroid) sebanyak k.
c) Menghitung jarak setiap data input
terhadap masing-masing centroid
menggunakan rumus jarak Euclidean
(Euclidean Distance) hingga ditemukan
jarak yang paling dekat dari setiap data
dengan centroid.
Berikut adalah persamaan Euclidian
82
Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017 978-602-18168-2-0
Makassar, 20 November 2017

Distance: Adapun data centroid pada setiap klaster

( ) √∑( ) dapat di lihat pada Tabel 3. Data centroid
Dimana : merupakan nilai tengah pada setiap klaster.
xi : data krateria, Tabel 3 Data Centroid pada Setiap Klaster
μj : centroid pada cluster ke-j Tabel Centroid
d) Mengklasifikasikan setiap data berdasarkan Jenis
Centroid Kota Prodi
kedekatannya dengan centroid (jarak Kelamin (JK)
terkecil). Centroid 1 1.438 19.797 6.127
e) Memperbaharui nilai centroid. Nilai Centroid 2 1.332 3.468 13.538
Centroid 3 1.539 2.975 3.641
centroid baru di peroleh dari rata-rata
Pada Tabel 4 menunjukkan jumlah setiap
klaster yang bersangkutan dengan
klaster, klaster ke-1 merupakan klaster yang
menggunakan rumus:
memiliki jumlah data paling sedikit, kemudian
( ) ∑ diikuti oleh klaster ke-2, sedangkan klaster ke-
Dimana: 3 merupakan klaster yang memiliki jumlah
μj(t+1) : centroid baru pada iterasi ke (t data yang lebih banyak dibandingkan dengan
+1) klaster ke-1 dan ke-2.
Nsj : banyak data pada cluster Sj. Tabel 4 Jumlah Data Setiap Klaster
f) Melakukan perulangan dari langkah ke-2 Jumlah Data Setiap Jenis Kelamin
hingga ke-5 sampai anggota tiap klaster Klaster Laki-laki Perempuan
tidak ada yang berubah. Klaster ke-1 2375 1341 1034
g) Jika langkah ke-6 telah terpenuhi, maka Klaster ke-2 3327 2221 1106
Klaster ke-3 7148 3284 3864
nilai pusat klaster (μj) pada iterasi terakhir Total 12850 6846 6004
akan digunakan sebagai parameter untuk Pada Tabel 5 merupakan data klaster ke-1
menentukan klasifikasi data. berdasarkan daerah asal. Klaster ke-1
5) Interpretation/Evalution merupakan klaster yang memiliki jumlah
Pada tahap ini penulis menentukan strategi peminat yang paling sedikit. Daerah asal yang
promosi dari hasil clustering yang telah peminatnya paling sedikit, yaitu Kab.
dilakukan. Srategi promosi tersebut sesuai Mamuju Utara, Kab. Mamuju Tengah, dan
dengan kebutuhan kampus dari hasil Kab. Selayar dengan persentase masing-
wawancara dan observasi. Tahap ini akan masing sebesar 0.42%, 0.54%, dan 1.13%.
dijelaskan secara terperinci Hasil dan
Tabel 5 Data Klaster ke-1 Berdasarkan Daerah Asal
Pembahasan.

III. HASIL DAN PEMBAHASAN

Setelah melakukan proses Knowledge
Discovery in Databases (KDD), ditemukan
pola atau informasi baru, yaitu terbentuknya
tiga klaster dari data peminat, Seperti pada
Tabel 2.
Tabel 2 Hasil Clustering

Pada Tabel 6 merupakan data daerah asal

klaster ke-2. Klaster ke-2 merupakan klaster
yang memiliki jumlah peminat. Daerah asal
yang peminatnya paling sedikit, yaitu Kota
Pare-pare, Kabupaten Luwu, dan Kota
Palopo dengan persentase masing-masing
sebesar 0.06 %, 0.21%, dan 0.30%.

83
Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017 978-602-18168-2-0
Makassar, 20 November 2017

Tabel 6 Data Klaster ke-2 Berdasarkan Daerah Asal Tabel 8 Data Klaster ke-1 Berdasarkan Program Studi

No Kota Jumlah %
1 Kota Makasar 1707 51.29
2 Kab. Enrekang 287 8.62
3 Kab. Bone 180 5.41
4 Kab. Pinrang 180 5.41
5 Kab. Maros 152 4.57
6 Kab. Wajo 149 4.48
7 Kab. Pangkajene Kepulauan 134 4.03
8 Kab. Gowa 128 3.85
9 Kab. Tana Toraja 119 3.58
10 Kab Luwu Timur 88 2.64
11 Kab. Toraja Utara 85 2.55
12 Kab. Sidenreng Rappang 69 2.07
13 Kab. Soppeng 30 0.90
14 Kota Palopo 10 0.30
15 Kab. Luwu 7 0.21
16 Kota Pare Pare 2 0.06
Total 3327 99.97

Pada Tabel 7 merupakan data daerah asal

klaster ke-3. Klaster ke-3 merupakan klaster
yang memiliki jumlah peminat terbanyak.
Dapat disimpulkan bahwa pada klaster ini Pada Tabel 9 merupakan data program
setiap daerah asal berdasarkan program studi studi klaster ke-2. Pada klaster ke-2 terdapat
yang mengikutinya memiliki jumlah peminat 13 program studi. Program Studi D4 Teknik
yang banyak. Tentunya sebagai Ibu Kota Mesin, D3 Teknik Telekomunikasi, dan D3
Sulawesi Selatan, Kota Makassar Administrasi Bisnis merupakan program
mendominasi jumlah peminat pada klaster ini studi peringkat tiga teratas dengan persentase
dengan persentase 55.04%. Promosi yang baik masing-masing sebesar 13. 43%, 11.51%, dan
telah dilakukan pada klaster ini. Tentunya 10.12%, sedangkan Program Studi D3
institusi perlu mempertahankan tren ini dengan Teknik Konversi Energi, D4 Teknik
melakukan strategi promosi yang efektif dan Mekatronika, dan D3 Teknik Konstruksi
efisien. Strategi promosi pada klaster ini pasti Gedung merupakan tiga prodi peringkat
berbeda dengan klaster ke-1 maupun klaster terbawah dengan persentase masing-masing
ke-2. sebesar 4.11%, 3.69%, dan 2.97%.
Tabel 7 Data Klaster ke-3 Berdasarkan Daerah Asal
Tabel 9 Data Klaster ke-2 Berdasarkan Program Studi
No Kota Jumlah %
1 Kota Makasar 3934 55.04
2 Kab. Enrekang 682 9.54
3 Kab. Bone 380 5.32
4 Kab. Pinrang 361 5.05
5 Kab. Wajo 357 4.99
6 Kab. Maros 320 4.48
7 Kab. Pangkajene Kepulauan 274 3.83
8 Kab. Gowa 238 3.33
9 Kab Luwu Timur 210 2.94
10 Kab. Tana Toraja 209 2.92
11 Kab. Toraja Utara 183 2.56
Total 7148 100
Pada Tabel 10 merupakan data program
Pada Tabel 8 merupakan data program studi klaster ke-3. Pada klaster ke-3 terdapat 8
studi klaster ke-1. Pada klaster ke-1 semua program studi. Program Studi D4 Akuntansi
program studi terdaftar di dalamnya. D4 Manajerial, D4 Teknik Komputer dan
Teknik Mekatronika, D3 Teknik Konversi Jaringan, dan D4 Teknik Konstruksi Sipil
Energi, dan D3 Teknik Konstruksi Gedung merupakan program studi peringkat tiga
merupakan tiga prodi yang memiliki jumlah teratas dengan persentase masing-masing
peminat paling sedikit. sebesar 21. 29%, 19.03%, dan 13.07%,
sedangkan Program Studi D4 Teknik
Listrik, D3 Teknik Konstruksi Sipil, dan D4

84
Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017
Makassar, 20 November 2017
Teknologi Kimia Industri merupakan tiga
prodi terbawah dengan persentase masing-
masing sebesar 8.55%, 8.00%, dan 7.02%.
Tabel 10 Data Klaster ke-3 Berdasarkan Program Studi
No Prodi Jumlah
1 D4 Akuntansi Manajerial 1522
D4 Teknik Komputer dan
2 1360
Jaringan
3 D4 Teknik Konstruksi Sipil 934
4 D3 Akuntansi 861
5 D4 Administrasi Bisnis 786
6 D4 Teknik Listrik 611
7 D3 Teknik Konstruksi Sipil 572
8 D4 Teknologi Kimia Industri 502
Total 7148
Setiap klaster yang terbentuk pada data
peminat memiliki atribut yang saling berkaitan
satu sama lain. Sehingga untuk menentukan
strategi promosi harus memperhatikan atribut-
atribut yang digunakan untuk mendapatkan
strategi promosi yang tepat dan bervariasi.
Pada Gambar 1 merupakan grafik penyebaran
setiap klaster.
Gambar 1 Grafik Setiap Klaster
Adapun Strategi promosi yang dapat
digunakan pada penelitian ini, yaitu turun
langsung ke lapangan (direct marketing),
jejaring sosial (social network), periklanan
(advertising), serta gabungan antara direct
marketing, social network, dan advertising.
Penentuan promosi data peminat dilakukan
berdasarkan klaster yang terbentuk. Berikut
strategi promosi yang digunakan pada masing-
masing klaster, seperti di bawah ini:
1) Strategi promosi direct marketing atau
turun langsung ke daerah-daerah terdekat
dapat diterapkan pada klaster ke-1. Daerah
yang tergolong jauh pada klaster ke-1 dengan
jarak ≥ 200 km, seperti Kota Palopo, Kab.
Luwu, Kab. Sinjai, Kab. Luwu Utara, dan
Kab. Selayar atau di luar Provinsi Sulawesi
Selatan dan Sulawesi Barat dapat
menggunakan promosi jejaring sosial (social
network). Jejaring sosial seperti facebook
978-602-18168-2-0
marketing dapat digunakan untuk daerah yang
cukup jauh dari Kota Makassar demi
menghemat anggaran promosi. Adapun data
lengkap persebaran daerah asal dan program
% studi pada klaster ke-1 dapat di lihat pada
21.29 Gambar 2.
19.03
13.07
12.05
11.00
8.55
8.00
7.02
100
Gambar 2 Persebaran Daerah Asal dan Program Studi
pada Klaster ke-1
Pada klaster ke-1, daerah yang dikunjungi
wajib membawa brosur yang detail dan
lengkap tiap program studi mulai dari fasilitas,
data alumni, dan pekerjaan yang cocok setelah
lulus di PNUP. Brosur yang baik dapat
mempengaruhi peminat pada daerah tersebut
karena daerah pada klaster ke-1 cenderung
belum mengetahui PNUP secara detail pada
setiap program studi. Perbaikan konten
promosi baik turun langsung ke lapangan
(direct marketing), menggunakan jejaring
sosial (social network), dan media brosur
harus ditekankan agar informasi yang
didapatkan oleh calon mahasiswa baru lebih
informatif sehingga dapat menjadi daya tarik
bagi calon mahasiswa tersebut.
Berdasarkan data pada klaster ke-1, jumlah
jenis kelamin perempuan lebih sedikit
dibandingkan dengan laki-laki, sehingga
ketika dilakukan promosi diberikan penekanan
khusus untuk jenis kelamin perempuan dengan
tawaran beasiswa ekstrakurikuler. Tawaran
tersebut berfungsi untuk mendapatkan calon
mahasiswa yang bukan hanya mempunyai
kemampuan akademik yang baik tapi juga
mempunyai keunggulan di bidang
ekstrakurikuler khususnya ekstrakurikuler
yang membutuhkan anggota berjenis kelamin
perempuan. Hal tersebut berguna untuk
meningkatkan prestasi kampus di berbagi
bidang. Strategi ini juga berlaku pada klaster
ke-2 dan ke-3 dengan melihat perbandingan
jenis kelamin perempuan dan laki-laki.
2) Strategi promosi periklanan (advertising)
dengan memasang iklan berbentuk baliho
tentang pendaftaran mahasiswa baru PNUP
dapat diterapkan pada klaster ke-3. Tren
85
Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2017
Makassar, 20 November 2017
peminat klaster ke-3 sangat baik sehingga
hanya dengan memasang iklan, tentunya
peminat pada setiap daerah yang ada pada
klaster ke-3 dapat langsung tertarik untuk
melakukan pendaftaran mahasiswa baru. Pada
klaster ke-3 tidak perlu turun langsung ke
daerah-daerah (direct marketing) demi
memangkas biaya promosi. Adapun data
lengkap persebaran daerah asal dan program
studi pada klaster ke-3 dapat di lihat pada
Gambar 3.
Gambar 3 Persebaran Daerah Asal dan Program Studi
pada Klaster ke-3
3) Strategi promosi gabungan antara turun
langsung ke lapangan (direct marketing),
menggunakan periklanan (advertising), dan
jejaring sosial (social network) dapat
diterapkan pada klaster ke-2. Penentuan
strategi promosi dapat merujuk pada jumlah
daerah atau prodi yang memiliki peminat
sedikit maupun peminat banyak. Institusi
dapat memilih strategi promosi yang tepat
dengan menyesuaikan anggaran yang ada
sehingga informasi tentang PNUP dapat
tersebar ke seluruh daerah-daerah. Adapun
data lengkap persebaran daerah asal dan
program studi pada klaster ke-2 dapat di lihat
pada Gambar 4.
Gambar 4 Persebaran Daerah Asal dan Program Studi
pada Klaster ke-2
IV. KESIMPULAN
Kesimpulan yang dapat ditarik pada
penelitian ini, yaitu penelitian ini
menggunakan teknik clustering menggunakan
978-602-18168-2-0
algoritma K-means dengan menetapkan nilai
k=3. Dari hasil tersebut, ditemukan pola atau
informasi baru pada data peminat. Data
peminat terbentuk tiga klaster, yaitu klaster
peminat banyak, sedang, dan sedikit. Dari
hasil klaster tersebut, terbentuk strategi
promosi yang dapat menjadi rujukan tim
promosi PNUP untuk melakukan promosi
yang lebih efektif dan efisien.
UCAPAN TERIMA KASIH
Penulis Berterima kasih kepada Pembantu
Direktur IV PNUP atas kerjasamanya dalam
menyelesaikan penelitian ini.
REFERENSI
[1] Ikram, Andi Jalal, Analisis Pilihan Studi
Calon Mahasiswa Baru dengan
Menggunakan Algoritma Apriori dan
Predictive Apriori. Skripsi. Makassar:
Politeknik Negeri Ujung Pandang, 2016.
[2] Pramudiono, I. (2017, Maret 3) Pengantar
Data Mining: Menambang Permata
Pengetahuan di Gunung Data [Online].
Available:www.ilmukomputer.org/wpcon
tent/uploads/2006/08/iko-datamining.zip.
[3] Wu, X., dan Kumar, V., The Top ten
Algorithms in Data Mining. London:
CRC Press Taylor & Francis Group,
2009.
[4] Fayyad, U., Piatetsky-Shapiro, G. dan
Smyth, P., From data mining to
knowledge discovery in databases. AI
magazine, 17(3), 37,1996.
[5] Sarwono, Y. T., Aplikasi Model Jaringan
Syaraf Tiruan Dengan Radial Basis
Function Untuk Mendeteksi Kelainan
Otak (Stroke Infark). Jurnal Sistem
Informasi, 3-4, 2010.
86