Strategi Promosi Penerimaan Mahasiswa Baru menggunakan metode DBSCAN

Authors

  • Arysespajayadi Arysespajayadi Politeknik Negeri Media Kreatif
  • M. Djazman Addin Suryana Politeknik Negeri Media Kreatif
  • Andita Dani Achmad Universitas Fajar
  • Adlin Adlin Politeknik Negeri Media Kreatif
  • Ferawaty Syam Politeknik Negeri Media Kreatif

DOI:

https://doi.org/10.71234/gjet.v1i3.73

Keywords:

DBSCAN, Promosi Pendidikan, Analisis Klaster, Strategi Pemasaran, Penerimaan Mahasiswa

Abstract

Penelitian ini mengimplementasikan algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise) untuk menganalisis pola sumber informasi yang memengaruhi keputusan calon mahasiswa di Politeknik Negeri Media Kreatif. Data survei periode 2022–2024, yang terdiri dari 13 variabel, diproses menggunakan normalisasi min-max. Parameter DBSCAN ditentukan dengan nilai Eps 0,4 dan MinPts 3. Hasil analisis menghasilkan tiga klaster, dengan Klaster 1 (media sosial, internet, dan rekomendasi teman/sahabat) memiliki rata-rata normalisasi tertinggi (0,87), menunjukkan pengaruh signifikan sebagai sumber informasi promosi. Validasi menggunakan Skor Silhouette (0,31) dan Indeks Davies-Bouldin (0,66) menunjukkan kualitas klasterisasi yang moderat. Hasil ini menunjukkan bahwa algoritma DBSCAN mampu menangani data heterogen dari variabel sumber informasi promosi dengan cukup efektif. Namun, optimalisasi lebih lanjut dapat dilakukan untuk meningkatkan kohesi intra-klaster dan pemisahan antar-klaster

References

[1] V. E. Montano and S. F. Schneider, “Unveiling the Patterns of Employability in Higher Education: A DBSCAN Cluster Analysis of College Programs,” Eur. J. Contemp. Educ. E-Learning, vol. 2, no. 6, pp. 73–89, 2024, doi: 10.59324/ejceel.2024.2(6).05.

[2] Q. Zhu, X. Tang, and A. Elahi, “Application of the novel harmony search optimization algorithm for DBSCAN clustering,” Expert Syst. Appl., vol. 178, no. April, p. 115054, 2021, doi: 10.1016/j.eswa.2021.115054.

[3] R. Adha, N. Nurhaliza, U. Sholeha, and M. Mustakim, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” SITEKIN J. Sains, Teknol. dan Ind., vol. 18, no. 2, pp. 206–211, 2021.

[4] A. Syafrianto and E. Riswanto, “Pengelompokkan Jumlah Kunjungan Mahasiswa ke Perpustakaan Kampus Menggunakan Algoritma DBSCAN,” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 75–81, 2023, doi: 10.33379/gtech.v7i1.1925.

[5] A. Kristianto, “Analisa Performa K-Means dan DBSCAN dalam Clustering Minat Penggunaan Transportasi Umum,” Elkom J. Elektron. dan Komput., vol. 14, no. 2, pp. 368–372, 2021, doi: 10.51903/elkom.v14i2.551.

[6] T. A. Cinderatama, R. Z. Alhamri, and Y. Yunhasnawa, “Implementasi Metode K-Means, Dbscan, Dan Meanshift Untuk Analisis Jenis Ancaman Jaringan Pada Intrusion Detection System,” INOVTEK Polbeng - Seri Inform., vol. 7, no. 1, p. 169, 2022, doi: 10.35314/isi.v7i1.2336.

[7] N. Nurmalasari and Nurhidayat, “Strategi Pemasaran dalam Meningkatkan Jumlah Peserta Didik Baru Melalui Pemanfaatan Media Sosial,” Literasi J. Innov. Lit. Stud., vol. 1, no. 1, pp. 81–86, 2024.

[8] I. Sufairoh, A. C. Rani, K. Amalia, and D. Rolliawati, “Perbandingan Hasil Analisis Clustering Metode K-Means, DBSCAN Dan Hierarchical Pada Data Marketplace Electronic Phone,” JOINS (Journal Inf. Syst., vol. 8, no. 1, pp. 97–105, 2023, doi: 10.33633/joins.v8i1.8016.

[9] K. W. Pakuani and R. Kurniawan, “Kajian Penentuan Nilai Epsilon Optimal Pada Algoritma DMDBSCAN Dan Pemetaan Daerah Rawan Gempa Bumi Di Indonesia Tahun 2014-2020,” Semin. Nas. Off. Stat., vol. 2021, no. 1, pp. 991–1000, 2021, doi: 10.34123/semnasoffstat.v2021i1.847.

[10] K. Kertanah, W. P. Nurmayanti, S. R. Aini, L. M. Amrullah, and M. Sya’roni, “Comparison of Algorithms K-Means and DBSCAN for Clustering Student Cognitive Learning Outcomes in Physics Subject,” Kappa J., vol. 7, no. 2, pp. 251–255, 2023, doi: 10.29408/kpj.v7i2.18428.

[11] L. Hu, H. Liu, J. Zhang, and A. Liu, “KR-DBSCAN: A density-based clustering algorithm based on reverse nearest neighbor and influence space,” Expert Syst. Appl., vol. 186, 2021.

[12] M. Sutoyo, N. Nasruddin, and H. Djidu, “The Use of Clustering Techniques to Enhance the Accuracy of Islamic Religious Knowledge Assessment,” Al-Hijr J. Adulearn World, vol. 3, no. 4, pp. 437–445, 2025, doi: 10.55849/alhijr.v3i4.704.

Downloads

Published

2025-08-10

Issue

Vol. 1 No. 3 (2025): Agustus 2025

Section

Articles

License

Copyright (c) 2025 GJET : Global Journal of Educational Technology

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.