PENERAPAN DATA MINING DALAM PEMBUATAN STRATEGI PROMOSI MAHASISWA BARU INSTITUT TEKNOLOGI TELKOM SURABAYA

Tingkat persaingan perguruan tinggi mengalami peningkatan yang sangat pesat setiap tahun. Penerimaan mahasiswa baru merupakan aktivitas penting bagi peguruan tinggi untuk menjaring mahasiswa baru. Dalam proses mendapatkan mahasiswa baru setiap perguruan tinggi memiliki strategi promosi yang berbeda. Penentuan strategi promosi yang tepat dapat menekan biaya promosi mencapai sasaran promosi yang tepat. Penelitian ini bertujuan untuk mengidentifikasi pola karakteristik profil mahasiswa dan calon mahasiswa sebagai rekomendasi strategi promosi. Pengolahan Data Mining menggunakan metode Cross Industry Standard Process for Data Mining (CRISP-DM) dengan model klasterisasi dan klasifikasi yang memanfaatkan algoritma K-Means Clustering dan Decision Tree. Implementasi pengolahan data menggunakan RapidMiner Studio 9.10.1. Atribut yang digunakan dalam model klasterisasi adalah Nim, KotaAsal, Asal Sekolah, Prodi, Jurusan Sekolah, Jenis Kelamin, Jalur Seleksi, Tahunpendaftaran. Pengolahan data menggunakan algoritma K-Means Clustering menghasilkan 3 buah cluster, cluster1 berjumlah 91 items (4,56%) dominasi mahasiswa paling banyak dari program studi Sistem Informasi. Clsuter2 berjumlah1683 items (84,48%) dominasi mahasiswa paling banyak dari Kota Surabaya dan Kab. Sidoarjo, Cluster3 berjumlah 218 items (10,96%) dominasi mahasiswa paling banyak dari daerah Kawasan Indonesia Timur dengan Prodi Informastika. Nilai DaviesBouldin Index (DBI) sebesar 0,477. Atribut yang digunakan dalam model klasifikasi adalah No.Peserta, Status Payment Biaya UP3, Kab./Kota Asal, Kab./Kota Asal sekolah, Jenis Sekolah, Kategori Sekolah, Sumber Informasi, Penghasilan orang tua, Pilihan Prodi. Data set yang digunakan sebanyak 3.760 record dengan mode test percentage split yaitu 70% sebanyak 2.637 sebagai data training dan 30% sebanyak 1.113 sebagai datatesting. Pengolahan data menggunakan Decision Tree mengasilkan nilai accuracypengujian sebesar 98,86%, nilai precision sebesar 93,33%, nilai recall sebesar 32,56% dan AUC sebesar 0.992. Atribut yang paling berpengaruh paling tingfi berdasarkan Decision Tree menghasilkan sebuah pohon keputusan untuk memudahkan pengambilan keputusan strategi yang tepat.

Kata Kunci: Data mining, Strategi Promosi, CRISP-DM, K-Means,Decision Tree