Penerapan Algoritma K-Means Untuk Segmentasi Minat Calon Mahasiswa Berdasarkan Pilihan Program Studi Di Kabupaten Labuhanbatu Raya

DOI: https://doi.org/10.33650/coreai.v7i1.15775
Authors

(1) * Riszki Fadillah   (Institut Teknologi dan Kesehatan Ika Bina)  
        Indonesia
(2)  Intan Nur Fitriyani   (Institut Teknologi dan Kesehatan Ika Bina)  
        Indonesia
(3)  Desi Irfan   (Institut Teknologi dan Kesehatan Ika Bina)  
        Indonesia
(*) Corresponding Author

Abstract


Perguruan tinggi di Kabupaten Labuhanbatu Raya (Labuhanbatu, Labuhanbatu Utara, Labuhanbatu Selatan) menghadapi kendala dalam memahami minat calon mahasiswa. Data yang terkumpul dari 1.722 calon mahasiswa yang berasal dari 29 sekolah menengah (SMA, SMK, MA) hanya tersimpan tanpa dimanfaatkan secara optimal untuk strategi promosi dan penerimaan mahasiswa baru. Penelitian ini bertujuan menerapkan algoritma K-Means untuk segmentasi minat berdasarkan pilihan program studi. Metodologi meliputi pengumpulan data, pemilihan atribut (sekolah, alamat, peminat), pembersihan data, transformasi kategori ke numerik dengan label encoding, penentuan jumlah cluster optimal menggunakan metode Elbow, clustering dengan K-Means, evaluasi kualitas cluster menggunakan Silhouette Score, serta visualisasi dan interpretasi hasil. Temuan menunjukkan jumlah cluster optimal adalah K=3 dengan Silhouette Score 0,3695 (kategori cukup baik). Distribusi cluster: Cluster 0 terdiri dari 19 sekolah (65,52%) dengan pola minat seragam; Cluster 1 terdiri dari 9 sekolah (31,03%) dengan variasi minat beragam; Cluster 2 hanya 1 sekolah (3,45%) dengan karakteristik minat sangat berbeda. Algoritma K-Means terbukti efektif mengelompokkan sekolah berdasarkan pola minat calon mahasiswa. Hasil segmentasi ini dapat menjadi dasar bagi perguruan tinggi untuk merancang strategi promosi yang lebih tepat sasaran, mengidentifikasi sekolah potensial, serta mendukung keputusan berbasis data dalam penerimaan mahasiswa baru di Kabupaten Labuhanbatu Raya.

Keywords

K-Means1; Segmentasi Minat2; Data Mining3; Clustering4







References


T. Syafrudin, A. Hermawan, D. Avianto, I. Maulana, T. Informasi, and U. T. Yogyakarta, “Komputika : Jurnal Sistem Komputer Analisis Komparasi Algoritma K-Means Dan K-Medoids Dalam Segmentasi Data Untuk Strategi Promosi Mahasiswa Baru Di Universitas X Comparative Analysis of K-Means and K-Medoids Algorithms in Data Segmentation for New Student Promotion Strategies at University X,” vol. 14, 2025.

C. Renita et al., “DENGAN TEKNIK CLUSTERING DAN ANALISIS KORELASI,” vol. 8, no. 5, pp. 10286–10292, 2024.

E. Wahyudin and F. Dikananda, “Segmentasi Minat Mahasiswa Terhadap Program Studi Menggunakan Algoritma K-Means Clustering,” vol. 2, no. 01, pp. 271–276, 2024.

Tuti Hartati; Nurdiawan Odi; Wiyandi Eko;, “Analisis dan penerapan algoritma k-means dalam strategi promosi kampus akademi maritim suaka bahari,” vol. 3, no. 1, pp. 1–7, 2021.

A. Bellanov and L. Nurhayati, “K-Means Clustering Analysis Untuk Menentukan Strategi Promosi Kampus,” vol. 9, no. 1, pp. 259–268, 2023.

N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” vol. 3, pp. 46–56, 2024.

F. R. Hilyawan, M. Syafrullah, and I. Sudija, “A Systematic Literature Review on the Optimization of K-Means and Agglomerative Clustering for Student Performance Segmentation : A Comparative Analysis of Elbow and Silhouette Methods Comparative Analysis of Elbow,” vol. 9879, no. 1, pp. 73–88, 2025.

D. Setiawan, D. Arsa, L. E. Fitri, F. Fadhila, and P. Zahardy, “Comparative Analysis of Clustering Approaches in Assessing ChatGPT User Behavior,” vol. 10, no. 2, pp. 366–379, 2024.

G. Sofia and D. Hema, “Clustering-based Recommendations for Enhancing Students ’ Academic Performance by Recognizing Prevalent Assessment Method using Exploratory,” pp. 503–513, 2024.

B. K-means, A. L. Maukar, F. Marisa, A. A. Widodo, and D. Nugraha, “Analisis data penerimaan mahasiswa baru berbasis k-means,” vol. 6, no. 2, pp. 142–147, 2022.

A. Alfitra and R. Meiyanti, “JITE ( Journal of Informatics and Telecommunication Engineering ) Comparison of K-Means and K-Medoids Methods in Clustering High,” vol. 9, no. July, pp. 292–302, 2025.

V. N. J. Hal, A. K-means, Y. Simbolon, A. Giovani, S. Pardingotan, and V. N. J. Hal, “Analisis Pengelompokan Minat Belajar Mahasiswa Menggunakan,” vol. 2, no. 3, pp. 108–112, 2026.

H. Nopriandi and F. Haswan, “Analisis Klasterisasi Mahasiswa Baru dalam Memilih Program Studi dengan Menggunakan Algoritma K-Means,” vol. 3, no. 4, pp. 666–671, 2022, doi: 10.47065/josh.v3i4.1986.

D. P. Rahmawati, S. Hidayati, P. Arismawati, A. Wali, and S. Bahari, “Prospective New College Student Dashboard : Insights from K-Means Clustering with Principal Component Analysis,” vol. 9, no. 2, pp. 137–144, 2024.

M. Arifin, I. Wisma, D. Prastya, and J. R. Budiani, “Evaluating K-Means and K-Medoids Using Silhouette Score for Eysenck Personality-Based Clustering of Prospective Students,” vol. 10, no. 2, pp. 1818–1827, 2026.

V. N. Juli, M. D. Ananda, K. N. Malik, A. Fitri, and N. Masruriyah, “Studi Komparatif Algoritma K-Means dan K-Medoids untuk Segmentasi Informasi Kesehatan,” vol. 5, no. 2, 2025.


Dimensions, PlumX, and Google Scholar Metrics

10.33650/coreai.v7i1.15775


Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Riszki Fadillah, Intan Nur Fitriyani, Desi Irfan

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


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

COREAI: Jurnal Kecerdasan Buatan, Komputasi dan Teknologi Informasi

Published by Technic Faculty of Nurul Jadid University, Probolinggo, East Java, Indonesia.