KLASTERISASI PENDAFTARAN MAHASISWA BARU BERDASARKAN KOTA ASAL SEKOLAH DENGAN METODE K MEANS
Total View This Week0
Total View This Week0
Institusion
Universitas Bhayangkara Jakarta Raya
Author
Mahasiswa, Choirul Umam
Subject
Karya Ilmiah
Datestamp
2021-10-28 08:57:51
Abstract :
Choirul Umam. (NPM). Klasterisasi pendaftaran mahasiswa baru berdasarkan kota asal sekolah dengan metode k ? means. Skripsi ini membahas tentang proses pendaftaran mahasiswa baru Universitas X akan menghasilkan data yang berlimpah berupa data mahasiswa baru. Data mining memanfaatkan dan megelola data ? data yang terkumpul dari pendaftaran mahasiswa baru dari tahun 2016 sampai dengan 2019 di Universitas X. Penulisan ini bertujuan untuk menerapkan data mining dengan metode clustering k ? means menggunakan excel dan rapidminer dan menentukan strategi promosi yang tepat pada cluster yang terbentuk. Metode dalam penulisan ini dilakukan berdasarkan tahapan Cross - Industry Standard Process - Data Mining (CRISP - DM). Atribut yang digunakan adalah id registrasi, kota asal sekolah, ketegori sekolah, dan jenis sekolah. Hasil dari claster mahasiswa yang terbentuk setelah proses clustering k ? means adalah tiga klaster, dengan claster pertama berjumlah 116 data, claster kedua berjumlah 44 data, dan claster ketiga berjumlah 142 data. Claster dengan jumlah terbanyak adalah claster tiga. Sehingga dapat digunakan untuk menentukan strategi promosi pendaftaran mahasiswa baru Universitas X. Kata kunci : Klasterisasi Pendaftaran, Data Mining, CRISP-DM, K - Means
Choirul Umam. (NPM). Klasterisasi pendaftaran mahasiswa baru berdasarkan kota asal sekolah dengan metode k ? means. Skripsi ini membahas tentang proses pendaftaran mahasiswa baru Universitas X akan menghasilkan data yang berlimpah berupa data mahasiswa baru. Data mining memanfaatkan dan megelola data ? data yang terkumpul dari pendaftaran mahasiswa baru dari tahun 2016 sampai dengan 2019 di Universitas X. Penulisan ini bertujuan untuk menerapkan data mining dengan metode clustering k ? means menggunakan excel dan rapidminer dan menentukan strategi promosi yang tepat pada cluster yang terbentuk. Metode dalam penulisan ini dilakukan berdasarkan tahapan Cross - Industry Standard Process - Data Mining (CRISP - DM). Atribut yang digunakan adalah id registrasi, kota asal sekolah, ketegori sekolah, dan jenis sekolah. Hasil dari claster mahasiswa yang terbentuk setelah proses clustering k ? means adalah tiga klaster, dengan claster pertama berjumlah 116 data, claster kedua berjumlah 44 data, dan claster ketiga berjumlah 142 data. Claster dengan jumlah terbanyak adalah claster tiga. Sehingga dapat digunakan untuk menentukan strategi promosi pendaftaran mahasiswa baru Universitas X. Kata kunci : Klasterisasi Pendaftaran, Data Mining, CRISP-DM, K - Means
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
