ANALISIS KOMPARATIF SVM DAN K-MEANS DALAM DATA MINING UNTUK PROMOSI PERGURUAN TINGGI

Abstract

This study aims to compare the effectiveness of two data mining algorithms, namely Support Vector Machine (SVM) and K-Means Clustering, in supporting the promotional strategies of higher education institutions. This research is a qualitative study employing a literature review method, which involves examining two previous papers: the application of SVM at Universitas PGRI Semarang to predict new student re-registration, and the use of K-Means at STMIK Bina Bangsa Kendari for student segmentation based on academic data. The results show that SVM is effective for classification-based predictions, such as determining the characteristics of prospective students who are likely to re-register. Meanwhile, K-Means excels in grouping students based on hidden patterns, such as GPA and school of origin, to support market segmentation. The combination of these two approaches has the potential to strengthen data-driven promotional strategies, both in terms of predicting prospective student behavior and identifying potential academic segments. However, each algorithm has technical limitations that must be considered when applying it. With the proper method selection, SVM and K-Means can be complementary analytical tools in increasing the effectiveness of higher education promotion.

Penelitian ini bertujuan untuk membandingkan efektivitas dua algoritma data mining yaitu Support Vector Machine (SVM) dan K-Means Clustering dalam mendukung strategi promosi institusi pendidikan tinggi. Penelitian ini merupakan studi kualitatif dengan metode kajian pustaka dengan mengkaji dua makalah terdahulu yaitu penerapan SVM di Universitas PGRI Semarang untuk memprediksi registrasi ulang mahasiswa baru, dan penggunaan K-Means di STMIK Bina Bangsa Kendari untuk segmentasi mahasiswa berdasarkan data akademik. Hasil penelitian menunjukkan bahwa SVM efektif untuk prediksi berbasis klasifikasi, seperti menentukan karakteristik calon mahasiswa yang cenderung melakukan registrasi ulang. Sementara itu, K-Means unggul dalam mengelompokkan mahasiswa berdasarkan pola yang tersembunyi, seperti IPK dan asal sekolah, guna mendukung segmentasi pasar. Kombinasi kedua pendekatan ini berpotensi memperkuat strategi promosi berbasis data, baik dari sisi prediksi perilaku calon mahasiswa maupun identifikasi segmen akademik potensial. Meski demikian, masing-masing algoritma memiliki keterbatasan teknis yang perlu diperhatikan dalam penerapannya. Dengan pemilihan metode yang tepat, SVM dan K-Means dapat menjadi alat analitik yang saling melengkapi dalam meningkatkan efektivitas promosi perguruan tinggi.