Analisis Multi-Metode Pola Pendaftaran dan Tingkat Persaingan Mahasiswa Baru Politeknik Statistika STIS Tahun 2024
Sebuah Pendekatan Educational Data Mining
Keywords:
Educational Data Mining, K-Means Clustering, Regresi Linear, Klasifikasi Naive Bayes, Penerimaan Mahasiswa Baru, Analisis Strategis, Politeknik Statistika STISAbstract
Penerimaan mahasiswa baru di perguruan tinggi kedinasan Indonesia ditandai oleh persaingan yang sangat ketat, menuntut institusi untuk mengadopsi pendekatan berbasis data dalam perencanaan strategis. Penelitian ini bertujuan untuk menganalisis data Seleksi Penerimaan Mahasiswa Baru (SPMB) Politeknik Statistika STIS tahun 2024 guna mengungkap pola-pola regional dan memberikan landasan bagi pengambilan keputusan institusional. Dengan menerapkan kerangka Knowledge Discovery in Databases (KDD), studi ini menggunakan pendekatan multi-metode yang komprehensif. Algoritma K-Means diterapkan untuk melakukan segmentasi provinsi berdasarkan dinamika pendaftaran dan alokasi formasi, menghasilkan tiga klaster strategis yang berbeda: Epicentrum Persaingan Tinggi, Pasar Pertumbuhan Berpotensi, dan Wilayah Pengembangan dan Afirmasi. Selanjutnya, analisis regresi linear sederhana digunakan untuk memodelkan dan menguantifikasi hubungan antara jumlah formasi yang ditawarkan dan volume pendaftar untuk setiap program studi, menunjukkan daya prediksi yang kuat terutama untuk program D4. Terakhir, sebuah model klasifikasi Naive Bayes dibangun untuk memprediksi tingkat keketatan persaingan di setiap provinsi dengan akurasi yang tinggi. Hasil sintesis dari ketiga metode ini menunjukkan bahwa Educational Data Mining (EDM) mampu mentransformasi data administratif mentah menjadi intelijen strategis yang dapat ditindaklanjuti, memberikan rekomendasi spesifik terkait alokasi formasi, strategi promosi bertarget, dan manajemen sumber daya. Penelitian ini memberikan model analitis yang dapat direplikasi oleh institusi pendidikan tinggi lain untuk mengoptimalkan proses penerimaan mahasiswa baru mereka.
