Abstract:Abstract: Digital banking has brought various innovations in financial services, one of which is Blu Deposito by BCA Digital. However, the adoption rate of digital deposit services is still relatively low compared to digital…
ital payment services. This study aims to identify and analyze the factors that influence customers' intentions and actual behavior in using Blu Deposito with reference to the Technology Acceptance Model (TAM). This study aims to analyze the factors that influence customers' intentions and actual behavior in adopting Blu Deposito using the Technology Acceptance Model (TAM) framework. Data was collected through a Google Form questionnaire from 54 customers at one BCA branch and analyzed using SPSS through validity and reliability tests, descriptive analysis, and multiple regression. The results show that Behavioral Intention (BI)is significantly influenced by Perceived Ease of Use (PEOU), Perceived Usefulness (PU), and Attitude Toward Using (ATU), with PEOU as the most dominant factor. In addition, BI has a significant effect on Actual System Use (AU), which confirms the relevance of applying the TAM model in the context of digital deposit products. These findings indicate that ease of use plays a greater role than financial benefits in encouraging users to adopt Blu Deposits. This study contributes to the understanding of digital deposit adoption and provides managerial insights to improve the usability and user engagement of digital banking services.
Keywords: actual system use; attitude toward using; behavioral intention; perceived ease of use; perceived usefulness; technology acceptance model
Abstrak: Perbankan digital telah menghadirkan berbagai inovasi dalam layanan keuangan, salah satunya Blu Deposito oleh BCA Digital. Meskipun demikian, tingkat adopsi terhadap layanan deposito digital masih relatif rendah dibandingkan dengan layanan pembayaran digital. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis faktor-faktor yang memengaruhi niat serta perilaku aktual nasabah dalam menggunakan Blu Deposito dengan mengacu pada kerangka Technology Acceptance Model (TAM). Penelitian ini bertujuan untuk menganalisis faktor-faktor yang memengaruhi niat dan perilaku aktual nasabah dalam mengadopsi Blu Deposito dengan menggunakan kerangka Technology Acceptance Model (TAM). Data dikumpulkan melalui kuesioner Google Form dari 54 nasabah di satu cabang BCA dan dianalisis menggunakan SPSS melalui uji validitas, reliabilitas, analisis deskriptif, dan regresi berganda. Hasil penelitian menunjukkan bahwa Behavioral Intention (BI) dipengaruhi secara signifikan oleh Perceived Ease of Use (PEOU), Perceived Usefulness (PU), dan Attitude Toward Using (ATU), dengan PEOU sebagai faktor paling dominan. Selain itu, BI berpengaruh signifikan terhadap Actual System Use (AU), yang menegaskan relevansi penerapan model TAM pada konteks produk deposito digital. Temuan ini menunjukkan bahwa kemudahan penggunaan memiliki peran lebih besar dibandingkan manfaat finansial dalam mendorong pengguna untuk mengadopsi Blu Deposito. Penelitian ini berkontribusi terhadap pemahaman adopsi deposito digital serta memberikan wawasan manajerial untuk meningkatkan kegunaan dan keterlibatan pengguna pada layanan perbankan digital.
Kata kunci: actual system use; attitude toward using; behavioral intention; perceived ease of use; perceived usefulness; technology acceptance model
Abstract:Abstract: SMP Muhammadiyah 5 Samarinda still relies on manual evaluation with limited data analysis tools in predicting student academic achievement. This study aims develop a system for predicting the learning achievement…
nt of students at SMP Muhammadiyah 5 Samarinda using the Naive Bayes classification method. The dataset used consists of 192 student exam scores covering academic scores, attendance, parents’ education and income, and living conditions as independent variables, while the dependent variable is the achievement label (achieved or not achieved). The preprocessing stage includes label normalization, feature selection, and median imputation to handle missing data. The dataset was divided into 75% training data and 25%. The model was implemented as a pipeline consisting of a median imputer and a Gaussian Naive Bayes classifier. The evaluation results showed that the model achieved an accuracy of 79.2%, with a perfect recall value (1.00) in the high-achieving class and (0.64) in the low-achieving class. This shows that the model is quite effective in identifying high-achieving students. The trained model was then integrated into a Flask-based web application, which enables online predictions through a simple form interface, facilitating contextual interpretation. This system is expected to assist in educational decision-making by helping teachers identify students’ achievement levels early on and design more targeted learning interventions.
Keywords: academic performance; educational data mining; naive bayes; prediction system; student achievement
Abstrak: SMP Muhammadiyah 5 Samarinda masih bergantung pada evaluasi manual dengan alat analisis data terbatas dalam melakukan prediksi prestasi akademik siswa. Penelitian ini bertujuan mengembangkan sistem prediksi prestasi belajar siswa SMP Muhammadiyah 5 Samarinda menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan terdiri atas 192 data nilai ujian siswa yang mencakup skor akademik, kehadiran, pendidikan dan pendapatan orang tua, serta kondisi tempat tinggal sebagai variabel independen, sedangkan variabel dependen berupa label prestasi (berprestasi atau tidak berprestasi). Tahap preprocessing meliputi normalisasi label, seleksi fitur, serta imputasi median untuk menangani data yang hilang. Dataset dibagi menjadi 75% data latih dan 25%. Model diimplementasikan dalam bentuk pipeline yang terdiri atas median imputer dan Gaussian Naive Bayes classifier. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 79,2%, dengan nilai recall sempurna (1,00) pada kelas berprestasi dan lebih rendah (0,64) pada kelas tidak berprestasi. Hal ini menunjukkan bahwa model cukup efektif dalam mengidentifikasi siswa berprestasi. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Flask, yang memungkinkan prediksi secara daring melalui antarmuka formulir sederhana untuk mendukung interpretasi kontekstual. Sistem ini diharapkan dapat membantu untuk pengambilan keputusan dalam pendidikan dengan membantu guru mengidentifikasi tingkat prestasi siswa sejak dini dan merancang intervensi pembelajaran yang lebih terarah.
Kata kunci: prestasi akademik; penambangan data Pendidikan; naive bayes; sistem prediksi; prestasi siswa
Abstract:This study analyzes the acceptance of teachers and ASN employees of the SINAGA (Sistem Informasi Layanan Kepegawaian) attendance application at SMA Negeri 1 Jatilawang using a modified Technology Acceptance Model (TAM).…
The model was extended by incorporating two external variables: Information Quality and Complexity. This explanatory quantitative research employed the Structural Equation Modeling–Partial Least Square (SEM-PLS) method involving 60 respondents who are civil servants, consisting of teachers and administrative staff. The results reveal that Information Quality has a positive and significant influence on both Perceived Usefulness (PU) and Perceived Ease of Use (PEOU), while Complexity does not show a significant effect on either variable. Furthermore, PEOU and PU have a positive impact on Attitude Toward Use (ATU), which subsequently affects Behavioral Intention to Use (BIU). Behavioral intention, in turn, strongly influences Actual Use (AU). These findings indicate that teachers’ acceptance of the SINAGA digital attendance system in educational settings is primarily driven by information quality and users’ positive attitudes rather than by system complexity. Theoretically, this study contributes to the expansion of TAM application in the educational context. Practically, it provides valuable insights for improving the effectiveness of SINAGA implementation through better information quality and enhanced user experience.
Abstract:Abstract: The increasing use of digital banking applications has led to the need for a deeper understanding of user perceptions, especially through aspect-based sentiment analysis. This study aims to classify the sentiment…
nt of SeaBank app users by focusing on four main aspects: learnability, efficiency, technical issues or errors, and satisfaction. Review data totaling 1,971 comments were collected from the Google Play Store and labeled with sentiments based on the scores (ratings) given by users. The CRISP-DM approach serves as the methodological framework for this study, which includes five classification algorithms: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, and Random Forest. The evaluation results show that the SVM algorithm provides the best performance with the highest average value of the four aspects achieving accuracy of 93.91%, Precision of 91.16%, recall of 97.96% and F1-Measure of 94.33%. According to the research findings, the Support Vector Machine (SVM) algorithm provides the best performance when performing aspect-based sentiment analysis on text data from digital banking application reviews. The findings are expected to serve as a reference for the development of automated evaluation systems that rely on user opinions as the basis for decision making.
Keywords: aspects; CRISP-DM; digital Banking; seabank; sentiment analysis
Abstrak: Peningkatan pemakaian aplikasi perbankan digital mendorong perlunya pemahaman yang lebih dalam mengenai persepsi pengguna, terutama melalui analisis sentimen berbasis aspek. Penelitian ini bertujuan untuk mengklasifikasikan sentimen pengguna aplikasi SeaBank dengan berfokus pada empat aspek utama: kemudahan dipelajari (learnability), efisiensi penggunaan (efficiency), kendala atau kesalahan teknis (error), serta tingkat kepuasan (satisfaction). Data ulasan berjumlah 1.971 komentar dikumpulkan dari Google Play Store dan diberi label sentimen berdasarkan skor (rating) yang diberikan oleh pengguna. Pendekatan CRISP-DM berfungsi sebagai kerangka metodologis untuk penelitian ini, yang mencakup lima algoritma klasifikasi: Naïve Bayes, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), Decision Tree, dan Random Forest. Hasil evaluasi menunjukkan bahwa algoritma SVM memberikan performa terbaik dengan nilai rata-rata dari ke empat aspek tertinggi yang mencapai accuracy sebesar 93.91%, Precision sebesar 91.16%, recall sebesar 97.96% dan F1-Measure sebesar 94.33%. Menurut temuan penelitian, algoritma Support Vector Machine (SVM) memberikan kinerja terbaik saat melakukan analisis sentimen berbasis aspek pada data teks dari ulasan aplikasi Seabank. Temuan ini diharapkan dapat menjadi referensi bagi pengembangan sistem evaluasi otomatis yang mengandalkan opini pengguna sebagai dasar pengambilan keputusan.
Kata kunci: Analisis Sentimen, Aspek, Bank Digital, SeaBank, CRISP-DM
Abstract:Abstract: In the era of sensitive health data and frequent cyberattacks, securing electronic medical records (EMR) has become a critical challenge. This study proposes a hybrid encryption framework combining Affine and AES…
ES algorithms with an AI-based key management module to enhance EMR security while maintaining efficiency. A dataset of 1,000 simulated records was evaluated using five cryptographic configurations: Affine-only, AES-only, RSA-only, Affine–AES, and Affine–AES with AI. Performance was measured through encryption/decryption latency and ciphertext size, while security was assessed under brute-force, SQL injection, and phishing simulations. The AI decision tree for key generation was evaluated using accuracy, precision, recall, F1-score, and entropy metrics. Results show that the AI-enhanced hybrid method eliminates brute-force success, introduces only minor latency overhead, and generates high-entropy keys with reliability above 98%. These findings indicate that integrating AI-based dynamic key regeneration into hybrid encryption can improve EMR security while remaining practical for clinical and cloud-based healthcare systems. Future work should involve real clinical datasets and explore post-quantum cryptographic extensions.
Keywords: AI key management; attack resistance; encryption performance; electronic medical records; hybrid encryption
Abstrak: Di era meningkatnya sensitivitas data kesehatan dan maraknya serangan siber, perlindungan Rekam Medis Elektronik (RME) menjadi tantangan penting. Penelitian ini mengusulkan kerangka enkripsi hibrida yang menggabungkan algoritma Affine dan AES dengan modul manajemen kunci berbasis AI untuk meningkatkan keamanan RME tanpa mengorbankan efisiensi. Dataset simulasi berisi 1.000 entri diuji menggunakan lima konfigurasi kriptografi: Affine-only, AES-only, RSA-only, Affine–AES, serta Affine–AES dengan AI. Performa diukur melalui latensi enkripsi/dekripsi dan ukuran ciphertext, sedangkan keamanan dievaluasi melalui simulasi serangan brute force, SQL injection, dan phishing. Model decision tree untuk manajemen kunci dinilai menggunakan metrik akurasi, presisi, recall, F1-score, dan entropi. Hasil menunjukkan bahwa metode hibrida dengan AI menghilangkan keberhasilan brute force, menambah overhead latensi yang minimal, serta menghasilkan kunci berentropi tinggi dengan reliabilitas di atas 98%. Temuan ini menunjukkan bahwa regenerasi kunci dinamis berbasis AI dalam skema enkripsi hibrida dapat meningkatkan keamanan RME sekaligus tetap praktis untuk sistem klinis dan layanan kesehatan berbasis cloud. Penelitian selanjutnya disarankan menggunakan dataset klinis nyata dan mengeksplorasi kriptografi pascakuantum.
Kata kunci: enkripsi hibrida; ketahanan serangan; kinerja enkripsi; manajemen kunci berbasis AI; rekam medis elektronik
Abstract:Abstract: Recommendation systems are becoming increasingly important with the growth of streaming platforms. The purpose of this study is to compare the performance of Content-Based Filtering, Neural Collaborative Filtering,…
ing, and a combination of both in a movie recommendation system. The method used in this study involves retrieving movie details from the TMDB API and ratings from the MovieLens 32M Dataset (2010-2023). Each model's performance is evaluated using evaluation metrics such as RMSE and MAE. The results of this study indicate that Neural Collaborative Filtering achieves the best prediction performance (RMSE = 0.785423, MAE = 0.581262), followed by the hybrid model (RMSE = 0.800863, MAE = 0.660872), while Content-Based Filtering produces low performance and limits the capabilities of the hybrid model. In conclusion, these findings highlight the superiority of latent feature-based models such as NCF that learn directly from user interaction patterns over content-based approaches in the context of modern recommendation systems.
Keywords: content-based filtering; hybrid filtering; movie recommendation; neural collaborative filtering.
Abstrak: Sistem rekomendasi menjadi semakin penting seiring berkembangnya platform streaming. Tujuan dari penelitian ini adalah membandingkan kinerja Content-Based Filtering, Neural Collaborative Filtering dan kombinasi keduanya dalam sistem rekomendasi film. Metode yang digunakan dalam penelitian ini melibatkan pengambilan detail film dari TMDB API dan rating dari dataset MovieLens 32M Dataset (2010-2023). Setiap peforma model dievaluasi dengan menggunakan metrik evaluasi seperti RMSE dan MAE. Hasil dari penelitian ini menunjukkan bahwa Neural Collaborative Filtering mencapai kinerja prediksi terbaik (RMSE = 0.785423, MAE = 0.581262), diikuti oleh model hybrid (RMSE = 0.800863, MAE = 0.660872), sementara Content-Based Filtering menghasilkankan peforma yang rendah dan membatasi kemampuan model hybrid. Kesimpulannya, penelitian ini menyoroti superiotas model berbasis latent feature seperti NCF yang belajar langsung dari pola interaksi pengguna dibandingkan pendekatan berbasis konten dalam konteks sistem rekomendasi modern.
Kata kunci: content-based filtering; hybrid filtering; neural collaborative filtering; rekomendasi film.
Abstract:Abstract: The Halodoc application, as a digital healthcare service platform, has been widely used for various medical purposes, such as doctor consultations, medication purchases, and laboratory services. User interactions…
ns and reviews play a crucial role in enhancing service quality. Sentiment analysis was conducted using the Support Vector Machine (SVM) method to assess user perceptions and satisfaction based on reviews obtained from the Google Play Store platform. The analysis process included data collection, text preprocessing, data transformation using TF-IDF, and training an SVM model to predict sentiment. The model achieved its highest accuracy of 88.32% in the first scenario. However, accuracy slightly decreased in the second and third scenarios, reaching 86.25% and 86.94%, respectively. The analysis results indicated that the model performed best in the first scenario, with the lowest number of prediction errors. Additionally, the model was more accurate in classifying negative and positive sentiments than neutral ones.
Keywords: halodoc application; sentiment analysis; support vector machine algorithm
Abstrak: Aplikasi Halodoc, sebagai platform layanan kesehatan digital, telah banyak digunakan untuk berbagai keperluan medis seperti konsultasi dokter, pembelian obat, dan layanan laboratorium. Interaksi pengguna dan ulasan mereka memiliki peran krusial dalam meningkatkan mutu layanan. Analisis sentimen dilakukan dengan menggunakan metode Support Vector Machine (SVM) untuk mengetahui persepsi dan kepuasan pengguna berdasarkan ulasan yang diperoleh dari Platform Google Play Store. Proses analisis mencakup pengumpulan data, pra-pemrosesan teks, transformasi data menggunakan TF-IDF, dan pelatihan model SVM untuk memprediksi sentimen. Hasil pelatihan model dengan akurasi tertinggi sebesar 88,32% pada skenario pertama. Akurasi sedikit menurun pada skenario kedua dan ketiga, masing-masing sebesar 86,25% dan 86,94%, Hasil analisa menunjukkan bahwa model memiliki performa terbaik pada skenario pertama dengan jumlah kesalahan prediksi terkecil. Selain itu, model cenderung lebih akurat dalam mengklasifikasikan sentimen negatif dan positif dibandingkan netral..
Kata kunci: algoritma support vector machine; analisis sentimen; aplikasi halodoc
Abstract:Abstract: The implementation of Geographic Information Systems (GIS) within organizations has become essential in accomplishing work activities in the modern era. Sideak Motor is a financing company in Kisaran City, Asahan…
an Regency, that provides loans using motorcycle registration certificates (BPKB) as collateral, with a customer base reaching 6,052. Sideak Motor faces difficulties in data management. During meetings concerning customer locations, data communication with owners and office staff is often problematic. Additionally, when duties are transferred, new field officers struggle to locate customers because the previous officers could only provide textual information. As a result, office staff have no precise knowledge of customer locations—only the field officers do. This study aims to design a web-based customer mapping system to facilitate information storage, reduce costs, save time, and produce an information system that enhances the efficiency and accuracy of customer data management. The resulting system presents the distribution of customer locations and provides accessible information such as personal data, addresses, route details, and photos of customers’ homes, thereby simplifying the operations of Sideak Motor.
Keywords: customer distribution mapping; geographic information system (GIS); sideak motor.
Abstrak: Penerapan sistem informasi geografis dalam organisasi menjadi hal utama untuk menyelesaikan suatu aktivitas pekerjaan pada era sekarang ini. Sideak Motor merupakan salah satu perusahaan pembiayaan dengan agunan BPKB sepeda motor di Kota Kisaran Kabupaten Asahan yang memiliki nasabah mencapai 6.052, Sideak Motor kesulitan dalam pengelolaan data, saat melakukan rapat mengenai lokasi nasabah sulit dilakukan komunikasi data dengan pemilik dan petugas kantor lainnya, serta pada saat pergantian tugas, petugas lainnya kesulitan mencari lokasi nasabah, karena petugas lapangan hanya bisa memberikan informasi berupa teks, dengan begitu petugas kantor tidak mengetahui lokasi pasti nasabah Sideak Motor, jadi yang mengetahui lokasi mengenai tempat tinggal nasabah hanya petugas lapangan. Penelitian ini memiliki tujuan untuk merancang sebuah sistem pemetaan nasabah berbasis web yang dapat mempermudah dalam penyimpanan informasi, mengurangi biaya, menghemat waktu serta menghasilkan sistem informasi yang dapat meningkatkan efisiensi dan akurasi pengelolaan data nasabah. Hasil sistem ini menyajikan sebaran pemetaan lokasi nasabah menyediakan informasi berupa biodata, alamat, rincian rute, dan gambar rumah nasabah yang dapat diakses secara cepat dan akurat sehingga dapat mempermudah pihak sideak motor.
Kata Kunci: pemetaan sebaran nasabah; sistem informasi geografis (SIG); sideak motor
Abstract:Abstract: In the manufacturing industry, production scheduling become an important aspect that affects operational efficiency and customer satisfaction. The main challenge in scheduling is optimizing the use of resources…
to meet demand by minimizing production costs and time. Suboptimal scheduling can lead to problems such as delays in stocking, stock buildup, and increased operational costs. Thus, a method can to handle the complexity and uncertainty in the production process is needed. The Fuzzy Tahani Model is an approach in decision support systems. this can be used to help companies achieve more efficient and adaptive production scheduling, to consider various variables such as demand, production capacity, and inventory levels. This research aims to develop and implement the model in the context of production scheduling, with the hope of improving operational performance and customer satisfaction. At this time, the proposed Fuzzy Model Tahani technology is in TKT 4, which is the validation stage of technology components in a laboratory environment. The system creates an optimal production schedule based on fuzzy rules and defuzzification results, making it a useful tool for production decisions.
Keywords: fuzzy model tahini; decision support system; production optimization; production scheduling.
Abstrak: Dalam industri manufaktur, penjadwalan produksi adalah aspek penting yang mempengaruhi efisiensi operasional dan kepuasan pelanggan. Tantangan utama dalam penjadwalan adalah mengoptimalkan penggunaan sumber daya untuk memenuhi permintaan dengan meminimalkan biaya dan waktu produksi. Penjadwalan yang tidak optimal dapat menyebabkan masalah seperti keterlambatan pengiriman, penumpukan stok, dan peningkatan biaya operasional. Oleh karena itu, diperlukan suatu metode yang mampu menangani kompleksitas dan ketidakpastian dalam proses produksi. Fuzzy Model Tahani adalah salah satu pendekatan yang dapat digunakan dalam sistem pendukung keputusan untuk membantu perusahaan mencapai penjadwalan produksi yang lebih efisien dan adaptif, dengan mempertimbangkan berbagai variabel seperti permintaan, kapasitas produksi, dan tingkat persediaan. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan model tersebut dalam konteks penjadwalan produksi, dengan harapan dapat meningkatkan performa operasional dan kepuasan pelanggan. Pada saat ini, teknologi Fuzzy Model Tahani yang diusulkan berada pada TKT 4, yaitu tahap validasi komponen teknologi dalam lingkungan laboratorium. Sistem ini menciptakan jadwal produksi yang optimal berdasarkan aturan fuzzy dan hasil defuzzifikasi, menjadikannya alat yang berguna untuk pengambilan keputusan produksi.
Kata kunci: fuzzy model tahani; optimasi produksi; penjadwalan produksi; sistem pendukung keputusan.
Abstract:Abstract: This research tries to describe student cluster analysis, as an effort to optimize campus promotion to various schools and regions. It is known that every year, Politeknik Pertanian Negeri Payakumbuh, abbreviated…
ed as PPNP, brings in students from various regions in Indonesia. Regarding the campus promotion strategy process, the PPNP promotion section has not been based or referred to the results of processing existing student data. So that the budget used by the campus promotion team has not been right on target with the results of students who can be brought to campus. In addition, the existing student database has not been processed or explored further, so that it has not produced knowledge that is very useful as material to support the decisions of the academic and student affairs department and the campus promotion team. The method used in this research is CRISP-DM which stands for Cross- Industry Standard Process for Data Mining. Based on the characteristics of each cluster, the PPNP Promotion Team in conducting the next socialization is advised to prioritize provinces such as West Sumatra and North Sumatra. Currently, managerial circles in this context, university leaders are expected to be able to make data-based decisions. Data-based decision making can foster a culture of sustainable innovation, produce customer-centric offerings and drive long-term business growth.
Keywords: cluster analysis; student data; k-means clustering; campus promotion
Abstrak: Penelitian ini mencoba untuk mendeskripsikan analisis cluster mahasiswa, sebagai upaya optimalisasi dalam melakukan promosi kampus ke berbagai sekolah dan daerah. Diketahui bahwa setiap tahunnya, Politeknik Pertanian Negeri Payakumbuh disingkat PPNP mendatangkan mahasiswa dari berbagai daerah di Indonesia. Terkait dengan proses strategi promosi kampus, bagian promosi PPNP belum didasarkan pada hasil pengolahan data mahasiswa yang ada. Sehingga anggaran yang digunakan tim promosi belum tepat sasaran dengan hasil mahasiswa yang dapat didatangkan ke kampus. Selain itu database mahasiswa yang ada selama ini belum diolah atau digali secara jauh, sehingga belum menghasilkan pengetahuan yang bermanfaat sebagai bahan untuk mendukung keputusan bagian akademik dan kemahasiswaan serta tim promosi kampus. Metode yang digunakan dalam penelitian ini yaitu CRISP-DM merupakan singkatan dari Cross-Industry Standart Process for Data Mining. Berdasarkan karakteristik setiap cluster, maka untuk Tim Promosi PPNP dalam melakukan sosialisasi berikutnya disarankan memprioritaskan pada provinsi seperti Sumatera Barat dan Sumatera Utara. Saat ini kalangan manajerial yaitu pimpinan perguruan tinggi diharapkan dapat melakukan pengambilan keputusan berbasis pada data. Pengambilan keputusan berbasis data dapat menumbuhkan budaya inovasi yang berkelanjutan, menghasilkan penawaran yang berpusat pada pelanggan dan mendorong pertumbuhan bisnis jangka panjang.
Kata kunci: analisis cluster; data mahasiswa; k-means clustering, promosi kampus