MENENTUKAN STRATEGI PROMOSI MENGGUNAKAN ALGORITMA CLUSTERING K-MEANS
Bibliographic record
Abstract
Strategi promosi sangat mempengaruhi jumlah penerimaan siswa baru pada Sekolah maupun tingkat perguruan tinggi, perlu dilakukan tindakan strategi yang tepat karena ini adalah kegiatan yang dilakukan setiap tahunnya. Pembahasana dalam penelitian ini adalah data penerimaan siswa pada SMA dan SMK Harapan Bangsa, Kuala, Kabupaten Langkat, Sumatera Utara dimulai tahun 2017, 2018 dan 2019 yang berjumlah 754 data penerimaan mahasiswa dengan menggunakan terori-teori data mining yaitu Algoritma K-Means Clustering. Dari hasil penelitian ini didapatkan informasi anggota cluster 1 terdiri dari 164 siswa yang berasal dari kecamatan Kuala sebanyak 75 siswa, dengan asal sekolah terbanyak dari SMP Negeri 1 Salapian sebanyak 21 siswa, dan dengan jurusan terbanyak SMK-TKR sebanyak 54 siswa, sehingga darihasil penelitian ini disimpulkan bahwa ada 2 strategi yang dapat dilakukan oleh tim promosi SMA dan SMK Harapan Bangsa, yaitu melakukan kegiatan promosi ke kecamatan-kecamatan berdasarkan jurusan yang paling banyak diminati dan melakukan kegiatan promosi ke sekolah-sekolah SMP berdasarkan jurusan yang paling banyak diminati. Adapun yang membedakan kedua strategi promosi dari hasil penelitian ini adalah promosi dilakukan berdasarkan kecamatan dan satu lagi berdasarkan sekolah SMP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".