PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

  • Mohammad Badrul (1*) Sistem Informasi STMIK Nusa Mandiri

  • (*) Corresponding Author
Keywords: Algoritma K-Nearest Neighbor, Data Mining, Prediksi Hasil Pemilu

Abstract

Pemilihan Umum di Indonesia telah mengalami beberapa perubahan dari periode Pemilu ke periode Pemilu yang lain. Selama pemilu Orde Baru, kita mengenal sistem pemilu proporsional dengan daftar tertutup. Keterpilihan calon legislatif bukan ditentukan pemilih, melainkan menjadi kewenangan elite partai politik sesuai dengan susunan daftar caleg beserta nomor urut. Dalam sistem demikian, kedudukan parpol menjadi sangat kuat terhadap kadernya di parlemen. Namun di satu sisi, basis sosial dan relasi politik para wakil rakyat dengan konstituen menjadi lemah. Inilah yang menyebabkan kedudukan caleg terpilih mereka menjadi ”jauh” dalam hubungannya dengan konstituen. Semangat memilih langsung wakil rakyat baru mulai diakomodasi pada Pemilu 2004 melalui UU No. 12 Tahun 2003, dengan menggunakan sistem proporsional dengan daftar calon terbuka. Pemilih tidak hanya memilih tanda gambar parpol, tetapi juga diberi kesempatan memilih caleg.Penelitian yang berhubungan dengan pemilu sudah pernah dilakukan oleh peneliti yaitu dengan menggunakan metode decision tree dan classification tree dan estimator bayesian. Pada penelitian ini peneliti akan menggunakan metode K-Nearest Neighbor. algoritma K-Nearest Neighbor telah menunjukkan hasil yang menjanjikan dalam prediksi untuk data time-series dibandingkan dengan pendekatan tradisional sehingga hasil prediksi pemilu legislatif DKI Jakarta lebih akurat.

Downloads

Download data is not yet available.

References

Dawson, C. W. , 2009, Projects in Computing and Information System A Student's Guide. England: Addison-Wesley.

Gorunescu, F. , 2011, Data Mining Concept Model Technique. India: Springer.

Han, J., & Kamber, M. , 2007, Data Mining Concepts and Technique. Morgan Kaufmann publisher.

Han, J., dan Kamber, M. (2007). Data Mining Concepts and Technique. Morgan Kaufmann publisher

Kusrini, & Luthfi, E. T. , 2009, Algoritma Data mining. Yogyakarta: Andi.

Larose, D. T. , 2005, Discovering Knowledge in Data. Canada: Wiley Interscience.

Nagadevara, & Vishnuprasad. , 2005, Building Predictive models for election result in india an application of classification trees and neural network. Journal of Academy of Business and Economics Volume 5 .

Rigdon, S. E., Jacobson, S. H., Sewell, E. C., & Rigdon, C. J. , 2009, A Bayesian Prediction Model For the United State Presidential Election. American Politics Research volume.37 , 700-724.

Santoso, T. (2004). Pelanggaran pemilu 2004 dan penanganannya. Jurnal demokrasi dan Ham , 9-29.

Sardini, N. H. , 2011, Restorasi penyelenggaraan pemilu di Indonesia. Yogyakarta: Fajar Media Press.

Undang-Undang RI No.10 , 2008.

Vercellis, C. , 2009, Business Intelligence : Data Mining and Optimization for Decision Making. John Wiley & Sons, Ltd.

Witten, I. H., Frank, E., & Hall, M. A. 2011. Data Mining: Practical Machine Learning and Tools. Burlington : Morgan Kaufmann Publisher
Published
2015-09-15
How to Cite
Badrul, M. (2015). PREDIKSI HASIL PEMILU LEGISLATIF DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR. Jurnal Pilar Nusa Mandiri, 11(2), 152-160. Retrieved from https://ejournal.nusamandiri.ac.id/index.php/pilar/article/view/424
Article Metrics

Abstract viewed = 937 times
PDF downloaded = 1856 times

Most read articles by the same author(s)