ANALISIS DAN PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI DALAM PENYUSUNAN DAFTAR PEMILIH SEMENTARA: Studi Kasus di Desa Cisempur

Setiap menjelang pemilu, perlu dilaksanakannya tahapan penyusunan daftar pemilih, salahsatu tahapannya adalah penyusunan daftar pemilih sementara (DPS). Dalam penyusunan DPS, seringkali ditemukan masalah yakni pemilih yang tidak memenuhi syarat masuk ke dalam DPS sedangkan pemilih baru tidak dimasuk...

Full description

Saved in:
Bibliographic Details
Main Author: Bagus Julyanto, - (Author)
Format: Book
Published: 2024-01-18.
Subjects:
Online Access:Link Metadata
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Setiap menjelang pemilu, perlu dilaksanakannya tahapan penyusunan daftar pemilih, salahsatu tahapannya adalah penyusunan daftar pemilih sementara (DPS). Dalam penyusunan DPS, seringkali ditemukan masalah yakni pemilih yang tidak memenuhi syarat masuk ke dalam DPS sedangkan pemilih baru tidak dimasukkan ke dalam DPS, padahal pemilih tersebut telah memenuhi syarat untuk mencoblos. Untuk mempermudah proses tersebut, dapat menggunakan algoritma klasifikasi yang dapat membantu mengklasifikasikan data pemilih. Macam-macam algoritma klasifikasi yakni Decision Tree, k-NN, Naive Bayes dan SVM dengan berbagai kelebihan dan kekurangan masing-masing. Penelitian ini bertujuan untuk mengetahui bagaimana algoritma klasifikasi dapat membantu proses klasifikasi data pemilih, mengetahui akurasi dari setiap algoritma klasifikasi, serta mengevaluasi dan membandingkan setiap algoritma klasifikasi dalam mengklasifikasikan data pemilih. Dataset yang digunakan berupa data pemilih yang berdomisili di Desa Cisempur berjumlah 7310 data pemilih. Dataset tersebut kemudian dilakukan splitting menjadi data latih, data validasi, dan data uji dan setelahnya dilakukan pre-processing. Kemudian model algoritma klasifikasi dilatih dengan data latih dan data validasi, serta diuji dengan data uji. Dari hasil pengujian, Model Decision Tree memiliki skor akurasi tertinggi sebesar 94.88%, diikuti oleh Model k-NN dengan skor akurasi sebesar 94.73%, Model Naive Bayes dengan skor akurasi sebesar 93.95%, Model SVM dengan skor akurasi sebesar 93.95%. Sehingga dalam penelitian ini, Decision Tree lebih akurat dalam mengklasifikasikan data pemilih. --------- Every time an election is approaching, it is necessary to carry out the stages of preparing the voters list, one of which is the preparation of the temporary voters list (DPS). In the preparation of the DPS, problems are often found, namely voters who are not eligible to be included in the DPS while new voters are not included in the DPS, even though these voters are eligible to vote. To simplify the process, we can use classification algorithms that can help classify voter data. Various classification algorithms are Decision Tree, k-NN, Naive Bayes and SVM with various advantages and disadvantages. This research aims to find out how classification algorithms can help the voter data classification process, determine the accuracy of each classification algorithm, and evaluate and compare each classification algorithm in classifying voter data. The dataset used is data on voters who live in Cisempur Village. The dataset is then split into training data, validation data, and test data and after that pre-processing is carried out. Then the classification algorithm model is trained with training data and validation data, and tested with test data. From the test results, the Decision Tree model has the highest accuracy score of 94.88%, followed by the k-NN model with an accuracy score of 94.73%, the Naive Bayes model with an accuracy score of 93.95%, the SVM model with an accuracy score of 93.95%. So that in this study, the Decision Tree is more accurate in classifying voter data.
Item Description:http://repository.upi.edu/114873/1/S_RPL_1903710_Title.pdf
http://repository.upi.edu/114873/2/S_RPL_1903710_Chapter1.pdf
http://repository.upi.edu/114873/3/S_RPL_1903710_Chapter2.pdf
http://repository.upi.edu/114873/4/S_RPL_1903710_Chapter3.pdf
http://repository.upi.edu/114873/5/S_RPL_1903710_Chapter4.pdf
http://repository.upi.edu/114873/6/S_RPL_1903710_Chapter5.pdf
http://repository.upi.edu/114873/7/S_RPL_1903710_Appendix.pdf