KLASIFIKASI TINGKAT PARTISIPASI PEMILU BERDASARKAN SEKTOR INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES

  • Yusuf Raharja Universitas Muhammadiyah Sidoarjo
  • Arif Senja Fitrani Universitas Muhammadiyah Sidoarjo
  • Rohman Dijaya Universitas Muhammadiyah Sidoarjo

Abstract

Elections represent the highest form of people's power and a democratic means to elect representatives and leaders. Public participation, influenced by demographics especially in the industrial sector, is a crucial indicator of an election's success. This research aims to classify the level of electoral participation in Pasuruan Regency based on demographic aspects, particularly in the industrial sector of Pasuruan Regency. The demographic dataset includes geography, population, industrial sector and other aspects at the village level sourced from the Pasuruan Regency Central Statistics Agency with a total of 80 attributes designated as predictor attributes and 2019 election recapitulation data on the level of community participation at the voting place specified as target attribute. The preprocessing steps include data cleaning, data transformation, data integration, attribute correlation, random dataset, forming two model datasets, and splitting the data with a 70:30 ratio. The method used in this research is the classification method with the Naïve Bayes algorithm. The results of the testing of model dataset 1 produced an accuracy of 61.8% and model dataset two produced an accuracy of 67.6%. The number of industries in Pasuruan Regency does not have a significant influence on the level of public participation in elections in Pasuruan Regency.

References

[1] U. Nufikha, H. Yayuk, and T. Meiwatizal, “Urgensi Etika Demokrasi Di Era Global: Membangun Etika Dalam Mengemukakan Pendapat Bagi Masyarakat Akademis Melalui Pendidikan Kewarganegaraan,” J. Kewarganegaraan, vol. 5, no. 2, p. 18, 2021, doi: 10.31316/jk.v5i2.1576.
[2] A. Kristian Sumual, M. Gerson Lontaan, and Y. Supit, “Pelaksanaan Pemilu Di Indonesia Berdasarkan Perspektif Undang Undang Dasar 1945,” J. Law Nation, vol. 2, no. Mei, pp. 103–112, 2023.
[3] A. Dedi, “Analisis Sistem Pemilihan Umum Serentak 2019,” Moderat J. Ilm. Ilmu Pemerintah., vol. 5, no. 3, pp. 213–226, 2019, doi: 10.25147/moderat.v5i3.2676.
[4] W. Kusuma, B. Permatasari, and R. A. Suntara, “Peningkatan Pengawasan Partisipatif Masyarakat Desa dalam Pelaksanaan Pemilihan Umum Serentak Tahun 2024 melalui Penyuluhan Hukum,” DAS SEIN J. Pengabdi. Huk. dan Hum., vol. 2, no. 2, pp. 93–104, 2022, doi: 10.33756/jds.v2i2.15256.
[5] M. Gultom, M. Silalahi, G. Hutagalung, and J. A. Marbun, “Pengaruh Sosialisasi Terhadap Tingkat Partisipasi Pemilih Dalam Menggunakan Hak Pilihnya Pada Pemilu Di Kabupaten Toba Samosir,” J. Reg. Plan., vol. 2, no. 1, pp. 26–41, 2020, doi: 10.36985/jrp.v2i1.591.
[6] Z. Abidin AS and D. Kurnia, “Implementasi Nilai-Nilai Demokrasi Dalam Pemilihan Kepala Desa Di Kabupaten Bandung Barat,” J. Acad. Praja, vol. 5, no. 1, pp. 1–12, 2022, doi: 10.36859/jap.v5i1.700.
[7] D. E. Safitri and A. S. Fitrani, “IMPLEMENTASI METODE KLASIFIKASI DENGAN ALGORITMA SUPPORT VECTOR MACHINE KERNEL GAUSSIAN RBF UNTUK PREDIKSI PARTISIPASI PEMILU TERHADAP DEMOGRAFI KOTA SURABAYA,” Indones. J. Bus. Intell., vol. 5, no. 1, p. 36, 2022, doi: 10.21927/ijubi.v5i1.2259.
[8] O. Manurung and P. S. Hasugian, “Analisa Algoritma Apriori Untuk Peminjaman Buku Pada Perpustakaan SMA 1 Silima Pungga-Pungga Parongil,” Remik, vol. 4, no. 1, pp. 154–160, 2019, doi: 10.33395/remik.v4i1.10445.
[9] M. Wibowo and R. Ramadhani, “Perbandingan Metode Klasifikasi Data Mining Untuk Rekomendasi Tanaman Pangan,” vol. 5, pp. 913–921, 2021, doi: 10.30865/mib.v5i3.3086.
[10] M. M. Arif, H. Setiawan, A. S. Fitrani, F. Sains, and U. Muhammadiyah, “Penggunaan Datamining Untuk Memprediksi Masa Studi Mahasiswa di Universitas Muhammadiyah Sidoarjo Dengan Algoritma Naive Bayes,” vol. 4, no. 3, pp. 622–629, 2023, doi: 10.30645/kesatria.v4i3.210.
[11] B. Laurensz and Eko Sediyono, “Analisis Sentimen Masyarakat terhadap Tindakan Vaksinasi dalam Upaya Mengatasi Pandemi Covid-19,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 2, pp. 118–123, 2021, doi: 10.22146/jnteti.v10i2.1421.
[12] A. N. Sihananto and H. Maulana, “STUDI LITERATUR TENTANG PERFORMA NAÏVE BAYES DALAM KLASIFIKASI DATA,” Pros. Semin. Nas. Inform. Bela Negara, vol. 2, pp. 132–135, 2021, doi: 10.33005/santika.v2i0.134.
[13] M. Saputra et al., “Analisis metode algoritma k- nearest neighbor (knn) dan naive bayes untuk klasifikasi diabetes mellitus,” vol. 6, pp. 723–729, 2023, doi: 10.37600/tekinkom.v6i2.942.
[14] R. I. Borman and M. Wati, “Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes,” J. Ilm. Fak. Ilmu Komput., vol. 09, no. 01, pp. 25–34, 2020.
[15] F. A. Pratama, R. Narasati, and D. R. Amalia, “Pengaruh Kata Cashback Terhadap Peningkatan Penjualan Menggunakan Data Mining,” J. Ilm. Manaj. Inform. dan Komput., vol. 3, no. 2, pp. 1–5, 2019, doi: 10.32485/kopertip.v3i2.66.
[16] S. Anastassia Amellia Kharis and A. Haqqi Anna Zili, “Learning Analytics dan Educational Data Mining pada Data Pendidikan,” J. Ris. Pembelajaran Mat. Sekol., vol. 6, pp. 12–20, 2022, doi: 10.21009/jrpms.061.02.
[17] M. Thoriq, “Peramalan Jumlah Permintaan Produksi Menggunakan Jaringan Saraf Tiruan Algoritma Backpropagation,” J. Inf. dan Teknol., vol. 4, pp. 27–32, 2022, doi: 10.37034/jidt.v4i1.178.
[18] A. S. Fitriani, “Penerapan Data Mining Menggunakan Metode Klasifikasi Naïve Bayes untuk Memprediksi Partisipasi Pemilihan Gubernur,” JTAM (Jurnal Teor. dan Apl. Mat., vol. 3, no. 2, pp. 98–104, 2019, doi: 10.31764/jtam.v3i2.995.
[19] S. Melangi, “Klasifikasi Usia Berdasarkan Citra Wajah Menggunakan Algoritma Artificial Neural Network dan Gabor Filter,” Jambura J. Electr. Electron. Eng., vol. 2, no. 2, pp. 60–67, 2020, doi: 10.37905/jjeee.v2i2.6956.
[20] A. Damuri, U. Riyanto, H. Rusdianto, and M. Aminudin, “Implementasi Data Mining dengan Algoritma Naïve Bayes Untuk Klasifikasi Kelayakan Penerima Bantuan Sembako,” JURIKOM (Jurnal Ris. Komputer), vol. 8, no. 6, p. 219, 2021, doi: 10.30865/jurikom.v8i6.3655.
Published
2024-06-30
How to Cite
RAHARJA, Yusuf; FITRANI, Arif Senja; DIJAYA, Rohman. KLASIFIKASI TINGKAT PARTISIPASI PEMILU BERDASARKAN SEKTOR INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES. Jurnal Tekinkom (Teknik Informasi dan Komputer), [S.l.], v. 7, n. 1, p. 135-143, june 2024. ISSN 2621-3079. Available at: <https://jurnal.murnisadar.ac.id/index.php/Tekinkom/article/view/1204>. Date accessed: 19 july 2024. doi: https://doi.org/10.37600/tekinkom.v7i1.1204.
Section
Articles