Perpustakaan Digital ITB

Pemililihan umum (pemilu) untuk memilih anggota Dewan Perwakilan Rakyat (DPR) di Indonesia terlaksana setiap 5 tahun sekali. Pada setiap penyelenggaraan pemilu tersebut, hanya sejumlah kecil dari kandidat yang dinominasikan oleh partai politik dapat terpilih dan mendapat kursi sebagai anggota legislatif di DPR. Ananda, Arifin, & Suryadinata (2005) mencatat terdapat 7.756 kandidat untuk 550 kursi DPR pada tahun 2004. Kemudian, Komisi Pemilihan Umum mencatat terdapat 11.301 calon legislatif (caleg) untuk 560 kursi DPR pada tahun 2009, 6.606 caleg untuk 560 kursi DPR pada tahun 2014, dan 7.968 caleg untuk 575 kursi DPR pada tahun 2019. Sejak awal tahapan penyelenggaraan pemilu pada setiap periode penyelenggaraan, banyak pihak yang mencoba untuk memprediksi hasil pemilu, baik berdasarkan data masa lalu maupun kondisi yang terjadi menjelang pelaksanaan pemilu. Kondisi di mana perbandingan kelas yang tidak sama dalam pemodelan prediksi seperti dalam kasus pemilu legislatif di Indonesia ini umumnya disebut dengan data tidak seimbang. Salah satu metode yang dapat digunakan untuk memprediksi hasil pemilu tersebut adalah algoritma pembelajar atau yang umum disebut dengan machine learning. Penelitian ini bertujuan untuk merancang model prediksi keterpilihan calon legislatif (caleg) DPR dengan menggunakan algoritma pembelajar terarah atau supervised learning. Model prediksi yang dirancang menggunakan data faktor-faktor yang memiliki pengaruh terhadap keterpilihan kandidat pemilu berdasarkan penelitian sebelumnya tentang model estimasi pada studi kasus pemilu legislatif tahun 2014 dengan metode Ordinary Least Square (OLS) dan Logistic Regression oleh Darawijaya (2014). Penelitian ini mengembangkan model sebelumnya dengan menambahkan penggunaan metode Neural Network berdasarkan referensi penelitian pemodelan prediksi dengan algoritma pembelajar untuk kasus pemilihan umum presiden di Amerika Serikat oleh Zolghadr, Niaki, & Niaki (2018). Model prediksi keterpilihan caleg ini dirancang untuk penugasan klasifikasi berjenis biner sebab hanya terdapat 2 kelas dalam variabel hasil: ‘Terpilih’ dan ‘Tidak Terpilih’. Untuk mengevaluasi hasil prediksi dari model yang dirancang, metrik yang digunakan adalah akurasi dan Receiver Operating Characteristic (ROC)/Area Under Curve (AUC). Hasil penelitian ini adalah model prediksi yang dirancang yang memberikan metrik pengujian terbaik adalah model Neural Network dengan data gabungan informasi publik milik caleg dan dana kampanye, yaitu dengan nilai akurasi 91,48% dan nilai AUC 91,59%.