Analisis Perbandingan Klasifikasi Hasil Suara Pemilu 2024 dengan Pendekatan Machine Learning (K-Means + KNN) dan Deep Learning (MLP)
Pemilu sebagai pilar demokrasi memerlukan pemahaman mendalam terhadap pola suara pemilih yang dipengaruhi berbagai faktor. Penelitian ini membandingkan K-Means + K-Nearest Neighbors (KNN) dan Multilayer Perceptron (MLP) untuk memprediksi hasil Pemilu 2024 berbasis variabel pendidikan dan ekonomi. Dataset mencakup 514 kabupaten/kota dengan enam fitur numerik dari BPS dan label kelas berdasarkan pasangan calon dengan suara terbanyak. Gower Distance digunakan untuk penanganan data campuran pada K-Means + KNN. Normalisasi MinMaxScaler digunakan pada kedua pendekatan. Teknik balancing seperti SMOTE pada MLP dan SMOTE-NC pada
K-Means + KNN telah diterapkan, namun tidak memberikan perbaikan signifikan pada hasil evaluasi. Hasil menunjukkan K-Means + KNN (setelah tuning) unggul pada klasifikasi eksplisit (akurasi 0.9029 dan F1-score 0.88). Di sisi lain, MLP lebih kuat pada pemodelan probabilistik, tercermin dari ROC-AUC tertinggi (0.6881) dengan AUC kelas minoritas mencapai 0.75. Penelitian ini menyimpulkan bahwa pemilihan model terbaik bergantung pada fokus utama klasifikasi, apakah ketepatan prediksi dan stabilitas klasifikasi atau pembedaan probabilistik antar kelas.
URI
https://repo.itera.ac.id/depan/submission/SB2509080040
Keyword
Klasifikasi Pemilu K-Means K-Nearest Neighbors Multilayer Perceptron Gower Distance