Penerapan Data Mining dalam Menentukan Potensi Keberhasilan Bakal Calon Legislatif...

Transkripsi

1 Peerp Dt Miig dlm Meetuk Potesi Keberhsil Bkl Clo Legisltif... (Bgj dkk.) PENERAPAN DATA MINING DALAM MENENTUKAN POTENSI KEBERHASILAN BAKAL CALON LEGISLATIF DI DAERAH PEMILIHAN JAWA BARAT MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Alfi Dhuhw Bgj *, Guw Abdillh, Fiz Reldi Jurus Iformtik, Fkults MIPA, Uiversits Jederl Achmd Yi Jl. Terus Jederl Sudirm, Cimhi, Jw Brt, *Emil: Abstrk Pemilih umum dlh slh stu cr dlm sistem demokrsi utuk memilih wkil rkyt yg k duduk di lembg perwkil rkyt. Populrits buklh fktor utm yg dpt mejmi kesukses clo legisltif utuk lolos pd pemilih umum. Dibdigk deg megdlk populrits, meetuk strtegi dlh hl yg tept utuk dilkuk st pemilih umum. Slh stu strtegi tersebut dlh deg meetuk derh pemilih. Permslh yg terjdi dlm meetuk derh pemilih dlh terjdiy ketidksimb wilyh tr clo legisltif deg derh pemilihy. Mk perlu memperhtik dt ltr belkg ggot legisltif sebelumy yg telh berhsil di derh pemilihy. Dt Miig didefiisik sebgi proses peemu pol dlm dt, lgoritm K-Nerest Neighbosr dlh slh stu lgoritm dt miig yg melkuk klsifiksi terhdp objek berdsrk dt pembeljr yg jrky plig dekt deg objek tersebut. Peliti ii membgu sebuh sistem yg dpt meetuk derh pemilih yg berpotesi berhsil utuk bkl clo legisltive di Jw Brt. Hsil dri peeliti ii berup sistem yg dpt meghsilk rekomedsi derh pemilih yg berpotesi berhsil utuk bkl clo legisltif deg tigkt kursi dt uji sebesr 85,62%. Kt kuci: pemilih umum, clo legisltif, derh pemilih, dt miig, k-erest eighbors. 1. PENDAHULUAN Pemilih umum (Pemilu) dlh slh stu cr dlm sistem demokrsi utuk memilih wkil-wkil rkyt yg k duduk di lembg perwkil rkyt, sert slh stu betuk pemeuh hk ssi wrg egr di bidg politik. Populrits dlm pemilih umum serig di ggp sebgi modl petig utuk dpt lolos d terpilih mejdi ggot legisltif, sehigg tidk sedikit pr publik figur di bidg kesei memilih meigglk merek sebgi rtis utuk ber di bidg politik. Berdsrk hsil pemilu pd periode sebelumy, byk rtis yg meclok diri utuk bersig pd pemilih umum, hsily tidk sedikit dri merek yg ggl utuk lolos mejdi ggot legisltif. Sebgi cotoh pd pemilu periode 2014 April kemri, beberp m term seperti ktor Sdy Nyo, d mt jur dui bulu tgkis Ricky Subgj. Bhk rtis pd periode sebelumy lolos mejdi ggot prleme pd periode 2014 tersigkir dri persig, seperti Iggrid Ksil, d Nurul Arifi. Tidk hy rtis yg ggl pd pemilih umum, beberp politisi terkel d sudh lm ber di bidg politik seperti Ketu DPR periode 2009 Mrzuki Alie d Wkily Priyo Budi Stoso, Ev Kusum Sudri, Nurul Arifi d Sut Bhtoeg, turut ggl dlm pemilih umum. Hl ii membuktik bhw populrits buklh fktor utm yg dpt mejmi kesukses clo legisltif utuk lolos pd pemilih umum. Dibdigk deg megdlk populrits di klg msyrkt, membgu strtegi lebih tept utuk dpt dijdik sebgi modl dlm bersig pd pemilih umum. Terdpt byk strtegi yg dpt diterpk utuk bersig pd pemilih umum, slh stuy dlh meetuk derh pemilih. Dlm derh pemilih di Jw Brt, terdpt 11 derh pemilih yg digologk mejdi Jw Brt I smpi deg Jw Brt XI. Clo legisltif dpt meetuk derh pemilih merek sediri. Ak tetpi pd beberp kesempt dlm meetuk derh pemilih tersebut serig tidk optiml seperti terjdiy ketidksimb wilyh tr clo legisltif deg derh pemilih, seli itu ltr belkg dri clo legisltif tersebut kurg cocok utuk berd pd derh pemilih yg dipilihy, sehigg meyebbk kurgy pegethu seputr derh pemilih bgi clo legisltif tersebut. Hl ii berkibt clo 184 ISBN

2 F.32 legisltif tersebut memiliki kemki dpt klh sig deg clo legisltif liy. Ltr belkg ggot legisltif dpt dijdik sebgi cu dlm meetuk derh pemilih di Jw Brt. Iformsi ltr belkg yg dibutuhk dlm meetuk derh pemilih dpt digli berdsrk pd dt ggot legisltif sebelumy. Dt miig didefiisik sebgi proses peemu pol dlm dt (Lediy, 2013). Dlm meemuk iformsi kriteri pd dt sebelumy dpt megguk metode Dt Miig. Pd peeliti terdhulu metode dt miig sudh diguk seperti pd peeliti, peetu resiko kredit kepemiliki kedr bermotor(lediy, 2013), pegmbil keputus pegju kredit (Pdie, 2012), klsifiksi bidg kerj kelulus (Nurslim, et l., 2014). K-Nerest Neighbors merupk slh stu lgoritm yg diguk utuk mecri kecocokk dt lm deg dt bru. Algoritm KNN sudh byk diguk pd peelitipeeliti sebelumy seperti klsifiksi dt hsil produksi kelp swit pd PT. Mims Kecmt Pridu (Krisdi, et l., 2013). Dlm peeliti ii k di guk metode dt miig dlm meetuk keberhsil bkl clo legisltif di derh pemilih Jw Brt megguk lgoritm KNN. 2. METODOLOGI 2.1 Pegumpul Dt Pd thp ii dilkuk pegumpul dt yg dibutuhk utuk peeliti ii. Dt yg dikumpulk dlh dt legisltif sebelumy, yg ti k dicri kesm utuk meetuk peempt derh pemilih bkl clo legisltif pd pemilih umum. 2.2 Alisis Kebutuh Pd thp ii, meglis kebutuh peeliti ii, berdsrk dt yg sudh diperoleh, d metode yg k diguk. Setelh itu melkuk studi liteltur seputr metode yg diguk. 2.3 Gmbr Sistem Peggmbr percg sistem utuk meetuk potesi keberhsil bkl clo legisltif pd derh pemilih Jw Brt megguk lgoritm k-erest eighbors dijelsk pd Gmbr 1 Gmbr 1. Percg Sistem Dt Miig Dt Miig dlh sutu kosep yg diguk utuk meemuk pegethu yg tersembuyi di dlm dtbse. Dt Miig jug didefiisik sebgi proses peemu pol dlm dt, tu sebgi sergki proses utuk meggli ili tmbh berup pegethu yg selm ii tidk dikethui secr mul dri sutu kumpul dt (Gitig, et l., 2014). Prosidig SNST ke-7 Thu 2016 Fkults Tekik Uiversits Whid Hsyim Semrg 185

3 Peerp Dt Miig dlm Meetuk Potesi Keberhsil Bkl Clo Legisltif... (Bgj dkk.) Dt Miig merupk slh stu bgi proses Kowledge Discovery i Dtbse (KDD) yg bertugs megekstrk pol ttu model dri dt deg megguk sutu lgoritm yg spesifik. Proses dri KDD sebgi berikut : 1. Dt Selectio : pemilih dt dri sekumpul dt opersiol perlu dilkuk sebelum thp peggli iformsi dlm KDD dimuli. 2. Clesig : membug dupliksi dt, memeriks dt yg ikosiste, d memperbiki keslh pd dt seperti keslh cetk. 3. Trsformtio : megubh dt mejdi formt utuk di proses dlm dt miig 4. Dt miig : mecri pol tu iformsi merik dlm dt terpilih deg megguk tekik tu metode tertetu. 5. Evlutio : Pol iformsi yg di hsilk dri proses dt miig perlu ditmpilk dlm betuk yg mudh dimegerti oleh pihk yg berkepetig Algoritm K-Nerest Neighbors Algoritm K-NN tergolog dlm lgoritm supervised yitu proses pembetuk lgoritm diperoleh mellui proses pembeljr (lerig) pd dt lm yg sudh terklsifiksi d hsil pembeljr tersebut dipki utuk megklsifiksik dt bru deg output yg belum dikethui. Dlm lgoritm K-NN sebuh dt bru diklsifiksik berdsrk jrk dt bru tersebut deg tigkt kemirip dt bru terdekt terhdp dt pol (Ndumu, et l., 2014). Terdpt byk persm pd lgoritm K-Nerest Neighbors dlm meetuk jrk kedekt tr dt lm deg dt bru, slh stuy dlh deg euclide distce. Pd peeliti ii digukpersm 2.1 berikut utuk meemuk ili similrity tr dt ltih deg dt uji : ( ) ( )...(2.1) Keterg : p = Dt uji q = Dt ltih = Jumlh tribut dlm tip ksus, terdpt 14 tribut i = Atribut idividu tr 1 smpi deg 14 f = Fsi similrity tribut i tr ksus p d ksus q w = Bobot yg diberik pd tribut ke-i. 2.4 Percg d Pembut Pergkt Luk Pd thp ii dilkuk percg d pembut pergkt luk sistem yg dpt meetuk keberhsil bkl clo legisltif pd pemilih umum di derh pemilih Jw Brt. 2.5 Peguji d Evlusi Pd thp ii dilkuk peguji sistem d evlusi, peguji dilkuk deg cr megiputk dt bkl clo legisltif yg ti k di proses utuk meemuk ili similrity deg dt ggot legisltif sebelumy. 3. HASIL DAN PEMBAHASAN 3.1 Pembhs Dlm peeliti ii terdpt 14 dt msukk pd sistem ii yitu, tempt lhir, tempt berorgissi, tempt pedidik, kot domisili, tempt ber, icumbet (ggot legisltif yg msih mejbt llu kembli meclok diri pd pemilih umum), totl ber di legisltif, jbt tertiggi, pedidik terkhir, publik figur di bidg kesei, totl berorgissi, totl ber, byky peglm orgissi, d byky perjl.tbel 1 dibwh ii meujuk slh stu ili tribut dri vribel icumbet. 186 ISBN

4 F.32 Tbel 1. ili tribut vribel icumbet Vribel Atribut Icumbet Y d Tidk Peetu bobot pd peeliti ii ditetuk berdsrk kepetig dri setip vribel. Bobot dri setip vribel dijelsk pd tbel 2 dibwh ii Tbel 2. Bobot vribel bobot tempt lhir 0,8 tempt berorgissi 1 tempt pedidik 0,9 kot domisili 0,8 tempt ber 1 icumbet 0,6 totl ber di legisltif 0,5 jbt tertiggi 0,7 pedidik terkhir 0,8 publik figur di bidg kesei 0,7 totl berorgissi 0,5 totl ber 0,5 byky peglm orgissi 0,6 byky perjl 0,6 Terdpt 3 Dt ltih dri ggot legisltif periode sebelumy, seperti pd tbel 3 dibwh Nm Dt Ltih 1 (Jw Brt III) t Lhir t Beror gis si t pedi dik Jkrt Domi sili kot Jkrt t berk rir Tbel 3. Dt ltih Icu mbet Tidk Totl berk rir di legisl tif Belu m Puy Jbt terti ggi Pedi dik terkh ir Publi k figur di bid g kese i Ketu S3 Buk Totl beror gis si 7 Totl berk rir > = 10 By ky peg lm org issi 4 Org issi By ky perjl 6 Dt Ltih 2 (Jw Brt II) No Jbr Nsio l Kot Jkrt Jkrt Kot Y >=10 Dew S2 Buk >= 10 >= 10 5 Org issi 6 Dt ltih 3 (Jw Brt IV) Tidk Belu m Puy Ketu SMA Y Org issi 2 Prosidig SNST ke-7 Thu 2016 Fkults Tekik Uiversits Whid Hsyim Semrg 187

5 Peerp Dt Miig dlm Meetuk Potesi Keberhsil Bkl Clo Legisltif... (Bgj dkk.) Cotoh Dt uji seperti pd tbel 4 dibwh ii Nm t Lhir t Berorgissi t Pedidik Domisili Kot t ber Icumbet Totl ber di legisltif Jbt tertiggi Pedidik terkhir Publik figur di bidg kesei Totl berorgissi Totl ber Byky peglm orgissi Byky perjl Tbel 4. Dt Uji Hdoko Kot Kot Jkrt Jkrt Kot Tidk Belum Puy Dew S1 Buk orgissi 2 Proses perhit megguk lgoritm K-Nerest Neighbors, deg meemuk ili similrity yg plig tiggi tr dt bkl clo legisltif deg dt ggot legisltif periode sebelumy. Sebelum msuk kedlm perhit, hl yg pertm dilkuk dlh deg meetuk kedekt tr ili tribut, tbel 5 dibwh ii mejelsk tetg kedekt ili tribut vribel icumbet. Pd Vribel icumbet terdpt 2 tribut, jdi utuk medptk ili kedekt tribut tersebut mk 1 : 2 = 0,5 Tbel 5. kedekt ili tribut vribel Icumbet Icumbet Y Tidk Y 1 0,5 Tidk 0,5 1 Setelh medptk ili kedekt dri msig msig tribut vribel mk seljuty dlh melkuk perhit megguk lgoritm K-Nerest eighbors. Rumus perhit terdpt pd persm (1). Hsil perhit dpt diliht pd tbel dibwh ii Ksus Tbel 6. Hsil Perhit Hsil Similrity Kedekt Dt Ltih 1 deg Dt Uji Kedekt Dt Ltih 2 deg Dt Uji Kedekt Dt Ltih 3 deg Dt Uji ((0*0.9)+(0*1)+(1*0.9)+(1*0.8)+(0*1)+(1*0.6)+(1*0. 5)+(1*0.7)+(0.6*0.8)+(1*0.7)+(0.73*0.5)+(0.55*0.5)+ (0.73*0.6)+(0.82*0.6))/10 = ((0*0.9)+(1*1)+(1*0.9)+(1*0.8)+(1*1)+(0.5*0.6)+(0.0 9*0.5)+(1*0.7)+(0.8*0.8)+(1*0.7)+(0.46*0.5)+(0.55*0.5)+(0.82*0.6)+(0.82*0.6))/10 = ((0*0.9)+(0*1)+(0*0.9)+(0*0.8)+(0*1)+(1*0.6)+(1*0. 5)+(1*0.7)+(0.6*0.8)+(0.5*0.7)+(1*0.5)+(1*0.5)+(0.6 4*0.6)+(1*0.6))/10 = Berdsrk tbel 6, Nili Similrity tertiggi terdpt pd Dt ltih 2 deg dt uji deg ili similrity , sehigg rekomedsi derh pemilih utuk dt uji Hdoko dlh Jw Brt II. 188 ISBN

6 F Hsil Hsil dri peeliti ii dlh sebuh sistem yg dpt meetuk potesi keberhsil bkl clo legisltif di derh pemilih Jw Brt megguk lgoritm K-Nerest Neighbors. Kelur dri sistem ii berup rekomedsi derh pemilih bgi bkl clo legisltif berdsrk ili similrity deg ggot legisltif periode sebelumy. 4. KESIMPULAN DAN SARAN Peeliti ii telh meghsilk sebuh sistem yg dpt meetuk potesi keberhsil bkl clo legisltif di derh pemilih Jw Brt deg megguk lgoritm K-Nerest Neighbors. Sistem dpt meetuk derh pemilih yg berpotesi berhsil bgi bkl clo legisltif berdsrk 14 dt msukk yitu, tempt lhir, tempt berorgissi, tempt pedidik, kot domisili, tempt ber, icumbet (ggot legisltif yg msih mejbt llu kembli meclok diri pd pemilih umum), totl ber di legisltif, jbt tertiggi, pedidik terkhir, publik figur di bidg kesei, totl berorgissi, totl ber, byky peglm orgissi, d byky perjl. Adpu hsil dri peguji sistem megguk metode blckbox deg persetse 85,62%. Sr utuk sistem ii dihrpk dy pembh dt ggot legisltif periode sebelumy utuk meigktk kekurt dri peetu derh pemilih ii. DAFTAR PUSTAKA Gitig, S. L. B., Zrm, W. & Drmw, A., Tekik Dt Miig Utuk Memprediksi Ms Studi Mhsisw Megguk Algoritm K-Nerest Neighborhood. Jurl Tekik Komputer Uikom, 3(2), pp Krisdi, N., Helmi & Prihdoo, B., Algoritm K-Nerest Neighbors Dlm Klsifiksi Dt Hsil Produksi Kelp Swit Pd PT. Mims Kecmt Pridu. BuletiIlmih Mth. Stt. d Terpy (Bimster), 2(1), pp Leidy, H., Peerp Algoritm K-Nerest Neighbor Utuk Peetu Resiko Kredit Kepemilik Kedr Bemotor. Jurl Peeliti Ilmu Komputer, System embedded & Logic, 1(1), pp Ndumu, R. I., Kusrii & Arief, R. M., Alisis Prediksi Tigkt Pegudur Diri Mhsisw deg Metode K-Nerest Neighbor. Jtisi, 1(1), pp Nurslim, Suprpedi & Himw H., Klsifiksi Bidg Kerj Lulus Megguk Algoritm K-Nerest Neighbor. Jurl Tekoologi Iformsi, 10(1), pp Pdie, E. S. Y., Implemetsi Algoritm Dt Miig K-Nerest Neighbour (K-NN) Dlm Pegmbil Keputus Pegju Kredit. Semir Nsiol Sis d tekik 2012 (SAINSTEK 2012). pp Prosidig SNST ke-7 Thu 2016 Fkults Tekik Uiversits Whid Hsyim Semrg 189