Jurnal Informatika Kaputama (JIK),Vol. 6 No.

3 Agustus 2022 P-ISSN : 2548-9739

Special Issue: SEMINAR NASIONAL INFORMATIKA (SENATIKA) – 3 E-ISSN : 2685-5240

Pemanfaatan Metode Clustering Terhadap Penanganan

Pelanggaran Pada Pemilihan Walikota Dan Wakil Walikota
Binjai Tahun 2020 (Studi Kasus Badan Pengawas Pemilihan
Umum Kota Binjai)
Irfan Ardiansyah 1, A M H Pardede 2, Yani Maulita 3
1,2,3
Sistem Informasi, STMIK Kaputama Binjai
e-mail: irfanardiansyah1009@gmail.com, 2akimmhp@live.com, 3yanimaulita26@gmail.com
1

Jl. Veteran, No. 4A-9A, Binjai, 20714, Sumatera Utara

Abstrak
Pemilihan umum (disingkat Pemilu) adalah proses memilih seseorang untuk mengisi
jabatan politik tertentu. Penyelenggaraan pemilihan umum diadakan terlepas dari
pelanggaran. Pelanggaran yang terjadi seperti hak suara atau pelanggaran lainya bertujuan
semata-mata untuk mendapat kan simpati atau hak suara agar terpilih maupun memiliki tujuan
tertentu. Bawaslu yaitu lembaga pengawas Pemilu dibentuk untuk mengawasi tahapan
penyelenggaraan Pemilu, Menerima aduan, menangani kasus pelanggaran administratif Pemilu
serta pelanggaran pidana Pemilu berdasarkan tingkatan sesuai peraturan perundang-
undangan. Pengawasan penyelenggaraan pemilu untuk pengawas pemilu di setiap tingkatan,
melakukan pencegahan dan penindakan terhadap pelanggaran pemilu dan sengketa proses
pemilu mengawasi persiapan penyelenggaraan pemilu dan lainnya. Dalam penelitian ini
membahas pengelompokkan dalam pelanggaran pemilihan Walikota dan Wakil Walikota Binjai
yang terjadi di Bawaslu Kota Binjai tahun 2020. Hasil yang dapatkan dalam penelitian ini yaitu
dapat memberikan informasi kepada Bawaslu dengan menggunakan metode clustering dalam
pengelompokkan dalam pelanggaran pemilihan Walikota dan Wakil Walikota Binjai di Bawaslu
Kota Binjai

Kata kunci: Pemilihan umum, Pelanggaran, Badan Pengawas Pemilihan Umum (Bawaslu),
Walikota dan Wakil Walikota Binjai, metode clustering.

Abstract
General election (abbreviated as Election) is the process of selecting someone to fill a
certain political position. Elections are held regardless of the violation. Violations that occur
such as voting rights or other violations aim solely to gain sympathy or voting rights to be
elected or have a specific purpose. Bawaslu, which is an election supervisory agency, was
formed to oversee the stages of organizing elections, receiving complaints, handling cases of
election administrative violations and election criminal violations based on the level according
to the laws and regulations. Supervision of election administration for election supervisors at
every level, preventing and taking action against election violations and electoral process
disputes, overseeing the preparation of election administration and others. This study discusses
the grouping of violations in the election of Mayor and Deputy Mayor of Binjai that occurred in
Bawaslu of Binjai City in 2020. The results obtained in this study are that it can provide
information to Bawaslu by using the clustering method in grouping violations of the election of
Mayor and Deputy Mayor of Binjai in Bawaslu. Binjai City
Keywords : General Election, Violation, General Election Supervisory Body (Bawaslu), Mayor and
Deputy Mayor of Binjai, clustering method

1. Pendahuluan
 Seminar Nasional Informatika (SENATIKA) - 3 92

1.1 Latar belakang

Pemilihan umum (disingkat Pemilu) adalah proses memilih seseorang untuk mengisi
jabatan politik tertentu. Jabatan tersebut beraneka ragam, mulai dari jabatan presiden/eksekutif,
wakil rakyat/legislatif di berbagai tingkat pemerintahan, sampai kepala desa. Penyelenggaraan
pemilihan umum yang diadakan tidak lepas dari pelanggaran yang terjadi. Ini sering terjadi
akibat seseorang sengaja atau tidak sengaja melalukan pelanggaran seperti hak suara digunakan
oleh orang lain atau pelanggaran lainya yang bertujuan semata-mata untuk mendapat kan
simpati atau hak suara agar terpilih maupun memiliki tujuan tertentu. Dalam Pilkada Walikota
dan Wakil Walikota Binjai tahun 2020 yang diadakan tidak luput dari berbagai tindakan
pelanggaran. Baik yang terjadi sebelum pemilihan maupun setelah pemilihan.
Badan Pengawas Pemilihan Umum (Bawaslu) yaitu lembaga pengawas Pemilu yang
dibentuk untuk mengawasi tahapan penyelenggaraan Pemilu, Menerima aduan, menangani
kasus pelanggaran administratif Pemilu serta pelanggaran pidana Pemilu berdasarkan tingkatan
sesuai peraturan perundang-undangan Bawaslu yang diatur dalam Undang-Undang No. 7 Tahun
2017 Tentang Pemilihan Umum. Dalam Tugas dan Kewajiban Bawaslu menjelaskan pemilihan
umum yaitu menyusun standar tata laksana pengawasan penyelenggaraan pemilu untuk
pengawas pemilu di setiap tingkatan, melakukan pencegahan dan penindakan terhadap
pelanggaran pemilu dan sengketa proses pemilu mengawasi persiapan penyelenggaraan pemilu
dan lainnya.

1.2 Rumusan Masalah

Berdasarkan penjelasan di latar belakang sebelumnya, maka rumusan masalah yang
teridentifikasi sebagai berikut:
1. Dengan data pelanggaran pemilihan, bagaimana cara merancang pengelompokkan pelanggaran
pemilihan Walikota dan Wakil Walikota Binjai tahun 2020 di Bawaslu Kota Binjai ?
2. Dengan metode clustering, bagaimana sebuah sistem mengatasi pengelompokkan pelanggaran
pemilihan di Bawaslu Kota Binjai ?
3. Dengan aplikasi Matlab, bagaimana cara membuat program dalam mengelompokkan
pelanggaran pemilihan Walikota dan Wakil Walikota Binjai tahun 2020 di Bawaslu Kota
Binjai berdasarkan jenis pelanggaran, tahapan pelanggaran dan sanksi yang diberikan ?

2. Metode Penelitian
2.1 Data Mining
Data mining muncul sekitar tahun 90-an. Data mining merupakan salah satu cabang
ilmu komputer yang relatif baru dan sampai sekarang orang masih memperdebatkan untuk
menempatkan data mining di bidang ilmu mana, karena data mining menyangkut database,
kecerdasan buatan (artificial intelligence), stastistik, dll.
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Data mining
juga bidang yang dugabungkan dari beberapa bidang keilmuan yang menyatukan teknik dari
pembelajaran mesin pengenalan pola, statistik, database dan visualisasi untuk pengenalan
permasalahan pengambilan informasi dari database yang besar[1].
Data Mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis
untuk menemukan keteraturan, pola atau hubungan dalam sel data berukuran besar[2].
Data mining merupakan proses yang menggunakan berbagai teknik dan alat analisis
data untuk menemukan hubungan dan pola yang tersembunyi. Untuk meringkas data dan untuk
mengekstrak informasi berguna yang masuk akal dan sebelumnya tidak diketahui[3].
Tahapan proses dalam penggunaan data mining yang merupakan proses Knowladge
Discovery Database (KKD) dapat diuraikan[4]. sebagai berikut ;
93 Seminar Nasional Informatika (SENATIKA) - 3

Gambar 1. Proses KKD Data Mining

Proses/ langkah – langkah KKD data mining adalah sebagai berikut:

1. Data Selection

Pemilihan (selekis) data dari sekumpulan data operasional perlu dilakukan sebelum tahap
penggalian informasi dalam KKD dimulai. Data hasil selekasi yang akan digunakan untuk
proses data mining disimpan dalam suatu berkas, terpisah dari basis data operasional.

2. Pre-Prosesing

Sebelum proses data mining dapat dilaksanakan, perlu dilalukan proses cleaning pada data
yang menjadi fokus KKD. Proses clearning mencakup antara lain membuang duplkasi data,
memeriksa data yang konsisten dan memeperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi) juga dilakukan proses enrichment yaitu proses “memperkaya” data yang sudah ada
dengan data atau informasi lain yang relevan dan diperlukan untuk KKD, seperti data atau
informasi eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah terpilih, sehinga data tersebut
sesuai untuk proses data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat
sangat bergantung pada tujuan dan proses KDD secara keseluruhan.
4. Data Mining

Data Mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan
mengunakan metode tertentu. Teknik, metode atau algoritma dalam data mining sangat
bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan
proses KDD secara keseluruhan.

5. Interpretation Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk
yang mudah dimengerti oleh pihak yang berkepentinga. Tahap ini merupakan bagian dari proses
KDD yang disebut interpretation. Tahap ini mencangkup pemeriksaan apakah pola atau
informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya [4].

2.2 Pengertian Clustering

Analisis cluster merupakan penemuan kumpulan objek sehingga objek-objek dalam satu
kelompok sama (punya hubungan) dengan yang lain dan berbeda (tidak berhubungan) dengan
objek-objek dalam kelompok lain. Tujuan dari analisis cluster adalah meminimalikan jarak di
dalam cluster dan memaksımalkan jarak antara cluster.
Aplikasi dari analisa cluster dibedakan menjadi dua yaitu :
1. Understanding, antara lain kelompok-kelompok yang saling berhubungan untuk proses
2. Browsing, pengelompokkan gen dan protein yang mempunyai fungasi sama atau
pengelompokkan stok dengan harga yang fluktuaktif.
3. Summarization, untuk menurunkan ukuran dari data set yang besar[5].
 Seminar Nasional Informatika (SENATIKA) - 3 94

2.3 Algoritma K-Means

K-means merupakan algoritma clustering yang berulang - ulang. Algoritma K-means

dimulai dengan pemilihan secara acak. K-means adalah salah satu metode pengelompokan non
hirarki yang berusaha mempartisi data kedalam cluster / kelompok sehingga data yang memiliki
karakteristik yang sama akan dimasukan kedalam suatu cluster yang sama dan data yang
memiliki karakteristik yang berbeda dikelompokan kedalam kelompok lain [6].
Misalnya X={Xi},i=1,2…n merupakan titik-titik dalam ruang berdimenasi n (Rn) dan
titik tersebut dikelompokan ke dalam i klaster, Cb I = 1,2…k. Mısalkan Ci Centroid dari claster
Ci sehingga jumlah antara Ci dan titik di dalam klaster yaitu Xi, didefinisikan sebagai :
𝐽(𝐶𝑘) = ∑ 𝑥 𝑖 ∈ (𝑐𝑖 − 𝑥𝑖 )2 … … … … … … … … (1)

Prinsip dasar metode K-Means adalah meminimumkan jumlah kuadrat error dari seluruh
klaster, yaitu :
𝑆𝐸𝐸 = ∑𝑘𝑖 = 1 ∑ 𝑥 𝑖 ∈ (𝑐𝑖 − 𝑥𝑖 )2 … … … … … …. (2)

2.4 Definisi Pelanggaran

Pelanggaran yaitu perilaku yang menyimpang dalam melakukan tindakan kejahatan atau
tindakan melanggar hukum bersifat negatif. Belakangan ini setiap penyelengaraan pemilihan
kepala daerah pasti ada kecurangan dan perselisihan antara dua pihak atau lebih sehingga
terjadinya pelanggaran[7].

2.5 Definisi Pemilihan Kepala Daerah (Pilkada)

Pemilihan Kepala Daerah adalah sarana pelaksanaan kedaulatan rakyat diwilayah provinsi
dan/atau kabupaten/kota berdasarkan pancasila dan undang-undang dasar negara republik
indonesia, tahun 1945 untuk memilih kepala daerah dan wakil kepala daerah. Pemilihan Kepala
Daerah bukan hanya memilih penguasa daerah, tetapi lebih merupakan mencari pemimpin yang
mampu melayani dan mengabdi untuk kepentingan seluruh rakyatnya. Pola fikir lama yang
menempatkan kepala daerah sebagai penguasa yang harus dilayani harus diubah secara radikal
menjadi pemimpin sesungguhnya, bertugas memberikan pelayanan kepada masyarakat. Dalam
konteks ini sesungguhnya tugas Kepala Daerah terpilih sangat berat dan hanya mereka yang
mampu mengemban tugas tersebut. Oleh karena itu, semua energi daerah harus dicurahkan untuk
memilih pemimpin yang terbaik bagi kemajuan dan kejahteraan daerahnya selama proses
Pemilihan Kepala Daerah berlangsung. memperdalam dan memperkuat demokrasi lokal, baik
pada lingkungan pemerintahan (governence) maupun lingkungan masyarakat[8].

3. Pembahasan dan Hasil

3.1 Pembahasan
Metode penelitian ini menggunakan metode ilmiah untuk mencari cluster dari penanganan
pelanggaran pada pemilihan Walikota dan Wakil Walikota Binjai Tahun 2020 dengan variabel
kategori pelanggaran, tahapan pelanggaran dan sanksi pelanggaran yang di berikan akan
dihitungan secara sistematis. Untuk dapat mengtahui cluster tertinggi dari penanganan
pelanggaran pada pemilihan Walikota dan Wakil Walikota Binjai Tahun 2020.
Hasil konseptualisasi ini akan digunakan menjadi penelitian yang lengkap dengan pola studi
literature, pengumpulan data yang diperlukan untuk menganalisis sistem pengelompokan yang
akan dibuat yaitu untuk mengelompokkan tingkat kepuasan dengan variable kategori pelanggaran,
tahapan pelanggaran dan sanksi pelanggaran yang diberikan menggunakan algoritma k-means.
Ada beberapa tahapan metodelogi penelitian yang dilakukan dalam penyelesaian masalah.
Tahapan tersebut sebagai berikut :
95 Seminar Nasional Informatika (SENATIKA) - 3

Identifikasi Masalah

Kajian Teori

Pengumpulan Data

Analisa Data

Pengujian dan Implementasi

Evaluasi

Gambar III.2 Alur Kerja Penelitian

Dari data angket tersebut maka di lakukan data perhitungan clustering menggunakan metode K-
Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut:
1. Tentukan jumlah cluster
2. Alokasikan data ke dalam cluster secara random
3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster
4. Alokasikan masing-masing data ke centroid/rata-rata terdekat
5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan
nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai
pada objective function yang digunakan di atas nilai threshold yang ditentukan[5].

3.2 Data Pendukung Penelitian

Data terdiri dari inisial pelapor, kategori pelanggaran, tahapan pelanggaran dan sanksi
pelanggaran. Data tersebut telah di buat menjadi tabel seperti berikut ini :

Tabel 1 Data Pelanggaran pada Pemilihan Walikota dan Wakil Walikota Binjai Tahun 2020
Tahapan Sanksi
No. Pelapor Kategori Pelanggaran Pelanggaran Pelanggaran
Dugaan Pelanggaran Administrasi
1 A1 Pemilihan Pasca Pendaftaran Peringatan 1
Dugaan Pelanggaran Administrasi
2 A2 Pemilihan Pasca Kampanye Peringatan 1
Dugaan Pelanggaran Administrasi
3 A3 Pemilihan Pasca Pendaftaran Peringatan 1
Dugaan Pelanggaran Administrasi
4 A4 Pemilihan Pasca Pemilihan Peringatan 2
Sanksi
5 A5 Dugaan Pelanggaran Kode Etik Pasca Pendaftaran Direkomendasi
Sanksi
6 A6 Dugaan Pelanggaran Kode Etik Pasca Pemilihan Direkomendasi
7 A7 Tindak Pidana Pemilihan Pasca Pemilihan Pidana
Sanksi
8 A8 Dugaan Pelanggaran Kode Etik Pasca Pendaftaran Direkomendasi
9 A9 Tindak Pidana Pemilihan Pasca Perhitungan Pidana
10 A10 Dugaan Pelanggaran Kode Etik Pasca Pemilihan Sanksi
 Seminar Nasional Informatika (SENATIKA) - 3 96

Direkomendasi
11 A11 Tindak Pidana Pemilihan Pasca Pendaftaran Pidana
Sanksi
12 A12 Dugaan Pelanggaran Kode Etik Pasca Perhitungan Direkomendasi
13 A13 Tindak Pidana Pemilihan Pasca Pemilihan Pidana
14 A14 Tindak Pidana Pemilihan Pasca Pendaftaran Pidana
Sanksi
15 A15 Dugaan Pelanggaran Kode Etik Pasca Perhitungan Direkomendasi
Dugaan Pelanggaran Administrasi Pemberhentian
16 A16 Pemilihan Pasca Perhitungan Tetap
17 A17 Tindak Pidana Pemilihan Pasca Kampanye Pidana
Sanksi
18 A18 Dugaan Pelanggaran Kode Etik Pasca Pendaftaran Direkomendasi
19 A19 Tindak Pidana Pemilihan Pasca Pendaftaran Pidana
20 A20 Tindak Pidana Pemilihan Pasca Kampanye Pidana
Selanjutnya dilakukan transformasi dengan ketentuan berikut:
Tabel 2 Transformasi Kategori pelanggaran
No. Bobot Kategori pelanggaran
1 1 Dugaan Pelanggaran Administrasi Pemilihan
2 2 Dugaan Pelanggaran Kode Etik
3 3 Tindak Pidana Pemilihan

Tabel 3 Inisial Variabel Tahapan Pelanggaran

No. Bobot Tahapan Pelanggaran
1 1 Pasca Pendaftaran
2 2 Pasca Kampanye
3 3 Pasca Pemilihan
4 4 Pasca Perhitungan

Tabel 4 Inisial Variabel Sanksi Pelanggaran

No Bobot Sanksi Pelanggaran
1 1 Peringatan 1
2 2 Peringatan 2
3 3 Pemberhentian Tetap
4 4 Sanksi Direkomendasi
5 5 Pidana

Selanjutnya dilakukan transformasi dengan ketentuan berikut:

Tabel 5 Pengalokasian Data pada Algoritma K-Means Cluster

No. Nama Kategori Pelanggaran Tahapan Pelanggaran Sanksi Pelanggaran

1 A 1 1 1
2 B 1 2 1
3 C 1 1 1
4 D 1 3 2
97 Seminar Nasional Informatika (SENATIKA) - 3

5 E 2 1 4
6 F 2 3 4
7 G 3 3 5
8 H 2 1 4
9 I 3 4 5
10 J 2 3 4
11 K 3 1 5
12 L 2 4 4
13 M 3 3 5
14 N 3 1 5
15 O 2 4 4
16 P 1 4 3
17 Q 3 2 5
18 R 2 1 4
19 S 3 1 5
20 T 3 2 5

Tabel. .6 Hasil Perhitungan Iterasi 1

Kategori Tahapan Sanksi
Centroid Centroid Centroid
Object Pelanggaran Pelanggaran Pelanggaran Group
(C1) (C2) (C3)
(X) (Y) (Z)
A 1 1 1 5.39 4.36 4.47 2
B 1 2 1 4.9 3.74 4.58 2
C 1 1 1 5.39 4.36 4.47 2
D 1 3 2 3.74 2.45 4.12 2
E 2 1 4 3.32 3 1.41 3
F 2 3 4 1.73 1 2.45 2
G 3 3 5 1 1.73 2 1
H 2 1 4 3.32 3 1.41 3
I 3 4 5 0 1.41 3 1
J 2 3 4 1.73 1 2.45 2
L 2 4 4 1.41 0 3.32 2
M 3 3 5 1 1.73 2 1
N 3 1 5 3 3.32 0 3
O 2 4 4 1.41 0 3.32 2
P 1 4 3 2.83 1.41 4.12 2
Q 3 2 5 2 2.45 1 3
R 2 1 4 3.32 3 1.41 3
S 3 1 5 3 3.32 0 3
T 3 2 5 2 2.45 1 3

Keterangan :
Jika pada centroid 1
Setelah dilakukan perhitungan menggunakan rumus cluster yang ada, maka group
berdasarkan jarak minimal Centroid terdekat adalah:
 Seminar Nasional Informatika (SENATIKA) - 3 98

Group lama ( data sebelum perhitungan) = { 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0}

Group baru (data iterasi 1 ) = { 2, 2, 2, 2, 3, 2, 1, 3, 1, 2, 3, 2, 1, 3, 2, 2, 3, 3, 3, 3}
Dan yang paling banyak adalah group 2 yaitu kategori pelanggaran dugaan pelanggaran
administrasi pemilihan yang terjadi pasca pendaftran dan sanksi yang di berikan yaitu peringatan 1.
Kemudian, terjadi perubahan group, maka dilanjutkan ke iterasi berikutnya :

3.3 Gambaran Hasil

Gambar 3 Grafik Cluster

Cluster 1 : 2.25 3.50 4.25
Cluster 2 : 1.00 1.75 1.25
Cluster 3 : 2.63 1.25 4.63
Pada grafik tersebut menunjukkan hasil perhitungan yang di lakukkan menggunakan
metode clustering di mana di tunjukkan percluster. Keterangan di bawah menunjukkan nilai yang
akan di capai dalam perhitungan yang dibuat :
Keterangan:
Pada sumbu X terdapat variabel kategori pelanggaran yang terdiri :
a. 1 (Dugaan Pelanggaran Administrasi Pemilihan)
b. 2 (Dugaan Pelanggaran Kode Etik)
c. 3 (Tindak Pidana Pemilihan)
Pada sumbu Y terdapat variabel tahapan pelanggaran yang terdiri :
a. 1 (Pasca Pendaftran)
b. 2 (Pasca Kampanye)
c. 3 (Pasca Pemilihan)
d. 4 (Pasca Perhitungan)
Pada sumbu Z terdapat Variabel sanksi pelanggaran yang terdiri:
a. 1 (Peringatan 1)
b. 2 (Peringatan 2)
c. 3 (Pemberhentian Tetap)
d. 4 (Sanksi Direkomendasi)
e. 5 (Pidana)
Dari titik yang telah dibuat dapat dilihat hubungan antara 3 variabel yang ada. Berdasarkan
iterasi ke-4 dengan titik pusat centroid
C1 = (2.25 3.50 4.25)
C2 = (1.00 1.75 1.25)
C3 = (2.63 1.25 4.63)

Dari data 20 yang di gunakan sebagai contoh perhitungan di dapatkan hasil sebagai berikut
di setiap clusternya :

Group 1
99 Seminar Nasional Informatika (SENATIKA) - 3

Dapat diketahui bahwa pada cluster 1 kelompok penanganan pelanggaran pada pemilihan
Walikota dan Wakil Walikota Binjai Tahun 2020 terdapat 8 data dari 20 data uji yaitu group 1 pada
kategori pelanggaran yang terjadi ialah dugaan pelanggaran kode etik, yang dilakukan pada tahapan
pelanggarang pasca pemilihan dan sanksi pelanggaran yang diberikan yaitu sanksi direkomendasi.

Group 2
Dapat diketahui bahwa pada cluster 2 kelompok penanganan pelanggaran pada pemilihan
Walikota dan Wakil Walikota Binjai Tahun 2020 terdapat 4 data dari 20 data uji yaitu group 2
kategori pelanggaran yang terjadi ialah dugaan pelanggaran administrasi Pemilihan, yang dilakukan
pada tahapan pelanggarang pasca kampanye dan sanksi pelanggaran yang diberikan yaitu
peringatan 1.
Group 3
Dan dapat diketahui bahwa pada cluster 3 kelompok penanganan pelanggaran pada
pemilihan Walikota dan Wakil Walikota Binjai Tahun 2020 terdapat 8 data dari 20 data uji yaitu
group 3 kategori pelanggaran yang terjadi ialah tindak pidana pemilihan, yang dilakukan pada
tahapan pelanggarang pasca pendaftran dan sanksi pelanggaran yang diberikan yaitu Pidana.
Bahwa dengan menggunakan teknik data mining dapat menggali data kasus yang
berjumlah besar dan menghasilkan informasi tentang penanganan pelanggaran pada pemilihan
Walikota dan Wakil Walikota Binjai Tahun 2020 sesuai dengan clustering masing-masing.

4. IMPLEMENTASI dan PEMBAHASAN

4.1 Implementasi Program
Pada bagian ini membahas mengenai hasil uji coba perhitungan Pemanfaatan Metode
Clustering Terhadap Penanganan Pelanggaran Pada Pemilihan Walikota dan Wakil Walikota Binjai
Tahun 2020 yang telah dibuat. Uji coba ini bertujuan untuk mengetahui apakah sistem yang dibuat
telah dapat berjalan dengan baik dan sesuai dengan perancangan sistem yang telah dibahas pada
bab sebelumnya. Dan pada bab ini akan membahas bagaimana tampilan, fitur dan isi dari program
tersebut.

4.2 Pembahasan Antarmuka (Interface) dan Tampilan dalam Program

Uji coba sistem dan program yang terdapat pada program Pemanfaatan Metode Clustering
Terhadap Penanganan Pelanggaran Pada Pemilihan Walikota dan Wakil Walikota Binjai Tahun
2020 yang pada prosesnya import data yang telah ada menggunakan Ms.excel memproses
menggunakan program. selanjutnya, menentukan jumlah cluster yang dimunculkan dalam proses
lalu, dilanjutkan dengan proses cluster dan nilai akan muncul. Dalam program juga terdapat menu
informasi jumlah kategori pelanggaran yang dilakukan ketika pilkada, jumlah tahapan pelanggrana
berupa waktu dan sanksi pelanggaran yang diterima pada pelanggaran pilkada Walikota dan Wakil
Walikota Binjai. Dalam program juga dan juga menu keluar dari program tersebut.
Contoh bentuk uji coba menggunakan program data mining Metode clustering :

1. Tampilan Halaman Menu Utama

Pada tampilan menu utama berfungsi untuk memanggil tampilan awal yang berisi form
utama yaitu menu Clustering, Informasi, Bantuan dan Exit. Dan hasil dari tampilan tersebut akan
menjadi seperti dibawah ini :
 Seminar Nasional Informatika (SENATIKA) - 3 100

Gambar 4 Tampilan Menu Awal

2. Tampilan Halaman Menu Proses

Pada tampilan ini berisi proses perhitungan clustering yang data di import lalu di hitung
secara random akan muncul hasil perhitungan cluster. Tampilan coding pada menu proses cluster
yaitu memunculkan hasil perhitungan yang telah dilakukan. Terdiri dari kelompok freme yaitu
anggota cluster, centroid cluster, jumlah anggota cluster, hasil centroid dan keterangan centroid
seperti tampilan dibawah ini :

Gambar 5 Tampilan Menu Proses Cluster

Dalam proses perhitungan langkah-langkah yang dilakukan yaitu proses import data yang
telah ada menggunakan Ms.excel yang akan diproses menggunakan program. Selanjutnya,
menentukan jumlah cluster yang dimunculkan dalam proses, dilanjutkan dengan memproses cluster
dan nilai akan muncul. Maka, akan ditampilan seperti ini di bawah ini :
101 Seminar Nasional Informatika (SENATIKA) - 3

Gambar 6 Tampilan Hasil Import Data Telah Berhasil

Dalam proses ini data kasus penganangan pelanggaran berjumlah 387 data telah berhasil di
import ke dalam progam. Maka selanjutnya menentukan jumlah cluster yang akan di munculkan
dalam program dan memproses cluster dalam progam.

3. Perhitungan Menggunakan 2 Cluster

Dalam perhitungan ini menggunakan 2 cluster sebagai nilai uji pada data. Data yang
digunakan dalam proses ini berjumlah 387 data kasus pelanggaran. Setelah data di import
menggunakan Ms.Excel, berlanjut proses cluster seperti dibawah ini :

Gambar 7 Tampilan Menu Hasil Proses 2 Cluster

Setelah proses cluster selesai, maka akan muncul tampilan hasil dari perhitungan 2 cluster
dengan nilai berikut ini :
1. Centroid 1: dari jumlah data 387 data terdapat 287 data yang termasuk di group 1 dengan
nilai 3; 3; 5; yaitu cluster pertama berpusat pada kategori pelanggaran
ialah (3) tindak pidana pemilihan dengan tahapan pelangggaran yaitu (3) pasca pemilihan
dengan sanksi pelanggaran berupa (5) pidana.
2. Centroid 2: dari jumlah data 387 data terdapat 100 data yang termasuk di group 1 dengan
nilai 1; 3; 1; yaitu cluster kedua berpusat pada kategori pelanggaran
ialah (1) dugaan pelanggran adminitrasi pemilihan dengan tahapan pelangggaran yaitu (3)
pasca pemilihan dengan sanksi pelanggaran berupa (1) peringatan 1.
 Seminar Nasional Informatika (SENATIKA) - 3 102

Gambar 8 Tampilan Grafik Kubus 2 Cluster

Pada gambar diatas menunjukkan hasil grafik berbentuk kubus yang di gunakan dalam
menampilkan hasil dari proses metode clustering yang digunakan.

4. Perhitungan Menggunakan 3 Cluster

Gambar 9 Tampilan Menu Hasil Proses 3 Cluster

Dapat di ketahui bahwa pada hasil pemprosesan dari data pelanggaran yang berjumlah 387
kasus yang di hitung hasilnya dalam perhitungan menggunakan metode clustering di program yaitu
:
1. Centroid 1: dari jumlah data 387 data terdapat 170 data yang termasuk di group 1 dengan
nilai 3; 2; 5; yaitu cluster pertama berpusat pada kategori pelanggaran
ialah (3) tindak pidana pemilihan dengan tahapan pelangggaran yaitu (2) pasca kampanye
dengan sanksi pelanggaran berupa (5) pidana.
2. Centroid 2 : dari jumlah data 387 data terdapat 122 data yang termasukdi group 2 dengan
nilai 2; 4; 4; yaitu cluster kedua berpusat pada kategori pelanggaran
ialah (2) Dugaan Pelanggaran Kode Etik dengan tahapan pelangggaran yaitu (4) pasca
perhitungan dengan sanksi pelanggaran berupa (4) sanksi direkomendasi.
3. Centroid 3 : dari jumlah data 387 data terdapat 95 data yang termasukdi group 3 dengan
nilai 1; 3; 1; yaitu cluster ketiga berpusat pada kategori pelanggaran
ialah (1) Dugaan Pelanggaran Adminitrasi Pemilihan dengan tahapan pelangggaran yaitu
(3) pasca Pemilihan dengan sanksi pelanggaran berupa (1) peringatan 1.
103 Seminar Nasional Informatika (SENATIKA) - 3

Gambar 10 Tampilan Grafik Kubus Cluster

Pada gambar diatas menunjukkan hasil grafik berbentuk kubus yang di gunakan dalam
menampilkan hasil dari proses metode clustering yang digunakan.

5. Tampilan Halaman Menu Informasi

Pada tampilan informasi ini menampilkan form kategori pelanggran, tahapan dan sanksi
pelanggran pada keseluruhan data. Pada jumlah kategori Pelanggran berisi jumlah dari data
pelanggran. Pada jumlah Tahapan Pelanggran berisi jumlah dari data pada waktu pelanggran. Pada
jumlah Sanksi Pelanggran berisi jumlah dari sanksi yang di berikan dari data.

Gambar 11 Tampilan Menu Informasi

Pada tampilan informasi pekerja berisi tentang kategori pelanggran, tahapan pelanggran
dan sanksi pelanggaran. Seperti tampilan dibawah ini :

6. Tampilan Menu Bantuan

Pada tampilan menu Bantuan berisi penjelasan singkat dari penggunaan progam dari
pemanfaatan metode clustering terhadap penanganan pelanggaran pada pemilihan walikota dan
wakil walikota binjai tahun 2020 di Bawaslu Kota Binjai yang di tampilkan seperti dibawah ini :
 Seminar Nasional Informatika (SENATIKA) - 3 104

Gambar 12 Tampilan Menu Informasi Bantuan

7. Tampilan Halaman Menu Exit

Pada tampilan menu exit berisi intruksi pertanyaan keluar yaitu " iya " atau " tidak " dari
program tersebut. Seperti dibawah ini :

Gambar 13 Tampilan Menu Exit

4.3 Pemeriharaan Program

Pemeliharaan program merupakan tapahan dalam menjaga dan perawatan program
perbaikan yang telah dirancang. Tujuan dari pemeliharaan program adalah untuk memastikan
bahwa program berjalan selayaknya sesuai dengan tujuan dari penulis serta pengguna. Pemeliharan
program juga dilakukan agar proses yang dilakukan pada program dapat dimaksimalkan jika
terdapat gangguan yang merusak proses program, maka tahap-tahap dalam pemeliharaan program
adalah sebagai berikut :
1. Penggunaan program perbaikan data ini haruslah sejalur dengan menambahkan data yang
diperlukan, pastikan semua tahapan diikuti agar dapat berjalan dan difungsikan selayaknya.
2. Perbaikan program akan dilakukan jika terjadi kesalahan dalam proses yang dilakukan
program, kelemahan terhadap rancangan program dan program tidak berjalan selayaknya.
3. Proses peningkatan program akan dilakukan jika terdapat peluang yang tepat, serta saran yang
mendukung untuk kemajuan program.

5. KESIMPULAN DAN SARAN

5.1 Kesimpulan
Setelah dilakukan implementasi dan pembahasan program, maka dapat diperoleh
kesimpulan sebagai berikut :
1. Penggunaan metode clustering dalam penanganan pelanggaran pada pemilihan Walikota dan
Wakil Walikota Binjai tahun 2020 yaitu sebagai evaluasi untuk pemilihan tahun-tahun
kedepan agar pelanggaran dapat di minimalisir sesuai dengan Visi dan Misi Bawaslu.
105 Seminar Nasional Informatika (SENATIKA) - 3

2. Pada pehitungan menggunakan 2 cluster dan 3 cluster terdapat 1 kesamaan nilai yaitu : pada
cluster 2 di centroid ke-2 dari data 378 terdapat 100 data dengan nilai 1; 3; 1; dimana pada
katagori pelanggaran (1) yaitu pelanggaran adminitrasi pemilihan dengan tahapan pelanggaran
(3) yaitu pasca pemilihan dengan sanksi pelanggaran (1) yaitu peringatan 1. Pada cluster 3 di
centroid ke-3 dari data 378 data terdapat 95 dengan nilai 1; 3; 1; dimana pada katagori
pelanggaran (1) yaitu pelanggaran adminitrasi pemilihan dengan tahapan pelanggaran (3) yaitu
pasca pemilihan dengan sanksi pelanggaran (1) yaitu peringatan 1.

5.2 Saran
Dari kesimpulan yang telah diambil, maka dapat ditemukan saran - saran yang akan sangat
membantu untuk pengembangan program ini selanjutnya.
1. Pengembangan program sangat di butuhkan untuk mempermudah pengolahan data dalam
informasi pengelompokkan penanganan pelanggaran pada pemilihan Walikota dan Wakil
Walikota Binjai Tahun 2020 seperti bahasa pemograman PHP atau javascript.
2. Perlu diadakan evaluasi data untuk menjadi tolak ukur dan perbandingan antara program
sistem satu dengan yang lain.

Daftar Pustaka
[1] B. N. Fricles Ariwisanto Sianturi, Paska Marto Hasugian, Agustina Simangunsong, Data
Mining Teori Dan Aplikasi Weka. Sumatera Utara: Iocs Publisher, 2019.
[2] Budi Santosa, Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta:
Graha Ilmu, 2007.
[3] Anjar Wanto, Data Mining : Algoritma Dan Implementasi. Sumatera Utara: Yayasan Kita
Menulis, 2020.
[4] Fajar Astuti Hermawati, Pengolahan Citra Digital : Konsep & Teori. Yogyakarta: Andi,
2013.
[5] E. Prasetyo, Data Mining : Konsep Dan Aplikasi Menggunakan Matlab, 2nd Ed.
Yogyakarta: Andi, 2012.
[6] N. Widyawati, Perbandingan Clustering Based On Frequent Word Sequence (Fws) Dan K-
Means Untuk Pengelompokan Dokumen Berbahasa Indonesia. Bandung, 2010.
[7] T. S. Ramlan Surbakti, Didik Supriyanto, Penanganan Pelanggaran Pemilu, Sidik Pram.
Jakarta, 2011.
[8] Beriyansyah, “Penyelesaian Pelanggaran Pemilihan Kepala Daerah Dalam Pandangan
Hukum Islam Dan Hukum Positif (Studi Di Bawaslu Provinsi Lampung),” Universitas Islam
Negeri Raden Intan Lampung, 2017.