PROPOSAL SKRIPSI

PENERAPAN METODE SVM UNTUK

MEMPREDIKSI TINGKAT PARTISIPASI PEMILU
TERHADAP KUALITAS PENDIDIKAN
DIKABUPATEN PASURUAN

Oleh :

Anifah Warda Anggraeni

NIM : 201080200034

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS MUHAMMADIYAH SIDOARJO
Tahun
 HALAMAN PENGESAHAN

PENERAPAN METODE SVM UNTUK

MEMPREDIKSI TINGKAT PARTISIPASI PEMILU
TERHADAP KUALITAS PENDIDIKAN
DIKABUPATEN PASURUAN

Penelitian Untuk S-1

Prodi Informatika

Diajukan oleh :
Anifah Warda Anggraeni
201080200034

Disetujui oleh :

Ketua Penguji Dosen Penguji

Nama Lengkap Nama Lengkap

Disahkan oleh:

Ka.Prodi Informatika

Universitas Muhammadiyah Sidoarjo

1
Nama Kaprodi

DAFTAR ISI

2
3
 BAB I
PENDAHULUAN (Maksimal 3 halaman)
1.1 Latar Belakang

Indonesia adalah negara demokrasi yang menerapkan pemilu sebagai cara

untuk mengubah siklus pemimpin. Penyelengaraan pemilu di Indonesia
merupakan bentuk bukti nyata adanya demokrasi dalam sistem pemerintahan
Indonesia (Pulungan, Rahmatunnisa and Herdiansah, 2020).
Pemilihan umum (Pemilu) merupakan bentuk nyata dari demokrasi serta
sarana bagi rakyat untuk menyatakan kedaulatannya atas negara (Nur Wardhani,
2018). Pemilu merupakan sistem demokrasi dalam kehidupan politik, untuk
mencapai demokrasi politik yang sehat diperlukan partisipasi Masyarakat
(Moento, Fitriani; and Maturan, 2019).
Partisipasi Masyarakat diperlukan untuk menggunakan hak pilihnya dalam
pemilihan pemimpin negara dalam pemilu. Meningkatnya jumlah partisipasi
dalam pemilu menjadi tolak ukur keberhasilan penyelenggaraan pemilu sekaligus
menjadi cerminan dari proses demokrasi yang telah dilaksanakan (Wibawa et al.,
2019). Akan tetapi, menentukan partisipasi masyarakat dalam pemilu tidak
sekedar berapa jumlah orang yang menggunakan hak pilihnya pada TPS.
Keterkaitan anggota partai dalam proses pemilihan calon atau pasangan calon,
melaporkan setiap penyimpangan yang ada pada proses pemilihan, serta
mendiskusikan kebijakan alternatif yang diambil oleh peserta pemilu meliputi
mendukung atau menentang secara demokratis kepada kandidat, melakukan
Pendidikan pemilih, melakukan survey menganai presepsi atau kecenderungan
pemilih merupakan bentuk dari partisipasi lainnya (Indriany, 2020). Ada beberapa
hal yang dapat mempengaruhi tingkat partisipasi Masyarakat yaitu kualitas
Pendidikan.
Pendidikan merupakan sesuatu yang disepakati menjadi hal utama di negara
manapun (Nur et al., 2022). Pendidikan adalah upaya untuk mewujudkan suasana
belajar dan proses pembelajaran peserta didik secara aktif dapat mengembangkan
potensi dirinya meliputi kekuatan jiwa, pengendalian diri, karakter, kecerdasan,
akhlak serta keterampilan (Pristiwanti et al., 2022). kecerdasan, Kualitas
Pendidikan suatu negara merupakan salah satu penentu kemajuan bangsa
(Kurniawati, 2022). Ada beberapa hal yang dapat mempengaruhi kualitas
Pendidikan mulai dari jenjang TK sederajat hingga SMA sederajat antara lain
jumlah infrastruktur / bangunan sekolah , jumlah murid, jumlah guru, sarana dan
prasarana, dan lingkungan. Dengan demikian, kemajuan suatu negara dan juga
wilayah dapat dilihat dari kualitas Pendidikan negara dan juga wilayah tersebut.
Data tersebut dapat diperoleh dari Badan Pusat Statistik (BPS).
Data Pendidikan ini dapat dihubungkan dengan data partisipasi menggunakan
metode svm.

1
 Salah satu metode statistik yang dapat diterapkan untuk mengklasifikasikan
yaitu Support Vector Machine (SVM). SVM adalah teknik guna menemukan
hyperplane yang dapat memisahkan dua tupel dari dua kelas berbeda (Luter Laia
and Setyawan, 2020).
Penelitian ini bertujuan untuk memprediksi tingkat partisipasi pada pemilu
terhadap kualitas Pendidikan di Kabupaten Pasuruan. Sebagai contoh kualitas
Pendidikan di Kabupaten Pasuruan dikategorikan tinggi , dan tingkat partisipasi
dalam pemilu juga tinggi. Sehingga dapat diketahui, bahwa tingkat kualitas
Pendidikan yang tinggi maka akan berpengaruh juga terhadap tingkat partisipasi
pada pemilu juga ikut tinggi.
1.2 Rumusan masalah
Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka dapat
dibuat rumusan masalah yang meliputi :
1. Bagaimana pengklasifikasian dengan metode SVM untuk memprediksi
tingkat partisipasi pemilu terhadap kualitas pendidikan di Kabupaten
Pasuruan ?
2. Bagaimana tingkat akurasi dari metode SVM untuk memprediksi tingkat
partisipasi pemilu terhadap kualitas pendidikan di Kabupaten Pasuruan ?
1.3 Tujuan
Adapun tujuan yang hendak dicapai dalam penelitian ini adalah :
1. Untuk mengetahui pengklasifikasian dengan metode SVM untuk
memprediksi tingkat partisipasi pemilu terhadap kualitas Pendidikan di
Kabupaten Pasuruan.
2. Untuk mengetahui tingkat akurasi dari metode SVM untuk memprediksi
tingkat partisipasi pemilu terhadap kualitas Pendidikan di Kabupaten
Pasuruan.
1.4 Batasan Masalah
Batasan – Batasan masalah untuk mencapai tujuan dalam penelitian ini
sebagai berikut :
1. Dataset dengan jumlah 4378 instance
2. Ruang lingkup penelitian ini dibatasi pada data partisipasi pemilu tahun
2019 dan data BPS tahun 2022 Kabupaten Pasuruan
3. Penerapan metode dan algoritma dengan menggunakan google colabs

2
 BAB II
TINJAUAN PUSTAKA(Maksimal 4 halaman)
2.1 PENELITIAN TERDAHULU
Penelitian sebelumnya bertujuan untuk mendapatkan perbandingan dan
referensi. Selanjutnya, untuk menghindari asumsi kesamaan dengan penelitian
ini. kemudian, dalam tinjauan pustaka ini, peneliti menyertakan temuan-temuan
berikut dari penelitian-penelitian sebelumnya :
1. Penelitian (Wibawa et al., 2019) yang berjudul “Prediksi Partisipasi
Pemilih dalam Pemilu Presiden 2014 dengan Metode Support Vector
Machine”. Penelitian ini bertujuan untuk mengetahui jumlah partisipasi
masyarakat yang ada di Kabupaten Denpasar Barat menggunakan metode
SVM dalam membuat sistem prediksi partisipasi pemilu. Adapun
pengumpulan data pada penelitian ini dengan melakukan observasi
langsung dan penyebaran kuesioner pada tempat – tempat yang akan
menjadi wilayah pengambilan sampel data. Hasil akurasi yang diperoleh
dari prediksi partisipasi pemilih sebesar 97.50%.
2. Penelitian (Lumbanraja et al., 2020) yang berjudul “Prediksi Jumlah
Penderita Penyakit Tuberkulosis di Kota Bandar Lampung Menggunakan
Metode SVM (Support Vector Machine)”. Pada penelitian ini bertujuan
untuk membuat model prediksi dengan menggunakan metode SVM
dengan 3 kernel yaitu Gaussian , Polynomial , dan Linear. Jumlah data
yang digunakan sebanyak 600 data dengan 44 variabel, dengan
menggunakan data Tuberkulosis di Kota Lampung pada tahun 2014 –
2018, selain itu penelitian ini menggunakan data cuaca yang diperoleh
dari website BPS. Penelitian ini mendapatkan hasil percobaan pertama
dengan melakukan feature selection dengan percobaan melalui matriks
jarak diperoleh R2 untuk kernel Linear sebesar 27,47%, kernel Gaussian
sebesar 35,70% dan kernel Polynomial sebesar 20,93%. Sedangkan pada
percobaan kedua yaitu tanpa melakukan feature selection dengan
percobaan melalui matriks jarak diperoleh R 2 untuk kernel linear sebesar
7.22%, kernel Gaussian sebesar 47,67% dan kernel Polynominal sebesar
33.28%. pada percobaan tanpa menggunakan matriks jarak diperoleh R 2
untuk kernel linear sebesar 51,43%, kernel Gaussian sebesar 58,53% dan
kernel Polynominal sebesar 36.03%. maka hasil yang diperoleh dengan
data yang telah digunakan, diperoleh R2 terbesar yaitu kernel Gaussian
tanpa menggunakan Feature Selection serta tanpa matriks jarak.
3. Penelitian (Hovi, Id Hadiana and Rakhmat Umbara, 2022) yang berjudul
“Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector
Machine (SVM)”. Pada penelitian ini bertujuan untuk memastikan pasien

1
 dapat terkena atau tidak terkena penyakit diabetes dengan menerapkan
data mining menggunakan algoritma SVM Radial Basis Function yang
berbasis Forward Selection. Data pada penelitian ini yang diperoleh dari
website dengan jumlah record 1017data yang terdiri dari 8 atribut.
Penulis menggunakan perbandiangan data latih dan uji yaitu 80% : 20%.
Hasil penelitian ini dibandingkan dengan penelitian sebelumnya yang
menggunakan metode berbeda seperti neural network, C.45, Naïve
Byaes, Logistic Regression dan SVM linier dengan menambahkan metode
forward selection, dengan model SVM (RBF) dapat memberikan hasil
akurasi yang diperoleh sebesar 91,2%, precision sebesar 93.0%, recall
sebesar 94,3% dan f1-scorer dari hasil confusion matrix sebesar 93,7%.
4. Penelitian (Suryani and Fitrani, 2022) yang berjudul “Prediction Of
Election Participant With Malang City Demographic Data Using The K-Nn
Algorithm”. Pada penelitian ini menggunakan metode KNN yang
bertujuan untuk memprediksi tingkat partisipasi pemilu di Kota Malang
berdasarkan demografi. Penulis menggunakan 19 atribut. Penulis juga
menggunakan 3 model normalisasi data dalam melakukan pengujian
dengan hasil akurasi tertinggi pada model 2 dengan hasil akurasi 61.84%,
hasil precision tertinggi sebesar 61.58% pada model 2, hasil recall
tertinggi sebesar 61.45% pada model 2, dan hasil F-Score sebesar 61.46%.
2.2 RINGKASAN PENELITIAN TERDAHULU

Tabel 2.1 Ringkasan Penelitian Terdahulu

NO Judul dan Pembahasan Metode Kelebihan atau
peneliti Kekurangan

1 Prediksi Pada penelitian ini pengumpulan data SVM Kelebihan:

Partisipasi diperoleh dengan melakukan Menampilkan hasil
Pemilih dalam observasi langsung dan penyebaran dari setiap karnel pada
Pemilu kuesioner pada tempat dimana metode svm
Presiden 2014 wilayah tersebut akan dijadikan
dengan sebagai sampel pengambilan data. Kekurangan:
Metode Penelitian ini menggunakan metode Buku yang telah terbit
Support SVM dengan hasil akurasi yang pada data sekunder
Vector diperoleh yaitu 97,50% tidak ada judul dan
Machine tahun terbitnya
2 Prediksi penelitian ini bertujuan untuk SVM Kelebihan:
Jumlah membuat model prediksi dengan Menampilkan hasil
Penderita menggunakan metode SVM dengan 3 dari setiap karnel pada
Penyakit kernel yaitu Gaussian , Polynomial , metode svm
Tuberkulosis dan Linear. Jumlah data yang
di Kota digunakan sebanyak 600 data dengan Kekurangan:
Bandar 44 variabel, dengan menggunakan Penulis tidak
Lampung data Tubercolosis di Kota Lampung menyebutkan tahun
Menggunakan pada tahun 2014 – 2018, selain itu dari data bps yang
Metode SVM penelitian ini menggunakan data digunakan
(Support cuaca yang diperoleh dari website
Vector BPS. Penelitian ini mendapatkan hasil
Machine) percobaan pertama dengan
melakukan feature selection dengan

2
NO Judul dan Pembahasan Metode Kelebihan atau
peneliti Kekurangan

percobaan melalui matriks jarak

diperoleh R2 untuk kernel Linear
sebesar 27,47%, kernel Gaussian
sebesar 35,70% dan kernel
Polynominal sebesar 20,93%.
Sedangkan pada percoban kedua yaitu
tanpa melakukan feature selection
dengan percobaan melalui matriks
jarak diperoleh R2 untuk kernel linear
sebesar 7.22%, kernel Gaussian
sebesar 47,67% dan kernel
Polynominal sebesar 33.28%. pada
percobaan tanpa menggunakan
matriks jarak diperoleh R2 untuk
kernel linear sebesar 51,43%, kernel
Gaussian sebesar 58,53% dan kernel
Polynominal sebesar 36.03%. maka
hasil yang diperoleh dengan data
yang telah digunakan, diperoleh R2
terbesar yaitu kernel Gaussian tanpa
menggunakan Feature Selection serta
tanpa matriks jarak.
3 Prediksi penelitian ini bertujuan untuk SVM Kelebihan:
Penyakit memastikan pasien dapat terkena atau pada penelitian ini
Diabetes tidak terkena penyakit diabetes menggunakan metode
Menggunakan dengan menerapkan data mining algoritma SVM
Algoritma menggunakan algoritma SVM Radial Radial Basis Function
Support Basis Function yang berbasis Forward (RBF) dapat
Vector Selection. Data pada penelitian ini menghasilkan akurasi
Machine yang diperoleh dari website dengan tertinggi mencapai
(SVM) jumlah record 1017data yang terdiri 91% dari penelitian
dari 8 atribut. Penulis menggunakan penelitian sebelumnya
perbandiangan data latih dan uji yaitu dengan metode yang
80% : 20%. Hasil penelitian ini berbeda beda.
dibandingkan dengan penelitian
sebelumnya yang menggunakan Kekurangan:
metode berbeda seperti neural Pada penelitian
network, C.45, Naïve Byaes, Logistic tersebut memiliki
Regression dan SVM linier dengan hasil akurasi yang
menambahkan metode forward rendah karena
selection, dengan model SVM (RBF) disebabkan sedikitnya
dapat memberikan hasil akurasi yang jumlah data set yang
diperoleh sebesar 91,2%, precision digunakan
sebesar 93.0%, recall sebesar 94,3%
dan f1-scorer dari hasil confusion
matrix sebesar 93,7%.
4 Prediction Of Penelitian ini menggunakan metode KNN Kelebihan:
Election KNN yang bertujuan untuk Penulis melakukan
Participant memprediksi tingkat partisipasi pengujian dengan
With Malang pemilu di Kota Malang berdasarkan menggunakan 3
City demografi. Penulis menggunakan 19 model sehingga
Demographic atribut. Penulis juga menggunakan 3 mendapatkan hasil
Data Using model normalisasi data dalam yang bervariasi
The K-Nn melakukan pengujian dengan hasil Kekurangan:
Algorithm akurasi tertinggi pada model 2 dengan Penulis tetap
hasil akurasi 61.84%, hasil precision melakukan pengujian
tertinggi sebesar 61.58% pada model terhadap variabel
2, hasil recall tertinggi sebesar dengan korelasi
61.45% pada model 2, dan hasil F- rendah
Score sebesar 61.46%.

3
2.3 ANALISIS GAP
Dalam gap analysis dilakukan untuk mengetahui kesenjangan yang ada
dalam penelitian sebelumnya sehingga pada penelitian ini guna
memperbaiki atau mengisi kesenjangan dari penelitian sebelumnya.
1. Penelitian sebelumnya yang dilakukan oleh (Wibawa et al., 2019) untuk
mengetahui jumlah partisipasi masyarakat yang ada di Kabupaten
Denpasar Barat menggunakan metode SVM dalam membuat sistem
prediksi partisipasi pemilu. Penelitian ini mempunyai persamaan yaitu
untuk memprediksi partisipasi pemilu, namun perbedaan penelitian ini
dengan penelitian sebelumnya yaitu penelitian saat ini memprediksi
tingkat partipasi berdasarkan kualitas Pendidikan di Kabupaten Pasuruan,
dengan menggunakan model perbandingan 70% : 30%.
2. Penelitian sebelumnya yang dilakukan oleh (Lumbanraja et al., 2020)
untuk membuat model prediksi dengan menggunakan metode SVM
dengan 3 kernel yaitu Gaussian , Polynomial , dan Linear. Terdapat
kesamaan yaitu menggunakan metode SVM , namun perbedaan
penelitian ini dan sebelumnya yaitu pada penelitian ini menggunakan
metode SVM dengan menggunakan model perbandingan 70% : 30%.
3. Penelitian sebelumnya yang dilakukan oleh (Hovi, Id Hadiana and
Rakhmat Umbara, 2022), terdapat kesamaan yaitu penelitian ini
menggunakan metode SVM, pada penelitian ini hasil akurasi yang
diperoleh sebesar 91.2% dengan perbandingan 80% : 20%. Pada
penelitian saat ini menggunakan model perbandingan 70% : 30%
4. Penelitian sebelumnya yang dilakukan oleh (Suryani and Fitrani, 2022)
untuk memprediksi tingkat partisipasi pemilu di Kota Malang berdasarkan
demografi. Pada penelitian ini mempunyai persamaan yaitu untuk
memprediksi tingkat partisipasi pemilu, namun perbedaan penelitian ini

4
 dan penelitian sebelumnya yaitu penelitian ini memprediksi tingkat
partisipasi pemilu berdasarkan kualitas Pendidikan di Kabupaten
Pasuruan dengan menggunakan metode SVM.

LANDASAN TEORI
1. Pemilu
Pemilu merupakan peristiwa politik yang ditentukan oleh pemimpin di
negara demokrasi dimana tempat proses pemilu berlangsung, inilah
kepentingan rakyat yang kemudian diwujudkan dalam berbagai bentuk
politik. Pemilu merupakan suatu acara demokrasi untuk membentuk suatu
sistem pemerintahan yang dimiliki oleh rakyat sebagaimana yang telah
diatur dalam UUD 1945 (Zarti et al., 2023). Menurut UU RI Nomor 10
tahun 2008, tujuan dari pemilu yakni untuk menentukan anggota DPR,
DPRD Provinsi, serta DPRD Kabupaten/Kota yang dilaksanakan dengan
sistem terbuka. Dengan jumlah partai yang banyak dan sistem pemilihan
langsung, memberikan peluang besar bagi Masyarakat Indonesia untuk
menjadi anggota legislatif.
2. Partisipasi
Partisipasi adalah kegiatan masyarakat yang memberikan hak pilihnya
(Nurcholis and Rizki Putra, 2020). Partisipasi masyarakat khususnya pada
pemilu diatur dengan PKPU Nomor 10 Tahun 2018 tentang sosialisasi
Pendidikan pemilih, keikutsertaan masyarakat dalam penyelenggaraan
pemilu, yang dijabarkan sebagai partisipasi individu/kelompok pada
tahapan – tahapan pemilu.
3. Pendidikan
Pendidikan merupakan suatu proses kehidupan yang bertujuan untuk
mengembangkan setiap individu agar mampu bertahan hidup (Saverus,
2019). Oleh karena itu, menjadi rang yang terpelajar sangatlah penting dan
pendidikan tidak akan ada habisnya. Masyarakat di didik agar berguna
bagi suatu negara dan bangsa. Lingkungan Pendidikan pertama kali yang

5
 didapatkan setiap orang meliputi lingkungan keluarga, sekolah dan
masyarakat.
4. Datamining
Data mining ialah sebuah analisis data untuk menemukan hubungan yang
jelas dan ringkas yang belium pernah diketahui sebelumnya dengan
diperbarui dan bermanfaat bagi pemilik data itu (Armayani, Fauzi and
Sembiring, 2021).
5. Klasifikasi
Klasifikasi adalah kegiatan yang melakukan pelatihan / pembelajaran pada
suatu fitur target untuk memetakan setiap kumpulan atribut (fitur) ke
semjumlah label kelas yang tersedia (Utomo and Mesran, 2020).
Klasifikasi membuat model berdasarkan data pelatihan yang ada, lalu
menggunakan model tersebut untuk mengklasifikasikan data baru. Adapun
contoh Algoritma klasifikasi meliputi Naïve Bayes, SVM, Decision Tree.
6. Prediksi
Prediksi merupakan kegiatan memperkirakan keadaan yang akan dating
untuk melakukan pemerikasaan berdasarkan data masa lalu dengan
maksud meminimalisir kesalahan yang sering terjadi (Dewi, Nurwati and
Rahayu, 2022).
7. Algoritma SVM
SVM adalah contoh penerapan suatu algoritma yang bisa digunakan untuk
masalah klasifikasi, analisis regresi, dan prediksi menggunakan model
linier dimana data tersebut dipisahkan menjadi dua atau lebih kelas
terpisah yang dibedakan berdasarkan nilai hyperlane optimal antar setiap
lapisan (Chairunnisa, Ernawati and Santoni, 2022). Pada algoritma SVM
terdapat 3 jenis karnel yang bisa digunakan untuk klasifikasi meliputi
karnel RBF, karnel Linier serta Kernel Polynomial. Pada penelitian ini
akan menggunkan metode SVM dengan menggunakan persamaan rumus
sebagai berikut :
w . xi + b > 1
Keterangan :
w : vector bobot

6
 xi : data ke i
b : nilai bias

8. Flowchart
Flowchart adalah gambar berbentuk symbol dan memiliki kegunaan untuk
menejelaskan secara rinci hubungan antar proses dalam membuat suatu
program (Galih Pradana and Nita, 2019).

7
 BAB III
METODOLOGI PENELITIAN(Maksimal 5 halaman)
3.1 PENGUMPULAN DATA
Dalam hal ini, dilakukan pengumpulan dataset dengan melakukan studi
literatur. Dataset yang akan digunakan diperokeh dari data BPS 2022 dan
Rekapitulasi hasil pemilu tahun 2019 yang diperoleh dari wibesite resmi
KPU Kabupaten Pasuruan, dengan data total data sebanyak 4378
instance.
3.2 ALAT DAN BAHAN PENELITIAN
Alat dan bahan yang digunakan dalam penelitian ini meliputi :
1. Perangkat keras komputer (Hardware)
a. Laptop Asus
2. Perangkat lunak komputer (Software)
a. Microsoft Office 2016
b. Google collab
c. Google Chrome
3.3 METODE PENELITIAN
Metode penelitian yang digunakan adalah metode SVM sebagai alat ukur
untuk memprediksi tingkat partisipasi berdasarkan data yang diolah.
sesudah membandingkan beberapa metode yang dapat digunakan untuk
memprediksi tingkat partisipasi, maka dipilihlah metode SVM sebagai
metode yang digunakan.
3.4 FLOWCHART

8
 Gambar 3.1 Flowchart Sistem
a. Input Data Training
Input Data Training ialah data yang digunakan untuk melatih atau
mengembangkan model pada pembelajaran mesin atau kecerdasan
buatan. Data tersebut merupakan bagian integral dari proses
pelatihan model dan data tersebut untuk memahami pola, hubungan,
atau karakteristik data sehingga dapat membuat prediksi atau
keputusan yang tepat ketika menghadapi data atau situasi baru yang
belum pernah terlihat sebelumnya.
b. Penerapan Fungsi Kernel SVM
Penerapan fungsi kernel pada SVSM mengacu pada penggunaan
kernel untuk memungkinkan SVM menyelesaikan masalah
klasifikasi nonlinier. SVM merupakan algoritma pembelajaran mesin
yang digunakan untuk memisahkan dua kelas data dengan mencari
hyperplane (garis atau permukaan) terbaik yang memisahkan kedua
kelas dengan margin maksimum. Namun, dalam kasus data

9
 nonlinier, hyperplane linier mungkin tidak dapat memisahkan data
dengan baik.
c. Proses Perhitungan Training SVM
Proses Perhitungan Training SVM merupakan serangkaian langkah
matematika dan komputasi yang dilakukan untuk melatih model
SVM. Tujuan utama pada pelatihan SVM adalah untuk menemukan
hyperplane (garis atau permukaan) terbaik yang memisahkan dua
kelas data dengan margin maksimum.
d. Proses Testing SVM
serangkaian langkah matematika dan komputasi yang dilakukan
untuk melatih model SVM. Tujuan utama pada pelatihan SVM
adalah untuk menemukan hyperplane (garis atau permukaan) terbaik
yang memisahkan dua kelas data dengan margin maksimum.
3.5 DIAGRAM

3.6 Input
3.6.1 Data Collect
Data yang digunakan adalah data BPS yang didapat dari laman
website resmi BPS Kabupaten Pasuruan dan data rekapitulasi hasil
pemilu yang didapat dari laman website resmi KPU Kabupaten
Pasuruan. Jumlah keseluruhan data sebanyak 4.378 yang terdiri
dari 82 atribut yaitu 81 atribut predictor dan 1 atribut target.
3.6.2 Prepcessing
pada tahap ini data yang diperoleh masih berupa data mentah.
maka dari itu memerlukan proses lebih lanjut. Langkah-langkah
pra-pemrosesan meliputipembersihan data, penggabungan data,
normalisasi (penskalaan data), pemilihan atribut (pemilihan data),
dan random dataset.
3.7 PROSES

10
 3.7.1 Dataset
Pada penelitian ini menggunakan data yang diperoleh dari website
BPS Tahun 2019 dan Rekapitulasi hasil pemilu Tahun 2019. Pada
pengujian ini menggunakan 50 data dari total keseluhuran data
yaitu 4378, sebagai berikut :

Wilayah X
X1
2
X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Y
A 383
3
16
183 4 50 687 4 101
0
2 59 2190 2
B 1 9 110 1 8 211 1 19 252 1 13 179 2
C 4 22 154 5 57 3 16 150 0 0 0 1
879
D 3 9 110 3 30 469 1 12 106 0 0 0 2
E 1 6 89 1 7 171 0 0 0 0 0 0 2
F 3 9 110 3 29 420 2 25 169 2 22 207 2
G 5 9 110 3 43 774 2 39 489 1 42 1016 2
H 1
2 4 73 6 36 627 1 13 114 2 17 130
I 383
3
16
183 4 50 687 4 101
0
2 59 2190 2
J 3 9 110 3 30 469 1 12 106 0 0 0 2
K 0 0 0 4 36 575 0 0 0 0 0 0 2
L 2 9 110 3 34 520 0 0 0 0 0 0 1
M 3 9 110 3 30 469 1 12 106 0 0 0 2
N 3 9 110 3 30 469 1 12 106 0 0 0 1
O 3 9 110 3 30 469 1 12 106 0 0 0 2
P 147
3 16 213 5 69 1214 3 80
3
2 71 1437 1
Q 3 9 110 3 30 469 1 12 106 0 0 0 2
R 7 9 110 5 43 518 1 7 58 0 0 0 1
S 5 15 155 5 47 495 1 19 236 1 11 216 2
T 3 16 178 1 21 519 3 56 765 2 50 522 2
U 7 9 110 7 58 1026 1 8 88 3 78 1329 2
V 7 9 110 6 64 1073 2 33 441 0 0 0 2
W 2 5 60 4 36 478 0 0 0 0 0 0 2
X 3 6 105 1 13 197 2 46 453 1 11 74 2
Y 2 3 43 3 23 189 0 0 0 0 0 0 2
Z 2 5 49 1 7 185 0 0 0 0 0 0 2
AA 3 9 110 3 30 469 1 12 106 0 0 0 2
AB 22 91 1198 35 56 1181 3 43 533 6 129 1916 2
AC 1 5 43 1 9 174 0 0 0 0 0 0 2
AD 4 14 170 4 35 571 1 32 587 0 0 0 2
AE 2 11 157 2 28 532 0 0 0 0 0 0 2
AF 4 9 110 6 63 807 5 54 329 3 25 264 2

11
AG 5 11 180 5 33 541 0 0 0 0 0 0 2
AH 4 200 3 46 702 3 33 267 3 31 406 1
24
AI 1 4 64 2 18 255 0 0 0 0 0 0 2
AJ 2 6 76 3 27 219 0 0 0 0 0 0 2
AK 3 9 110 3 30 469 1 12 106 0 0 0 2
AL 3 9 110 3 30 469 1 12 106 0 0 0 2
AM 8 28 266 5 54 654 4 48 331 3 26 235 1
AN 1 4 18 2 15 266 0 0 0 0 0 0 2
AO 3 6 119 5 43 617 1 7 54 0 0 0 2
AP 1 2 38 4 33 560 1 13 136 1 11 190 2
AQ 2 9 110 3 34 520 0 0 0 0 0 0 2
AR 7 9 110 6 64 1073 2 33 441 0 0 0 2
AS 5 21 296 3 74 1279 1 14 141 0 0 0 2
AT 3 9 110 3 30 469 1 12 106 0 0 0 2
AU 3 11 85 2 15 319 1 18 50 1 8 32 2
AV 2 14 136 2 30 541 1 10 94 1 16 39 2
AW 3 9 110 3 30 469 1 12 106 0 0 0 2
AX 2 6 82 3 32 635 0 0 0 0 0 0 2

3.7.2 Data Training

Data Training adalah data yang digunakan untuk melatih algoritma
untuk menemukan model yang sesuai. Pada penelitian ini
menggunakan data training sebanyak 30 data dari total dataset
berjumlah 50.
3.7.3 Implementasi Algoritma SVM

● Karena ada dua belas fitur (X1, X2, X3, X4, X5, X6, X7, X8, X9,
X10, X11, X12), maka w juga akan memiliki 12 fitur (W1 W2 W3
W4 W5 W6 W7 W8 W9 W10 W11 dan W12). Formulasi yang
digunakan adalah sebagai berikut :
1 1
● ǁwǁ = (w1 + w2 + w3 + w4 ……. W12) dengan yi (w . xi + b) >
2 2
1, i = 1, 2, 3, 4, 5, ... N
● y I (w1 . x1 + w2 . x2 + w3 . x3 + w4 . x4 + w5 . x5 + w6 . x6 + w7 . x7
+ w8 . x8 + w9 . x9 + w10 . x10 + w11 . x11 + w12 . x12) ≥ +1 untuk
tingkat partisipasi tinggi
● y I (w1 . x1 + w2 . x2 + w3 . x3 + w4 . x4 + w5 . x5 + w6 . x6 + w7 . x7
+ w8 . x8 + w9 . x9 + w10 . x10 + w11 . x11 + w12 . x12) ≥ -1 untuk
tingkat partisipasi rendah

12
 Sehingga didapatkan persamaan berikut :
1. (w1 . 3) (w2 . 16) (w3 . 183) (w4 . 4) (w5. 50) (w6 . 687) (w7 . 4)
(w8 . 101) (w9 . 3830) (w10 . 2) (w11 . 59) (w12
. 2190) + (b) 1
2. (w1 . 1) (w2 . 9) (w3 . 110) (w4 . 1) (w5. 8) (w6 . 211) (w7 . 1) (w8 .
19) (w9 . 252) (w10 . 1) (w11 . 13) (w12 . 179) + (b) 1
3. (-w1 . 4) (-w2 . 22) (-w3 . 154) (-w4 . 5) (-w5. 57) (-w6 . 879) (-
w7 . 3) (-w8 . 16) (-w9 . 150) (-w10 . 0) (-w11 . 0) (-w12
. 0) – b -1
4. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
5. (w1 . 1) (w2 . 6) (w3 . 89) (w4 . 1) (w5. 7) (w6 . 171) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
6. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 29) (w6 . 420) (w7 . 2) (w8
. 25) (w9 . 169) (w10 . 2) (w11 . 22) (w12 . 207) + (b) 1
7. (w1 . 5) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 43) (w6 . 774) (w7 . 2) (w8
. 39) (w9 . 489) (w10 . 1) (w11 . 42) (w12 . 1016) + (b) 1
8. (-w1 . 2) (-w2 . 4) (-w3 . 73) (-w4 . 6) (-w5. 36) (-w6 . 627) (-w7 .
1) (-w8 . 13) (-w9 . 114) (-w10 . 2) (-w11 . 17) (-w12
. 130) - b 1
9. (w1 . 3) (w2 . 16) (w3 . 183) (w4 . 4) (w5. 50) (w6 . 687) (w7 . 4)
(w8 . 101) (w9 . 3830) (w10 . 2) (w11 . 59) (w12
. 2190) + (b) 1
10. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
11. (w1 . 0) (w2 . 0) (w3 . 0) (w4 . 4) (w5. 36) (w6 . 575) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
12. (-w1 . 2) (-w2 . 9) (-w3 . 110) (-w4 . 3) (-w5. 34) (-w6 . 520) (-w7 .
0) (-w8 . 0) (-w9 . 0) (-w10 . 0) -(w11 . 0) (-w12 . 0) - b 1
13. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
14. (-w1 . 3) (-w2 . 9) (-w3 . 110) (-w4 . 3) (-w5. 30) (-w6 . 469) (-w7 .
1) (-w8 . 12) (-w9 . 106) (-w10 . 0) (-w11 . 0) (-w12 . 0) – b 1
15. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
16. (-w1 . 3) (-w2 . 16) (-w3 . 213) (-w4 . 5) (-w5. 69) (-w6 . 1214) (-
w7 . 3) (-w8 . 80) (-w9 . 1473) (-w10 . 2) (-w11 . 71) (-w12
. 1437) – b 1
17. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
18. (-w1 . 7) (-w2 . 9) (-w3 . 110) (-w4 . 5) (-w5. 43) (-w6 . 518) (-w7 .
1) (-w8 . 7) (-w9 . 58) (-w10 . 0) (-w11 . 0) (-w12 . 0) – b 1
19. (w1 . 5) (w2 . 15) (w3 . 155) (w4 . 5) (w5. 47) (w6 . 495) (w7 . 1)
(w8 . 19) (w9 . 236) (w10 . 1) (w11 . 11) (w12 . 216) + (b) 1

13
 20. (w1 . 3) (w2 . 16) (w3 . 178) (w4 . 1) (w5. 21) (w6 . 519) (w7 . 3)
(w8 . 56) (w9 . 765) (w10 . 2) (w11 . 50) (w12 . 522) + (b) 1
21. (w1 . 7) (w2 . 9) (w3 . 110) (w4 . 7) (w5. 58) (w6 . 1026) (w7 . 1)
(w8 . 8) (w9 . 88) (w10 . 3) (w11 . 78) (w12 . 1329) + (b) 1
22. (w1 . 7) (w2 . 9) (w3 . 110) (w4 . 6) (w5. 64) (w6 . 1073) (w7 . 2)
(w8 . 33) (w9 . 441) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
23. (w1 . 2) (w2 . 5) (w3 . 60) (w4 . 4) (w5. 36) (w6 . 478) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
24. (w1 . 3) (w2 . 6) (w3 . 105) (w4 . 1) (w5. 13) (w6 . 197) (w7 . 2) (w8
. 46) (w9 . 453) (w10 . 1) (w11 . 11) (w12 . 74) + (b) 1
25. (w1 . 2) (w2 . 3) (w3 . 43) (w4 . 3) (w5. 23) (w6 . 189) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
26. (w1 . 2) (w2 . 5) (w3 . 49) (w4 . 1) (w5. 7) (w6 . 185) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
27. (w1 . 3) (w2 . 9) (w3 . 110) (w4 . 3) (w5. 30) (w6 . 469) (w7 . 1) (w8
. 12) (w9 . 106) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
28. (w1 . 22) (w2 . 91) (w3 . 1198) (w4 . 35) (w5. 56) (w6 . 1181) (w7 .
3) (w8 . 43) (w9 . 533) (w10 . 6) (w11 . 129) (w12
. 1916) + (b) 1
29. (w1 . 1) (w2 . 5) (w3 . 43) (w4 . 1) (w5. 9) (w6 . 174) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
30. (w1 . 4) (w2 . 14) (w3 . 170) (w4 . 4) (w5. 35) (w6 . 571) (w7 . 1)
(w8 . 32) (w9 . 587) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
31. (w1 . 2) (w2 . 11) (w3 . 157) (w4 . 2) (w5. 28) (w6 . 532) (w7 . 0)
(w8 . 0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
32. (w1 . 4) (w2 . 9) (w3 . 110) (w4 . 6) (w5. 63) (w6 . 807) (w7 . 5) (w8
. 54) (w9 . 329) (w10 . 3) (w11 . 25) (w12 . 264) + (b) 1
33. (w1 . 5) (w2 . 11) (w3 . 180) (w4 . 5) (w5. 33) (w6 . 541) (w7 . 0)
(w8 . 0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1
34. (-w1 . 4) (-w2 . 24) (-w3 . 200) (-w4 . 3) (-w5. 46) (-w6 . 702) (-
w7 . 3) (-w8 . 33) (-w9 . 267) (-w10 . 3) (-w11 . 31) (-w12
. 406) – b 1
35. (w1 . 1) (w2 . 4) (w3 . 64) (w4 . 2) (w5. 18) (w6 . 255) (w7 . 0) (w8 .
0) (w9 . 0) (w10 . 0) (w11 . 0) (w12 . 0) + (b) 1

Untuk mendapatkan nilai dari masing – masing atribut, lakukan perhitungan linear
dengan melakukan eliminasi pada masing – masing persamaan.
Perhitungan eliminasi persamaan 1 dan persamaan 2 :
3 w 1+16 w 2 – 183 w 3+ 4 w 4 +50 w 5+687 w 6+4 w 7+101 w 8+ 3820 w 9+2 w 10+59 w 11+2190 w 12
1 w 1+ 9 w 2+110 w 3+1 w 4 +8 w 5+211 w 6+1 w 7+19 w 8+252 w 9+1 w 10+ 13 w 11+179 w 12+b
2 w1 + 13 w2 + 73 w3 + 3 w4 + 42 w5 + 476 w6 + 3 w7 + 82 w8 + 3568 w9 + 1 w10 + 46 w11 + 2011 w12 = 0 …
(36)
Perhitungan eliminasi persamaan 2 dan 3 :

14
 1 w 1+9 w 2+110 w 3+1 w 4+8 w 5+211w 6+ 1 w 7+19 w 8+252 w 9+1 w 10+13 w 11+179 w 12+ b=
−4 w 1−22 w 2−154 w 3−5 w 4−57 w 5−879 w 6−3 w 7−16 w 8−150 w 9−0 w 10−0 w 11−0 w 12−
5 w1 + 31 w2 + 264 w3 + 6 w4 + 65 w5 + 1.090 w6 + 4 w7 + 35 w8 + 402 w9 + 1 w10 + 13 w11 + 179 w12 + 2b =
2 …..(37)
Melakukan eliminasi w12 (dengan cara perkalian silang indeks w12)
2 w1 + 13 w2 + 73 w3 + 3 w4 + 42 w5 + 476 w6 + 3 w7 + 82 w8 + 3568 w9 + 1 w10 +
46 w11 + 2011 w12 = 1 …(36)
5 w1 + 31 w2 + 264 w3 + 6 w4 + 65 w5 + 1.090 w6 + 4 w7 + 35 w8 + 402 w9 + 1 w10
+ 13 w11 + 179 w12 + 2b = 2 …..(37)

358 w1 + 2.372 w2 + 13.067 w3 + 537 w4 + 7.518 w5 + 85.204 w6 + 537 w7 + 6.265

w8 + 638.672 w9 + 179 w10 + 8.234 w11 + 359.969 w12 = 1
10.055 w1 + 62.341 w2 + 530.904 w3 + 12.066 w4 + 130.715 w5 + 2.191.990 w6 +
8.044 w7 + 70.385 w8 + 808.442 w9 + 2.011 w10 + 26.143 w11 + 359.969 w12 +
358b = 358
Hasil :
-9.697 w1 - 59.969 w2 - 517.837 w3 - 11.529 w4 - 123.197 w5 - 2.106.786 w6 -
7.507 w7 - 64.120 w8 - 169.770 w9 - 1.832 w10 - 17.909 w11 - 358b = 358…..(70)
Eliminasi w2 dengan perkalian silang indeks w2
972.445 w1 + 330.498 w2 = 356.098…….(90)
60.348 w1 + 28.947 w2 = (-575.202)……(91)

28.149 w1 + 9.567 w2 = 356.098

19.945 w1 + 9.567 w2 = (-575.202)
Mencari Nilai w1 :
8.204w1 = 931.300
W1 = 114
Mencari nilai w2 dengan menggunakan persamaan 91 subtitusi w1
60.348 w1 + 28.947 w2 = (-575.202)
= 60.348 (114) + 28.947 w2 = (-575.202)
W2 = -258
Mencari Bias (b) dengan menggunakan persamaan 35 mensubtitusi nilai w 1 = 114,
w2 = -258, w3 = -85, w4 = -5, w5 = -5829, w6 = 329, w7 = 50.601, w8 = -5.555, w9 =
1.784, w10 = -22.983, w11 = -23.933, w12 = -3.123
1 w1 + 4 w2 + 64 w3 + 2 w4 + 18 w5 + 255 w6 + 0 w7 + 0 w8 + 0 w9 + 3 w10 + 31
w11 + 0 w12 + b = 1
1 (114) + 4 (-258) + 64 (-85) + 2 (-5) + 18 (-5829) + 255 (329) + 0 (-50.601) + 0
(-5.555) + 0 (1.784) + 3 (-22.983) + 31 (-23.933) + 0 (-3.123) + b = 1
-838.267 + b = 1
b = 839
3.7.4 Data Testing
Data Testing adalah data yang digunakan untuk menguji dan
mengetahui kinerja model yang diperoleh dari tahap pengujian.
Pada penelitian ini terdapat 15 data testing.

15
AJ 2 6 76 3 27 219 0 0 0 0 0 0 2
AK 3 9 110 3 30 469 1 12 106 0 0 0 2
AL 3 9 110 3 30 469 1 12 106 0 0 0 2
AM 8 28 266 5 54 654 4 48 331 3 26 235 1
AN 1 4 18 2 15 266 0 0 0 0 0 0 2
AO 3 6 119 5 43 617 1 7 54 0 0 0 2
AP 1 2 38 4 33 560 1 13 136 1 11 190 2
AQ 2 9 110 3 34 520 0 0 0 0 0 0 2
AR 7 9 110 6 64 1073 2 33 441 0 0 0 2
AS 5 21 296 3 74 1279 1 14 141 0 0 0 2
AT 3 9 110 3 30 469 1 12 106 0 0 0 2
AU 3 11 85 2 15 319 1 18 50 1 8 32 2
AV 2 14 136 2 30 541 1 10 94 1 16 39 2
AW 3 9 110 3 30 469 1 12 106 0 0 0 2
AX 2 6 82 3 32 635 0 0 0 0 0 0 2

3.7.5 Output
y = +1 jika w.z + b > 0
-1 jika w.z + b < 0
Data AJ = 2 (114) + 6 (-258) + 76 (-85) + 3 (-5) + 27 (-5829) + 219 (329) + 0
(-50.601) + 0 (-5.555) + 0 (1.784) + 0 (-22.983) + 0 (-23.933) + 0 (-
3.123) + 839
228 – 1.548 – 6.460 – 15 – 157.383 + 72.051 + 839 = -992.228
3.7.6 Hasil
Dari hasil pengujian diatas, prediksi pengaruh tingkat partisipasi
terhadap kualitas Pendidikan diKabupaten Pasuruan diperoleh
hasil akurasi sebesar 66,67%.

16
 DAFTAR PUSTAKA
Armayani, C., Fauzi, A. and Sembiring, H. (2021) ‘Implementasi Data Mining
Pengelompokan Jumlah Data Produktivitas Ubinan Tanaman Pangan Berdasarkan
Jenis Ubinan Dengan Metode Clustering Dikab Langkat’, Jurnal Informatika
Kaputama (JIK), 5(1), pp. 185–196.
Chairunnisa, C., Ernawati, I. and Santoni, M.M. (2022) ‘Klasifikasi Sentimen
Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan
Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square’,
Informatik : Jurnal Ilmu Komputer, 18(1), p. 69. Available at:
https://doi.org/10.52958/iftk.v17i4.4594.
Dewi, S.P., Nurwati, N. and Rahayu, E. (2022) ‘Penerapan Data Mining Untuk
Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor’,
Building of Informatics, Technology and Science (BITS), 3(4), pp. 639–648.
Available at: https://doi.org/10.47065/bits.v3i4.1408.
Galih Pradana, A. and Nita, S. (2019) ‘Rancang Bangun Game Edukasi
“AMUDRA” Alat Musik Daerah Berbasis Android’, Jurnal Seminar Nasional
Teknologi Informasi dan Komunikasi 2019, 2(1), pp. 49–53.
Hovi, H.S.W., Id Hadiana, A. and Rakhmat Umbara, F. (2022) ‘Prediksi Penyakit
Diabetes Menggunakan Algoritma Support Vector Machine (SVM)’, Informatics
and Digital Expert (INDEX), 4(1), pp. 40–45. Available at:
https://doi.org/10.36423/index.v4i1.895.
Indriany, M. (2020) ‘Partisipasi Masyarakat Dalam Pemilu 2019 Di Kabupaten
Kutai Kartanegara’, eJournal Ilmu Pemerintahan, 8(2), pp. 545–558. Available at:
https://ejournal.ip.fisip-unmul.ac.id/site/wp-content/uploads/2020/11/MAYANG
jurnal (11-04-20-08-53-51).pdf.
Kurniawati, F.N.A. (2022) ‘Meninjau Permasalahan Rendahnya Kualitas
Pendidikan Di Indonesia Dan Solusi’, Academy of Education Journal, 13(1), pp.
1–13. Available at: https://doi.org/10.47200/aoej.v13i1.765.
Lumbanraja, F.R. et al. (2020) ‘Prediksi Jumlah Penderita Penyakit Tuberkulosis
Di Kota Bandar Lampung Menggunakan Metode Svm (Support Vector
Machine)’, Klik - Kumpulan Jurnal Ilmu Komputer, 7(3), p. 320. Available at:
https://doi.org/10.20527/klik.v7i3.350.

1
Luter Laia, M. and Setyawan, Y. (2020) ‘Perbandingan Hasil Klasifikasi Curah
Hujan Menggunakan Metode Svmdan Nbc’, JurnalStatistika Industri dan
Komputasi, 05(2), pp. 51–61.
Moento, P.A., Fitriani;, F. and Maturan, A.Y. (2019) ‘Strategi Komisi Pemilihan
Umum Dalam Meningkatkan Partisipasi Masyarakat Dalam Pemilihan Umum’,
Societas : Jurnal Ilmu Administrasi dan Sosial, 8(2), pp. 109–121. Available at:
https://doi.org/10.35724/sjias.v8i2.2518.
Nur, F. et al. (2022) ‘Edu Geography’, 10(2), pp. 45–50.
Nur Wardhani, P.S. (2018) ‘Partisipasi Politik Pemilih Pemula dalam Pemilihan
Umum’, Jupiis: Jurnal Pendidikan Ilmu-Ilmu Sosial, 10(1), p. 57. Available at:
https://doi.org/10.24114/jupiis.v10i1.8407.
Nurcholis, A. and Rizki Putra, T. (2020) ‘Pengaruh Media Sosial terhadap
Partisipasi Pemilih Pemula pada Pemilihan Presiden 2019: Studi Pada Mahasiswa
FISIPOL UGM’, Jurnal PolGov, 2(1), pp. 193–222.
Pristiwanti, D. et al. (2022) ‘Pengertian Pendidikan’, Jurnal Pendidikan Dan
Konseling (JPDK), 4(6), pp. 1707–1715.
Pulungan, M.C., Rahmatunnisa, M. and Herdiansah, A.G. (2020) ‘Strategi Komisi
Pemilihan Umum Kota Bekasi Dalam Meningkatkan Partisipasi Pemilih Pada
Pemilu Serentak Tahun 2019’, Politea : Jurnal Politik Islam, 3(2), pp. 251–272.
Available at: https://doi.org/10.20414/politea.v3i2.2439.
Saverus (2019) ‘No 主観的健康感を中心とした在宅高齢者における 健康関
連指標に関する共分散構造分析 Title’, Jurnal Kajian Pendidikan Ekonomi dan
Ilmu Ekonomi, 2(1), pp. 1–19. Available at:
http://www.scopus.com/inward/record.url?eid=2-s2.0-
84865607390&partnerID=tZOtx3y1%0Ahttp://books.google.com/books?
hl=en&amp;lr=&amp;id=2LIMMD9FVXkC&amp;oi=fnd&amp;pg=PR5&amp;d
q=Principles+of+Digital+Image+Processing+fundamental+techniques&amp;ots=
HjrHeuS_.
Suryani, N. and Fitrani, A.S. (2022) ‘Prediction Of Election Participant With
Malang City Demographic Data Using The K-Nn Algorithm’, Jurnal Mantik,
6(36), pp. 2369–2376. Available at:
https://ejournal.iocscience.org/index.php/mantik/article/view/2802%0Ahttps://

2
ejournal.iocscience.org/index.php/mantik/article/download/2802/2223.
Utomo, D.P. and Mesran, M. (2020) ‘Analisis Komparasi Metode Klasifikasi
Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung’, Jurnal Media
Informatika Budidarma, 4(2), p. 437. Available at:
https://doi.org/10.30865/mib.v4i2.2080.
Wibawa, I.P.A.P. et al. (2019) ‘Prediksi Partisipasi Pemilih dalam Pemilu
Presiden 2014 dengan Metode Support Vector Machine’, Jurnal Ilmiah Merpati
(Menara Penelitian Akademika Teknologi Informasi), 7(3), p. 182. Available at:
https://doi.org/10.24843/jim.2019.v07.i03.p02.
Zarti, M.N. et al. (2023) ‘Application Of Data Mining Using The Naïve Bayes
Classification Method To Predict Public Interest Participation In The 2024
Elections’, Jurnal Komputer …, 3(1), pp. 105–114. Available at:
https://penerbitadm.com/index.php/KOMITEK/article/view/1192%0Ahttps://
penerbitadm.com/index.php/KOMITEK/article/download/1192/1648.