Prediksi Kemenangan Kandidat Pemilihan Kepala Daerah Menggunakan Metode Multilayer Perceptron (MLP) dengan Integrasi Data Demografis dan Profil Partai

ABSTRAK

Memprediksi hasil pemilihan kepala daerah (Pilkada) di Indonesia menghadapi tantangan struktural dan sosiodemografis yang kompleks, yang sulit diatasi oleh model linier tradisional. Penelitian ini mengusulkan kerangka kerja deep learning canggih yang memanfaatkan Multi-Layer Perceptron (MLP) untuk memprediksi probabilitas kemenangan calon dengan mengintegrasikan data pemilih mikro-demografis dan profil partai makro struktural. Dengan mengambil Kabupaten Pasuruan sebagai studi kasus kritis, model ini menangkap pergeseran struktural dan anomali politik yang diamati selama siklus pemilihan tahun 2013, 2018, dan 2024. Kumpulan data terdiri dari 12 fitur demografis yang dikompilasi dari catatan sipil (CAPIL) dan Badan Pusat Statistik (BPS), dikombinasikan dengan parameter kelembagaan dari Komisi Pemilihan Umum (KPU). Arsitektur yang diusulkan mengevaluasi tiga skenario komputasi berbeda untuk mengisolasi dampak fitur. Hasil empiris menunjukkan bahwa meskipun model demografis saja (Skenario 1) menghasilkan pola dasar, model hibrida terintegrasi penuh (Skenario 3) mencapai kinerja prediktif yang lebih unggul dengan Akurasi 85,3% dan Area Under Curve (AUC) sebesar 0,89. Analisis AI yang Dapat Dijelaskan (XAI) melalui nilai SHAP mengungkapkan bahwa efek figur calon dan pragmatisme ekonomi strategis secara efektif mengesampingkan monopoli kursi institusional tradisional. Studi ini menyumbangkan kerangka kerja komputasi yang baru dan kokoh untuk peramalan politik, menawarkan wawasan berbasis data yang dapat ditindaklanjuti untuk evaluasi strategi pemilu.

ABSTRACT

Predicting regional election (Pilkada) outcomes in Indonesia faces complex structural and sociodemographic challenges that traditional linear models struggle to address. This study proposes an advanced deep learning framework utilizing a Multi-Layer Perceptron (MLP) to predict candidate victory probabilities by integrating micro-demographic voter data and macro-structural party profiles. Taking Kabupaten Pasuruan as a critical case study, the model captures the structural shifts and political anomalies observed during the 2013, 2018, and 2024 election cycles. The dataset comprises 12 demographic features compiled from the civil
registry (CAPIL) and the Central Bureau of Statistics (BPS), combined with institutional parameters from the General Elections Commission (KPU). The proposed architecture evaluates three distinct computational scenarios to isolate feature impacts. The empirical results demonstrate that while the demographic-only model (Scenario 1) yields baseline patterns, the fully integrated hybrid model (Scenario 3) achieves superior predictive performance with an Accuracy of 85.3% and an Area Under Curve (AUC) of 0.89. Explainable AI (XAI) analysis via SHAP values reveals that candidate figure effects and strategic economic pragmatism effectively override traditional institutional seat monopolies. This study contributes a novel, robust computational framework for political forecasting, offering data-driven, actionable insights for electoral strategy evaluation.

مستخلص البحث

يواجه التنبؤ بنتائج انتخابات رؤساء المناطق (Pilkada) في إندونيسيا تحديات هيكلية واجتماعية-ديموغرافية معقدة، يصعب التغلب عليها باستخدام النماذج الخطية التقليدية. يقترح هذا البحث إطار عمل متطورًا يعتمد على التعلم العميق ويستفيد من شبكة بيرسيبترون متعددة الطبقات (MLP) للتنبؤ باحتمالية فوز المرشحين من خلال دمج البيانات الديموغرافية الدقيقة للناخبين والملامح الهيكلية الكلية للأحزاب. ومن خلال اتخاذ مقاطعة باسوروان كحالة دراسة حاسمة، يلتقط هذا النموذج التحولات الهيكلية والانحرافات السياسية التي لوحظت خلال دورات الانتخابات في أعوام 2013 و2018 و2024. تتألف مجموعة البيانات من 12 سمة ديموغرافية تم تجميعها من سجلات الأحوال المدنية (CAPIL) والمكتب المركزي للإحصاء (BPS)، مقترنة بمعلمات مؤسسية من اللجنة العامة للانتخابات (KPU). وتقيّم البنية المقترحة ثلاثة سيناريوهات حسابية مختلفة لعزل تأثير كل سمة. تشير النتائج التجريبية إلى أنه على الرغم من أن النموذج الديموغرافي وحده (السيناريو 1) ينتج أنماطًا أساسية، فإن النموذج الهجين المتكامل تمامًا (السيناريو 3) يحقق أداءً تنبؤيًا أفضل بدقة تبلغ 85,3% ومساحة تحت المنحنى (AUC) تبلغ 0,89. وكشفت تحليلات الذكاء الاصطناعي القابلة للتفسير (XAI) من خلال قيم SHAP أن تأثير شخصية المرشح والبراغماتية الاقتصادية الاستراتيجية يعملان بشكل فعال على تجاوز احتكار المقاعد المؤسسية التقليدية