Aplikasi Regresi Poisson dan Binomial Negatif dalam Analisis Faktor yang Memengaruhi Golput pada Pemilu Presiden 2024 di Indonesia

Abstract

Fenomena golongan putih (golput) atau keputusan pemilih untuk tidak menggunakan hak pilihnya dalam pemilu masih menjadi tantangan serius bagi kualitas demokrasi di Indonesia. Jumlah golput dalam pemilu merupakan data cacah. Regresi poisson merupakan pendekatan yang umum digunakan untuk menganalisis data cacah dengan asumsi ekuidispersi. Namun, asumsi ekuidispersi pada regresi Poisson seringkali tidak terpenuhi, terutama ketika ragam data lebih besar dari rataannya (overdispersi), sehingga mengakibatkan hasil estimasi yang kurang akurat. Penelitian ini bertujuan untuk menganalisis faktor yang memengaruhi jumlah golput pada Pemilu Presiden di setiap provinsi tahun 2024 di Indonesia dengan menggunakan pendekatan regresi Poisson dan regresi binomial negatif. Data jumlah golput pada Pilpres per 1000 penduduk digunakan sebagai peubah respon dan sembilan peubah penjelas digunakan dalam penelitian ini. Pemilihan model terbaik didasarkan pada nilai Akaike Information Criterion (AIC) dan Bayesian Information Criterion (BIC) yang paling rendah. Hasil analisis menunjukkan bahwa model Poisson menghasilkan nilai AIC sebesar 1276,28 dan BIC sebesar 1291,65, sedangkan model binomial negatif memberikan nilai AIC yang jauh lebih rendah yaitu sebesar 470,16 dan BIC sebesar 488,17. Hasil pemodelan menunjukkan bahwa dua peubah signifikan memengaruhi angka golput pada Pemilu Presiden yaitu peubah persentase penduduk miskin (X2) dan peubah angka partisipasi murni (APM) jenjang sekolah menengah atas (X4).

The phenomenon of abstentionism (golput) or voters' decision not to exercise their right to vote in elections remains a serious challenge to the quality of democracy in Indonesia. The number of abstentions in elections is count data. Poisson regression is a commonly used approach to analyze count data under the assumption of equidispersion. However, the assumption of equidispersion in Poisson regression is often not met, especially when the variance of the data is greater than its mean (overdispersion), resulting in less accurate estimation results. This study aims to analyze the factors influencing the number of golput in the 2024 Presidential Election in each province in Indonesia using Poisson regression and negative binomial regression approaches. The data on the number of abstentions in the presidential election per 1000 inhabitants was used as the response variable, and nine explanatory variables were used in this study. The selection of the best model was based on the lowest Akaike Information Criterion (AIC) and Bayesian Information Criterion (BIC) values. The analysis results show that the Poisson model produced an AIC value of 1276,28 and a BIC value of 1291,65, while the negative binomial model produced a much lower AIC value of 470,16 and a BIC value of 488,17. The modeling results indicate that two significant variables influence the abstention rate in the Presidential Election: the percentage of the poor population (X2) and the pure participation rate at the high school level.