<![CDATA[Distribusi logistik Komisi Pemilihan Umum (KPU) merupakan proses yang kompleks dan memiliki tingkat risiko yang tinggi, baik dari aspek ketepatan waktu, keamanan, maupun akurasi distribusi. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap berbagai arsitektur model prediksi risiko logistik Pemilu melalui pendekatan studi literatur sistematis. Kajian dilakukan dengan menelaah dan membandingkan sejumlah artikel ilmiah yang membahas penerapan model prediksi, mulai dari model linier tradisional, metode ensemble learning, hingga pendekatan lanjutan seperti Support Vector Machine (SVM) dan Graph Neural Network. Hasil analisis menunjukkan bahwa regresi linear efektif dalam memodelkan tren volume logistik dengan nilai RMSE sebesar 0,034 persen. Namun demikian, Random Forest dan SVM menunjukkan performa yang lebih unggul dalam klasifikasi risiko, terutama pada kondisi data tidak seimbang. Temuan ini menegaskan bahwa pemilihan algoritma prediksi risiko harus disesuaikan dengan karakteristik dataset logistik guna meningkatkan efektivitas, ketepatan waktu, dan keamanan distribusi logistik Pemilu.]]>
Copyrights © 2026
