Bei dieser Arbeit wird ein Algorithmus, basierend auf dem k-Nearest-Neighbor-Algorithmus und der Kernregression, entwickelt und in der Software elect implementiert. Der Algorithmus wird verwendet, um Stimmenprognose zu erzeugen. Zusätzlich wird die Authentizität der Stimmenzahlen mittels Benfordschen Gesetzes geprüft. Anhand dessen werden Bemerkungen zu den Auffälligkeiten verschiedener Gebiete für den Anwender ermittelt, die durch graphische Abbildungen nachvollziehbar gemacht werden. Hauptsächlich wird die Bundestagswahl 2017 in Berlin sowie die Landtagswahl 2018 in München zum Testen benutzt. Der Algorithmus für die Stimmenprognose erzeugt Stimmenanteile, die durchschnittlich um weniger als 13% der tatsächlichen Stimmenanteile bei der Bundestagswahl 2017 in Berlin abweichen. Eine Übernahme der Vorperiodenwerte ergibt gegenüber den prognostizierten Stimmen eine durchschnittliche Abweichung von etwa 39%. Obwohl die von den auffälligsten Gebieten gemeldeten Zahlen manchmal der Benfordverteilung nicht genügen, konnte keine signifikante Korrelation zwischen der Größe der Abweichung bzgl. der prognostizierten Stimmen und bzgl. der Benfordverteilung festgestellt werden. Das kann daran liegen, dass die oft umstrittene Verwendung von auf dem Benford-Gesetz basierten Tests bei Wahlen ungeeignet ist.