KLASIFIKASI BINER TINDAK PIDANA MENGGUNAKAN DECISION TREE DAN RANDOM FOREST DENGAN SMOTE PADA DATA SISTEM INFORMASI PENELUSURAN PERKARA PENGADILAN NEGERI KEBUMEN

Rahmat Hidayat; Weri Sirait; M. Syafrizal Zain; Firdaus Firdaus; David Nugroho

doi:10.46576/djtechno.v7i2.9299

KLASIFIKASI BINER TINDAK PIDANA MENGGUNAKAN DECISION TREE DAN RANDOM FOREST DENGAN SMOTE PADA DATA SISTEM INFORMASI PENELUSURAN PERKARA PENGADILAN NEGERI KEBUMEN

Rahmat Hidayat, Weri Sirait, M. Syafrizal Zain, Firdaus Firdaus, David Nugroho

Abstract

Kriminalitas merupakan salah satu permasalahan yang memengaruhi keamanan dan ketertiban masyarakat. Pemanfaatan data historis perkara melalui pendekatan machine learning dapat mendukung penyusunan strategi pencegahan kejahatan yang lebih terarah. Penelitian ini bertujuan mengembangkan model klasifikasi tindak pidana menggunakan data Sistem Informasi Penelusuran Perkara (SIPP) Pengadilan Negeri Kebumen periode 2021–2025. Permasalahan utama yang dihadapi adalah ketidakseimbangan distribusi kelas dan rendahnya performa klasifikasi pada data dengan banyak kategori tindak pidana. Untuk mengatasinya, sembilan rumpun tindak pidana direkonstruksi menjadi dua kategori, yaitu Kejahatan Kekerasan dan Kejahatan Non-Kekerasan. Penyeimbangan data dilakukan menggunakan Synthetic Minority Over-sampling Technique (SMOTE), sedangkan proses klasifikasi menggunakan algoritma Decision Tree dan Random Forest dengan skema stratified split 80:20. Hasil pengujian menunjukkan bahwa Decision Tree memberikan performa terbaik dengan akurasi 73,81%, presisi 79,08%, recall 73,81%, dan F1-score 75,45%, sedangkan Random Forest memperoleh akurasi 65,48%. Analisis feature importance menunjukkan bahwa tingkat pendidikan, pekerjaan, dan lokasi kejadian merupakan faktor yang paling berkontribusi dalam membedakan kategori tindak pidana. Hasil penelitian menunjukkan bahwa pendekatan yang diusulkan berpotensi mendukung pengambilan keputusan dalam penyusunan strategi pencegahan kejahatan berbasis data.

Keywords

Klasifikasi Biner, Kriminalitas, Decision Tree, Random Forest, SMOTE

Full Text:

PDF

References

J. S. Humaniora, D. Pendidikan, I. K. Kurniawan, D. Budimansyah, and R. Sartika, “Tinjauan Literatur terhadap Faktor Sosial Penyebab Kriminalitas,” Jurnal Sosial Mumaniora dan Pendidikan, vol. 6, no. 1, pp. 1–6, Mar. 2026, doi: 10.51903/65dsd686.

B. D. Kurniawan, R. Heriansyah, and Z. R. Mair, “ANALISIS PREDIKSI TERHADAP PENINGKATAN TINDAK PIDANA DENGAN METODE NAIVE BAYES BERDASARKAN LAPORAN KRIMINALITAS,” 2025.

R. D. Yuniarsyih R.A, R. A. Muhadi, A. Fitrianto, and P. Silvianti, “Analisis Regresi Logistik Biner dan Random Forest untuk Prediksi Faktor-Faktor Stunting di Pulau Jawa,” Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi, vol. 13, no. 2, pp. 147–156, Jul. 2025, doi: 10.37905/euler.v13i2.31680.

M. R. Kurniawan, O. N. Pratiwi, and F. Hamami, “KLASIFIKASI SOAL MENGGUNAKAN MULTI-LABEL PROBLEM TRANSFORMATION DENGAN METODE RANDOM FOREST DAN K-NEAREST NEIGHBOR,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 367–380, Jan. 2025, doi: 10.29100/jipi.v10i1.5910.

F. Puspitasari Budiana and H. Shelviani, “KOMBINASI ALGORITMA DECISION TREE DAN NAIVE BAYES UNTUK MENINGKATKAN AKURASI DAN KECEPATAN WAKTU DETEKSI MALWARE,” 2025.

A. Fauziah and J. Hernadi, “Klasifikasi Data Tak Seimbang Menggunakan Algoritma Random Forest dengan SMOTE dan SMOTE-ENN (Studi Kasus pada Data Stunting),” Jurnal Riset Sistem dan Teknologi Informasi (RESTIA, vol. 3, no. 2, pp. 112–121, 2025, [Online]. Available: https://bit.ly/DataSintetis.

A. F. Anjani, D. Anggraeni, and I. M. Tirta, “Implementasi Random Forest Menggunakan SMOTE untuk Analisis Sentimen Ulasan Aplikasi Sister for Students UNEJ,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 163–172, Sep. 2023, doi: 10.25077/teknosi.v9i2.2023.163-172.

E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, and F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 3, pp. 677–690, Jul. 2022, doi: 10.30812/matrik.v21i3.1726.

T. Muthia, N. Nurrahma, and N. J. Putri, “Penerapan teknik oversampling pada dataset indikator kesehatan diabetes menggunakan SMOTE untuk klasifikasi penderita diabetes,” 2025.

M. Khadafi and A. Yudhistira, “PENERAPAN METODE DECISION TREE DAN NAÏVE BAYES PADA KASUS KRIMINALITAS DI LAMPUNG,” DINAMIK, vol. 31, no. 1, pp. 256–266, 2026.

W. Amanda and A. Voutama, “Klasifikasi Pendapatan Menggunakan Algoritma Random Forest: Studi Kasus Dataset Adult Income,” Jurnal Ilmiah Informatika Global, vol. 2, no. 16, pp. 79–84, Jul. 2025.

Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI: Journal of Statistics and Its application on Teaching and Research, vol. 4, no. 3, pp. 121–127, Dec. 2022, doi: 10.35580/variansiunm31.

A. Khairunnisa, “PERBANDINGAN MODEL RANDOM FOREST DAN XGBOOST UNTUK PREDIKSI KEJAHATAN KESUSILAAN DI PROVINSI JAWA BARAT,” JIKO (Jurnal Informatika dan Komputer), vol. 7, no. 2, p. 202, Sep. 2023, doi: 10.26798/jiko.v7i2.799.

F. Santoso and E. Hartati, “PENGGUNAAN ALGORITMA RANDOM FOREST DALAM KLASIFIKASI BUAH SEGAR DAN BUSUK,” Jurnal Algoritme, vol. 3, no. 1, pp. 133–140, Oct. 2022, doi: 10.35957/algoritme.xxxx.

C. A. Bahri et al., “ANALISIS FAKTOR RISIKO PEMICU SERANGAN JANTUNG DI INDONESIA, MENGGUNAKAN METODE KLASIFIKASI (DECISION TREE, NAIVE BAYES, DAN RANDOM FOREST),” 2025.

I. A. Rahmi, F. M. Afendi, and A. Kurnia, “Metode AdaBoost dan Random Forest untuk Prediksi Peserta JKN-KIS yang Menunggak,” Jambura Journal of Mathematics, vol. 5, no. 1, pp. 83–94, Jan. 2023, doi: 10.34312/jjom.v5i1.15869.

A. Suaib and I. I. Tritosmoro, “Perbandingan Performa Metode Local Binary Pattern dan Random Forest dalam Identifikasi COVID-19 pada Citra X-ray Paru-paru,” Mar. 2023.

DOI: https://doi.org/10.46576/djtechno.v7i2.9299