KLASIFIKASI ANAK BERHADAPAN DENGAN HUKUM MENGGUNAKAN ALGORITMA K-NN (STUDI KASUS : SENTRA ABISEKA KOTA PEKANBARU)
DOI:
https://doi.org/10.30606/rjocs.v11i2.3958Keywords:
Klasifikasi, Hukum, KNNAbstract
Anak Berhadapan dengan Hukum (ABH) merupakan permasalahan serius yang membutuhkan penanganan tepat dan cepat. Di Sentra Abiseka Kota Pekanbaru, proses pengklasifikasian ABH masih dilakukan secara manual, mengakibatkan keterlambatan dalam penanganan serta kurangnya pemanfaatan data karakteristik anak untuk pengambilan keputusan. Penelitian ini bertujuan membangun sistem klasifikasi berbasis web untuk mengelompokkan ABH sebagai pelaku atau korban menggunakan algoritma K-Nearest Neighbor (K-NN). Data yang digunakan diperoleh dari Sentra Abiseka dan terdiri atas 112 data anak dengan 9 atribut utama: jenis kelamin, kasus, usia, pendidikan terakhir, kondisi ekonomi keluarga, pekerjaan orang tua, jumlah anggota keluarga, riwayat penyalahgunaan zat terlarang, dan hubungan dengan sebaya. Tahapan penelitian meliputi pra-pemrosesan data, penanganan ketidakseimbangan data dengan SMOTE, pelatihan dan pengujian model menggunakan k-fold cross validation, serta evaluasi berdasarkan akurasi. Hasil menunjukkan bahwa model K-NN dapat mengklasifikasikan ABH secara akurat dan membantu pihak terkait dalam pengambilan keputusan yang lebih efisien dan terstruktur
Downloads
References
] Fultoni, Aminah, S., & Sihombing, U. P. (2012). Buku Saku Paralegal seri 7 Anak Berkonflik Dengan Hukum (ABH). Perpustakaan Nasional RI Data Katalog dalam Terbitan (KDT).
] Mubarok, M. I., Purwantoro, & Carudin. (2024). PENERAPAN ALGORITMA K- NEAREST NEIGHBOR (KNN) DALAM KLASIFIKASI PENILAIAN JAWABAN
] UJISAN ESAI. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5). https://doi.org/10.36040/jati.v7i5.7676
] Zuriati, Z., & Qomariyah, N. (2022). Klasifikasi Penyakit Stroke Menggunakan Algoritma K-Nearest Neighbor (KNN). ROUTERS: Jurnal Sistem Dan Teknologi Informasi. https://doi.org/10.25181/rt.v1i1.2665
] Batubara, G. M. C., Desiani, A., & Amran, A. (2023). Klasifikasi Jamur Beracun Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbors. Jurnal Ilmu Komputer Dan Informatika, 3(1). https://doi.org/10.54082/jiki.68
] Febriandini, N. C. (2024). Pengklasifikasian ABH Di Kota Balikpapan Dengan Penerapan Metode Naïve Bayes. PROSIDING SEMINAR NASIONAL SAINS DATA, 4(1), 755–766.
] Andriana, A. D. (2020). Analisis Kebutuhan Fungsional. Universitas Komputer Indonesia.
] Aris, F., & Benyamin. (2019). Penerapan Data Mining untuk Identifikasi Penyakit Diabetes Melitus dengan menggunakan Metode Klasifikasi. Router Research, 1(1), 1–6.
] Berrar, D. (2018). Cross-validation. In Encyclopedia of Bioinformatics and Computational Biology: ABC of Bioinformatics (Vols. 1–3). https://doi.org/10.1016/B978-0-12-809633- 8.20349-X
] Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16. https://doi.org/10.1613/jair.953
] Cunningham, P., & Delany, S. J. (2021). K-Nearest Neighbour Classifiers-A Tutorial. In ACM Computing Surveys (Vol. 54, Issue 6). https://doi.org/10.1145/3459665
] Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition. In Hands-On Machine Learning with Python.
] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021a). Linear Regression. In G. James,
] D. Witten, T. Hastie, & R. Tibshirani (Eds.), An Introduction to Statistical Learning: with Applications in R (pp. 59–128). Springer US. https://doi.org/10.1007/978-1-0716-1418-1_3
] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021b). Resampling Methods. In G. James, D. Witten, T. Hastie, & R. Tibshirani (Eds.), An Introduction to Statistical Learning: with Applications in R (pp. 197–223). Springer US. https://doi.org/10.1007/978-1-0716- 1418-1_5
] Kusumawardani, D. M., Darmansah, Astiti, S., Fathoni, M. Y., Sunardi, D., & Fernandez, S. (2023). Web Dasar Menggunakan HTML, CSS, JS, PHP Dan Studi Kasus. In PT. Sonpedia Publishing Indonesia.
] Lamba, M., & Madhusudhan, M. (2022). Text Mining for Information Professionals: An Uncharted Territory. In Text Mining for Information Professionals: An Uncharted Territory. https://doi.org/10.1007/978-3-030-85085-2
] Liberti, L., Lavor, C., Maculan, N., & Mucherino, A. (2014). Euclidean distance geometry and applications. SIAM Review, 56(1). https://doi.org/10.1137/120875909
] Mardi. (2014). Sistem Informasi Akuntansi (2nd ed.). Ghalia Indonesia.
] Nagari, G. T. (2019). KLASIFIKASI STATUS GIZI PADA BALITA BERDASARKAN ANTROPOMETRI MENGGUNAKAN METODE K-NEAREST NEIGHBOR. Universitas
] Muhammadiyah Gresik.
] Narkhede, S. (2018). Understanding Confusion Matrix. Https://Towardsdatascience.Com/Understanding-Confusion-Matrix-A9ad42dcfd62.
] Nurdiawan, O., Herdiana, R., & Anwar, S. (2021). Komparasi Algoritma Naïve Bayes dan Algoritma K-Nearst Neighbor terhadap Evaluasi Pembalajaran Daring. SMATIKA
] JURNAL, 11(02). https://doi.org/10.32664/smatika.v11i02.621
] Pressman, R., & Maxim, B. (2019). Software Engineering: A Practitioner’s Approach 9th Edition.Learning.
] Ray, S. (2019). A Quick Review of Machine Learning Algorithms. Proceedings of the International Conference on Machine Learning, Big Data, Cloud and Parallel Computing: Trends, Prespectives and Prospects, COMITCon 2019.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Rahmad Prayoga, Octadino Haryadi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
