Perbandingan Algoritma Decision Tree dan Random Forest dalam Klasifikasi Pola Durasi Penyelesaian Perkara Perceraian Berbasis Data SIPP di Pengadilan Negeri Bitung

Abstract

ABSTRAK

 Kasus perceraian merupakan salah satu jenis perkara perdata dengan volume tinggi yang memerlukan pengelolaan data tidak hanya secara administratif, tetapi juga analitis. Data dari sistem penelusuran perkara (SIPP) berpotensi digunakan untuk mengidentifikasi pola penyelesaian perkara secara lebih objektif. Penelitian ini bertujuan untuk mengklasifikasikan durasi penyelesaian kasus perceraian di Pengadilan Negeri Bitung ke dalam tiga kategori cepat, sedang, dan lama dengan menggunakan algoritma Decision Tree dan Random Forest. Kumpulan data mencakup 824 kasus dari periode 2021–2025 yang telah melalui tahap pembersihan, seleksi, pelabelan, dan transformasi fitur. Label durasi ditentukan menggunakan pendekatan kuartil, dengan ambang batas Q1 sebesar 37 hari dan Q3 sebesar 76 hari. Fitur-fitur yang digunakan meliputi jumlah hari persidangan, status putusan, serta bulan, hari dalam seminggu, dan kuartal pendaftaran perkara. Data dibagi dengan rasio 80:20 menggunakan metode stratified split dan selanjutnya dievaluasi berdasarkan akurasi, presisi, recall, skor F1, confusion matrix, dan validasi silang cross-validation. Hasil penelitian menunjukkan bahwa model Random Forest Tuned memiliki kinerja terbaik dengan akurasi 70,30%, presisi 0,7084, recall 0,7030, dan skor F1 0,6934 sehingga mengungguli model Decision Tree yang mencapai akurasi 59,39% dan skor F1 0,5954. Model dengan kinerja terbaik tersebut kemudian diimplementasikan ke dalam dasbor prediksi berbasis Streamlit. Hasil ini menunjukkan bahwa Random Forest Tuned menawarkan pendekatan yang lebih andal untuk mengklasifikasikan durasi kasus perceraian berdasarkan data administratif SIPP.

ABSTRACT

 Divorce cases are one of the high-volume types of civil cases that require data management not only from an administrative perspective but also from an analytical one. Data from the Case Tracking System (SIPP) can potentially be used to identify patterns in case resolution more objectively. This study aims to classify the duration of divorce case resolution at the Bitung District Court into three categories—fast, moderate, and slow—using the Decision Tree and Random Forest algorithms. The dataset comprises 824 cases from the 2021–2025 period that have undergone data cleaning, selection, labeling, and feature transformation. Duration labels were determined using a quartile approach, with a Q1 threshold of 37 days and a Q3 threshold of 76 days. The features used include the number of trial days, the status of the judgment, as well as the month, day of the week, and quarter of case filing. The data was split in an 80:20 ratio using the stratified split method and subsequently evaluated based on accuracy, precision, recall, F1 score, confusion matrix, and cross-validation. The results show that the Tuned Random Forest model performed best with an accuracy of 70.30%, precision of 0.7084, recall of 0.7030, and an F1 score of 0.6934, outperforming the Decision Tree model, which achieved an accuracy of 59.39% and an F1 score of 0.5954. The model with the best performance was then implemented into a Streamlit-based prediction dashboard. These results indicate that the Tuned Random Forest offers a more reliable approach for classifying the duration of divorce cases based on SIPP administrative data.