Klasifikasi Tingkat Kekerasan dalam Rumah Tangga Menggunakan Algoritma Decision Tree C4.5
DOI:
https://doi.org/10.30812/corisindo.v1.5251Keywords:
Kekerasan Dalam Rumah Tangga, Klasifikasi, Decision Tree, C4.5, Nusa Tenggara BaratAbstract
Kasus Kekerasan Dalam Rumah Tangga (KDRT) di Provinsi Nusa Tenggara Barat (NTB) terus menunjukkan tren yang mengkhawatirkan setiap tahunnya. Dampaknya tidak hanya dirasakan secara fisik dan psikis oleh korban, tetapi juga mengganggu ketahanan sosial masyarakat. Situasi ini menuntut perhatian serius dari pemerintah dan seluruh elemen masyarakat, serta dibutuhkan pendekatan berbasis data untuk mendukung kebijakan pencegahan yang lebih tepat sasaran. Penelitian ini bertujuan untuk mengklasifikasikan tingkat kasus Kekerasan Dalam Rumah Tangga (KDRT) di Provinsi Nusa Tenggara Barat (NTB) berdasarkan atribut tahun, wilayah, dan jumlah kasus. Permasalahan utama yang diangkat adalah belum tersedianya sistem klasifikasi berbasis data yang dapat mendukung kebijakan pencegahan kekerasan. Algoritma Decision Tree C4.5 digunakan untuk membangun model klasifikasi dengan data dari tahun 2020 hingga 2024, di mana jumlah kasus dikategorikan ke dalam tiga kelas: rendah, sedang, dan tinggi melalui diskretisasi manual. Model divisualisasikan dalam bentuk pohon keputusan dengan aturan klasifikasi yang mudah diinterpretasi, di mana atribut “jumlah kasus” menjadi pemisah utama. Hasil evaluasi menggunakan 10-fold cross-validation menunjukkan akurasi sebesar 94%, dengan nilai precision, recall, dan F1-score rata-rata di atas 0,94. Temuan ini menunjukkan bahwa algoritma C4.5 efektif dalam mengungkap pola distribusi kekerasan dalam rumah tangga, dan dapat dijadikan dasar penyusunan strategi intervensi serta kebijakan pencegahan yang lebih tepat sasaran di wilayah NTB.
References
[1] L. Awaliyah, N. Rahaningsih, and R. Danar Dana, “Implementasi Algoritma K-Means Dalam Analisis Cluster Korban Kekerasan Di Provinsi Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 188–195, 2024, doi: 10.36040/jati.v8i1.8332.
[2] J. M. Polgan et al., “Klasterisasi Wilayah Rawan Kekerasan Anak Menggunakan Algoritma k-Medoids di Kota Padang,” vol. 13, pp. 2309–2319, 2025, [Online]. Available: https://doi.org/10.33395/jmp.v13i2.14447
[3] Y. Yulia et al., “Optimalisasi Parameter Feature Selection Pada Prediksi Kasus,” vol. 7, no. 6, pp. 3708–3713, 2023, [Online]. Available: https://ejournal.itn.ac.id/plugins/generic/pdfJsViewer/pdf.js/web/viewer.html?file=https%3A%2F%2Fejournal.itn.ac.id%2Findex.php%2Fjati%2Farticle%2Fdownload%2F8285%2F4890%2F
[4] A. Klasifikasi et al., “Algoritma Nearest Neighbour 373,” vol. 12, no. 2, 2021, [Online]. Available: https://doi.org/10.33859/dksm.v12i2.743
[5] R. Putra Eshardiansyah, N. Sulistiyowati, M. Jajuli, T. Informatika, U. H. Singaperbangsa Karawang Jl Ronggowaluyo Kel Puseurjaya Kec Telukjambe Timur Kab Karawang, and P. Jawa, “Algoritma C4.5 Untuk Klasifikasi Jenis Kekerasan pada Anak (Kasus DP3A Kabupaten Karawang),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. September, pp. 687–696, 2021, [Online]. Available: https://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/368
[6] M. Fanani Rudi and F. Fikriah Katul, “Seleksi Fitur PSO untuk Klasifikasi Jenis Kekerasan dengan Algoritma C4.5,” Smart Comp Jurnalnya Orang Pint. Komput., vol. 12, no. 1, 2023, doi: 10.30591/smartcomp.v12i1.4407.
[7] G. Subroto, N. Sulistiyowati, and A. A. Ridha, “Klasifikasi Jenis Kekerasan Pada Perempuan Dan Anak Dengan Algoritma Multinomial Naïve Bayes,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 104–113, 2022, doi: 10.31539/intecoms.v5i1.3598.
[8] L. P. Simanjuntak, “Penerapan Data Mining Dalam Proses Hukum Pidana Bagi Pelaku Kekerasan Pada Wanita Menggunakan Algoritma C4. 5,” ADA J. Inf. Syst. …, vol. 1, no. 2, pp. 79–92, 2024, [Online]. Available: https://journals.adaresearch.or.id/adajisr/article/view/41
[9] I. Ayu Made Supartini, I. Komang Gde Sukarsa, and I. Gusti Ayu Made Srinadi, “Analisis Diskriminan Pada Klasifikasi Desa Di Kabupaten Tabanan Menggunakan Metode K-Fold Cross Validation,” E-Jurnal Mat., vol. 6, no. 2, pp. 106–115, 2017, [Online]. Available: https://doi.org/10.24843/MTK.2017.v06.i02.p154
[10] M. A. Sundari, R. Pane, and R. Rohani, “Data Mining Clustering Korban Kejahatan Pelecehan Seksual dengan Kekerasan Berdasarkan Provinsi Menggunakan Metode AHC,” Build. Informatics, Technol. Sci., vol. 5, no. 1, 2023, doi: 10.47065/bits.v5i1.3499.
[11] F. Ihsan, I. Iskandar, N. S. Harahap, and S. Agustian, “Decision tree algorithm for multi-label hate speech and abusive language detection in Indonesian Twitter,” J. Teknol. dan Sist. Komput., vol. 9, no. 4, pp. 199–204, 2021, doi: 10.14710/jtsiskom.2021.13907.
[12] U. M. Pratiwi and M. Ibad, “Klasifikasi Faktor Yang Berpengaruh Dalam Kehamilan Tidak Diinginkan Menggunakan Metode Algoritma Decision Tree,” J. Lebesgue J. Ilm. Pendidik. Mat. Mat. dan Stat., vol. 3, no. 2, pp. 406–416, 2022, doi: 10.46306/lb.v3i2.129.
[13] M. H. Lubis and S. Sumijan, “Prediksi Tingkat Kriminalitas Menggunakan Metode Single Moving Average (Studi Kasus Polres Asahan Sumatera Utara),” J. Sistim Inf. dan Teknol., vol. 3, pp. 183–188, 2021, doi: 10.37034/jsisfotek.v3i4.63.
[14] A. E. Wibowo, A. Khairi, H. Humairoh, M. I. Fadillah, and M. J. D. Hartawan, “Text Mining: Sistem Prediksi Cyberbullying pada Platform Twitter menggunakan Logistic Regression, KNN, dan Naive Bayes,” J. Rekayasa Elektro Sriwij., vol. 4, no. 1, pp. 17–23, 2023, doi: 10.36706/jres.v4i1.56.
[15] A. D. W. Sumari, R. Y. A. Pratama, and O. D. Triswidrananta, “Sistem Prediksi Tingkat Kriminalitas Menggunakan Metode Triple Exponential Smoothing: Studi Kasus Pada Polres Kabupaten Probolinggo,” J. Tek. Inform., vol. 13, no. 2, pp. 171–178, 2021, doi: 10.15408/jti.v13i2.18128.
