Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagai negara hukum, Indonesia memiliki sistem peradilan yang aktif. Setiap bulannya, terdapat sekitar 100.000 dokumen putusan yang dihasilkan oleh lembaga kehakiman di Indonesia. Volume dokumen yang banyak tersebut menimbulkan suatu tantangan bagi insan hukum di Indonesia. Guna mendukung dan mengakomodasi institusi publik dari aspek teknologi dan informasi, serta mendorong pelaksanaan keterbukaan informasi bagi masyarakat umum, maka dibutuhkan suatu metode yang dapat membantu untuk mencari dan mengumpulkan informasi penting dari suatu dokumen putusan pengadilan. Secara khusus, metode ini juga ditujukan untuk membantu para praktisi hukum untuk kepentingan penegakan hukum dan para akademisi hukum untuk kepentingan pendidikan dan pengembangan di bidang hukum. Salah satu teknik untuk mengumpulkan informasi penting dari suatu dokumen adalah Named Entity Recognition (NER). Teknik NER bekerja dengan cara menandai kata-kata yang merupakan informasi penting seperti orang, tempat, lokasi, waktu, kejadian, dan lainnya. NER dapat diterapkan untuk berbagai bidang permasalahan, seperti medis, hukum, dan pertanian. NER yang secara spesifik bekerja untuk menandai entitas hukum disebut dengan Legal Entity Recognition (LER). Penelitian sebelumnya telah menerapkan LER untuk dokumen legal berbahasa Indonesia dengan pendekatan BiLSTM dan CRF sehingga diperlukan penelitian lebih lanjut untuk mengetahui bagaimana performa model-model lain terhadap kasus tersebut. Penelitian ini menguji performa language model, yaitu model berbasis RoBERTa dan model berbasis BERT serta membandingkannya dengan deep learning model, yaitu BiLSTM dan BiLSTM-CRF sebagai model baseline penelitian sebelumnya untuk task LER bahasa indonesia. Hasil penelitian menunjukkan model berbasis RoBERTa memliki performa terbaik untuk task LER pada dataset penulis, XLM-R large dengan skor F1 sebesar 0,9295, XLM-R base dengan skor F1 sebesar 0,9281 dan Indonesian RoBERTa dengan skor F1 sebesar 0,9246.

---

As a rule of law country, Indonesia has an active justice system. Every month, there are around 100,000 decision documents produced by the judiciary in Indonesia. The large volume of documents poses a challenge for legal people in Indonesia. In order to support and accommodate public institutions from the aspects of technology and information, as well as encourage the implementation of information disclosure for the general public, a method is needed that can help find and collect important information from a court decision document. In particular, this method is also intended to assist legal practitioners for the benefit of law enforcement and legal academics for the benefit of education and development in the field of law. One technique for collecting important information from a document is Named Entity Recognition (NER). The NER technique works by marking words that are important information such as people, places, locations, times, events, and so on. NER can be applied to various problem areas, such as medical, legal, and agriculture. NER which specifically works to mark legal entities is called Legal Entity Recognition (LER). Previous studies have applied LER to legal documents in Indonesian using the BiLSTM and CRF approaches, so further research is needed to find out how other models perform in this case. This study examines the performance of language models, namely the RoBERTa-based model and the BERT-based model and compares them with deep learning models, namely BiLSTM and BiLSTM-CRF as the baseline models for previous studies for the Indonesian language LER task. The results showed that the RoBERTa-based model had the best performance for the LER task in the author’s dataset, XLM-R large with an F1 score of 0.9295, XLM-R base with an F1 score of 0.9281 and Indonesian RoBERTa with an F1 score of 0.9246."

"

Sebagai negara hukum, Indonesia memiliki sistem peradilan yang aktif. Setiap bulannya, terdapat sekitar 100.000 dokumen putusan yang dihasilkan oleh lembaga kehakiman di Indonesia. Volume dokumen yang banyak tersebut menimbulkan suatu tantangan bagi insan hukum di Indonesia. Guna mendukung dan mengakomodasi institusi publik dari aspek teknologi dan informasi, serta mendorong pelaksanaan keterbukaan informasi bagi masyarakat umum, maka dibutuhkan suatu metode yang dapat membantu untuk mencari dan mengumpulkan informasi penting dari suatu dokumen putusan pengadilan. Secara khusus, metode ini juga ditujukan untuk membantu para praktisi hukum untuk kepentingan penegakan hukum dan para akademisi hukum untuk kepentingan pendidikan dan pengembangan di bidang hukum. Salah satu teknik untuk mengumpulkan informasi penting dari suatu dokumen adalah Named Entity Recognition (NER). Teknik NER bekerja dengan cara menandai kata-kata yang merupakan informasi penting seperti orang, tempat, lokasi, waktu, kejadian, dan lainnya. NER dapat diterapkan untuk berbagai bidang permasalahan, seperti medis, hukum, dan pertanian. NER yang secara spesifik bekerja untuk menandai entitas hukum disebut dengan Legal Entity Recognition (LER). Penelitian sebelumnya telah menerapkan LER untuk dokumen legal berbahasa Indonesia dengan pendekatan BiLSTM dan CRF sehingga diperlukan penelitian lebih lanjut untuk mengetahui bagaimana performa model-model lain terhadap kasus tersebut. Penelitian ini menguji performa language model, yaitu model berbasis RoBERTa dan model berbasis BERT serta membandingkannya dengan deep learning model, yaitu BiLSTM dan BiLSTM-CRF sebagai model baseline penelitian sebelumnya untuk task LER bahasa indonesia. Hasil penelitian menunjukkan model berbasis RoBERTa memliki performa terbaik untuk task LER pada dataset penulis, XLM-R large dengan skor F1 sebesar 0,9295, XLM-R base dengan skor F1 sebesar 0,9281 dan Indonesian RoBERTa dengan skor F1 sebesar 0,9246.

---

As a rule of law country, Indonesia has an active justice system. Every month, there are around 100,000 decision documents produced by the judiciary in Indonesia. The large volume of documents poses a challenge for legal people in Indonesia. In order to support and accommodate public institutions from the aspects of technology and information, as well as encourage the implementation of information disclosure for the general public, a method is needed that can help find and collect important information from a court decision document. In particular, this method is also intended to assist legal practitioners for the benefit of law enforcement and legal academics for the benefit of education and development in the field of law. One technique for collecting important information from a document is Named Entity Recognition (NER). The NER technique works by marking words that are important information such as people, places, locations, times, events, and so on. NER can be applied to various problem areas, such as medical, legal, and agriculture. NER which specifically works to mark legal entities is called Legal Entity Recognition (LER). Previous studies have applied LER to legal documents in Indonesian using the BiLSTM and CRF approaches, so further research is needed to find out how other models perform in this case. This study examines the performance of language models, namely the RoBERTa-based model and the BERT-based model and compares them with deep learning models, namely BiLSTM and BiLSTM-CRF as the baseline models for previous studies for the Indonesian language LER task. The results showed that the RoBERTa-based model had the best performance for the LER task in the author’s dataset, XLM-R large with an F1 score of 0.9295, XLM-R base with an F1 score of 0.9281 and Indonesian RoBERTa with an F1 score of 0.9246.

"

"Dalam bahasa Belanda, recht orde, ialah susunan hukum, artinya memberikan tempat yang sebenarnya kepada hukum., Yang dimaksud dengan ”memberikan tempat yang sebenarnya” yaitu menyusun dengan baik dan tertib aturan – aturan hukum dalam pergaulan hidup. Aturan - aturan hukum tersebut disusun dengan maksud untuk mengatasi apabila ada pelanggaran yang berlawanan dengan aturan terkait. Aturan tersebut juga dibangun dengan tujuan menjadikan lingkungan masyarakat atau negara menjadi aman dan tertib. Namun, pada faktanya vonis yang dijatuhkan oleh hakim sering kali tidak dapat dipastikan oleh para pencari keadilan. Dalam suatu perkara yang sama dan dengan pelanggaran pasal yang didakwakan yang sama pula, putusan yang dijatuhkan antara pengadilan yang satu dengan pengadilan lainnya dapat berbeda. Berdasarkan hal itu, pada penelitian ini penulis berusaha mengakomodasi praktisi hukum sebuah alat bantu dalam melakukan prediksi atau klasifikasi putusan atas suatu perkara pidana baru. Selain itu, dengan mengembangkan dari penelitian Naradipha Mahardika, 2023, penelitian ini menggunakan model ekstraksi (NER) untuk mengekstraksi entitas - entitas dari dokumen putusan pidana untuk dijadikan sebagai input model. Model yang akan digunakan pada penelitian ini antara lain model machine learning ada Logistic Regression, SVM, dan Naive Bayes, sedangkan untuk model deep learning ada LSTM dan CNN. Selain itu, juga akan dilakukan ablation study untuk mencari entitas dengan signifikan tertinggi. Hasil penelitian menunjukkan model CNN menjadi model dengan performa tertinggi dengan nilai f1-score sebesar 0.9765. Selain itu, entitas “Nama Pengadilan“ menjadi entitas signifikansi tertinggi setelah melakukakan ablation study dengan nilai akurasi yang turun sebesar 0.0417.

---

In Dutch, ”recth orde” means law order, which implies giving actual place or order to the law. This ”giving actual place” refers to structuring rules and regulations in social life. These laws are arranged with the intention of addressing violations that go against the established rules. Furthermore, these regulations are also designed to create a safe and orderly environment within society or a nation. However, in reality, the verdict handed down by judges often cannot be determined by seekers of justice. In the same case and with the same charged offense, the rulings issued between one court and another can differ. Based on this, in this research, the author aims to provide legal practitioners with a tool to aid in predicting or classifying verdicts in a criminal case that was trained later based on previous judgement documents. Additionally, building upon Naradipha Mahardika, 2023 research, this study uses Named Entity Recognition (NER) models to extract entities from criminal verdict documents as inputs for the model. The models experimented in this research include machine learning models like Logistic Regression, SVM, and Naive Bayes, along with deep learning models such as LSTM and CNN. Also an ablation study will be conducted to identify entities with the highest significance. The research results indicate that the CNN model performs the best with an f1-score of 0.9765. Additionally, the ablation study shows the highest significance in an “Nama Pengadilan“ entity, showing significance with a decrease in accuracy by 0.0417"

"Dalam bahasa Belanda, recht orde, ialah susunan hukum, artinya memberikan tempat yang sebenarnya kepada hukum. Yang dimaksud dengan "memberikan tempat yang sebenarnya" yaitu menyusun dengan baik dan tertib aturan-aturan hukum dalam pergaulan hidup. Aturan-aturan hukum tersebut disusun dengan maksud untuk mengatasi apabila ada pelanggaran yang berlawanan dengan aturan terkait. Aturan tersebut juga dibangun dengan tujuan menjadikan lingkungan masyarakat atau negara menjadi aman dan tertib. Namun, pada faktanya vonis yang dijatuhkan oleh hakim sering kali tidak dapat dipastikan oleh para pencari keadilan. Dalam suatu perkara yang sama dan dengan pelanggaran pasal yang didakwakan yang sama pula, putusan yang dijatuhkan anatara pengadilan yang satu dengan pengadilan lainnya dapat berbeda. Berdasarkan hal itu, pada penelitian ini penulis berusaha mengakomodasi praktisi hukum sebuah alat bantu dalam melakukan prediksi atau klasifikasi putusan atas suatu perkara pidana baru. Selain itu, dengan mengembangkan dari penelitian Naradipha Mahardika, 2023, penelitian ini menggunakan model ekstraksi (NER) untuk mengekstraksi entitas-entitas dari dokumen putusan pidana untuk dijadikan sebagai input model. Model yang akan digunakan pada penelitian ini antara lain model machine learning ada Logistic Regression, SVM, dan Naive Bayes, sedangkan untuk model deep learning ada LSTM dan CNN. Selain itu, juga akan dilakukan ablation study untuk mencari entitas dengan signifikan tertinggi. Hasil penelitian menunjukkan model CNN menjadi model dengan performa tertinggi dengan nilai f1-score sebesar 0.9765. Selain itu, entitas "Nama Pengadilan" menjadi entitas signifikansi tertinggi setelah melakukan ablation study dengan nilai akurasi yang turun sebesar 0.0417.

---

In Dutch, "recht orde" means law order, which implies giving actual place or order to the law. This "giving actual place" refers to structuring rules and regulations in social life. These laws are arranged with the intention of addressing violations that go against the established rules. Furthermore, these regulations are also designed to create a safe and orderly environment within society or nation. However, in reality, the verdict handed down by the judges often cannot be determined by seekers of justice. In the same case and with the same charged offense, the rulings issued between one court and another can differ. Based on this, in this research, the author aims to provide legal practitioners with a tool to aid in predicting or classifying verdicts in a criminal case that was trained later based on previous judgement documents. Additionally, building upon previous research [1], this research uses Named Entity Recognition (NER) models to extract entities from criminal verdict documents as inputs for the model. The models experimented in this research include machine learning models like Logistic Regression, SVM, and Naive Bayes, along with deep learning models such as LSTM and CNN. Also an ablation study will be conducted to identify entities with the highest significance. The research results indicate that the CNN model performs the best with an f1-score of 0.9765. Additionally, the ablation study shows the highest significance in an "Nama Pengadilan" entity or in English indicates the location of the court, showing significance with a decrese in accuracy by 0.0417."