Article Per Year (5 Year)
p-Index From 2021 - 2026
5.249
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Sistem dan Informatika IKRA-ITH Informatika : Jurnal Komputer dan Informatika EDUMATIC: Jurnal Pendidikan Informatika Journal of Innovation and Future Technology (IFTECH) REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer Aiti: Jurnal Teknologi Informasi Journal La Multiapp Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Indonesian Journal of Innovation Studies Jurnal Minfo Polgan (JMP) Jurnal Sains Informatika Terapan (JSIT) Journal of Artificial Intelligence and Digital Business Innovative: Journal Of Social Science Research Journal of Embedded Systems, Security and Intelligent Systems semanTIK INOVTEK Polbeng - Seri Informatika Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Academia Open
Audy Aldrin Kenap
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Negeri Manado
Aerospace Engineering Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Public Health Social Sciences Other

Published : 40 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 40 Documents
Search

 1   2   3   4 
Rancang Bangun Aplikasi Penyewaan Kost Dengan Sistem Rekomendasi Menggunakan Content Based Filtering Kevin Mclaren Pandoh; Kristofel Santa; Audy Aldrin Kenap
Jurnal Sains Informatika Terapan Vol. 4 No. 3 (2025): Jurnal Sains Informatika Terapan (Oktober, 2025)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v4i3.850

Abstract

Hunian sementara seperti kost merupakan kebutuhan penting bagi mahasiswa dan pekerja yang tinggal jauh dari rumah. Proses pencarian kost yang umumnya masih dilakukan secara manual menyebabkan pencari kost membutuhkan waktu dan usaha lebih dalam menemukan hunian yang sesuai dengan preferensinya. Penelitian ini bertujuan untuk membangun aplikasi penyewaan kost berbasis web dengan sistem rekomendasi menggunakan metode Content-Based Filtering (CBF). Metode ini digunakan untuk memberikan rekomendasi kost berdasarkan atribut seperti lokasi, harga, fasilitas, dan jenis kost. Pengembangan sistem dilakukan menggunakan metode Prototype melalui tahapan communication, quick plan, modeling quick design, contruction of prototype, dan deployment, delivery & feedback. Hasil pengujian menggunakan Black-box Testing menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan kebutuhan pengguna. Implementasi sistem rekomendasi berbasis CBF terbukti mampu memberikan rekomendasi kost yang relevan berdasarkan preferensi pengguna dan meningkatkan efisiensi proses pencarian kost.
Sistem Pendukung Keputusan Penentuan Siswa Berprestasi Menggunakan Metode Simple Additive Weighting Berbasis Website pada SMP Kristen Kakaskasen Jullianto Vernando Christofel Rompis; Irene Realyta Haldy Trosi Tangkawarow; Audy A. Kenap
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 1 (2026): EduTIK : Februari 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penentuan siswa berprestasi di SMP Kristen Kakaskasen saat ini masih dilakukan secara manual dan cenderung subjektif karena hanya menitikberatkan pada nilai akademik rapor, sehingga prosesnya memakan waktu lama dan kurang transparan. Penelitian ini bertujuan untuk merancang dan membangun Sistem Pendukung Keputusan (SPK) berbasis website menggunakan metode Simple Additive Weighting (SAW) untuk menentukan siswa berprestasi secara objektif dan akurat. Metodologi pengembangan yang digunakan adalah Rapid Application Development (RAD) dengan mempertimbangkan delapan kriteria penilaian, yaitu rata-rata nilai akademik, prestasi akademik, prestasi non-akademik, serta frekuensi sakit, izin, absen, terlambat, dan jumlah kasus. Hasil penelitian menunjukkan bahwa sistem yang dibangun menggunakan framework Laravel ini berhasil memproses data 15 siswa sampel secara otomatis, di mana berdasarkan pengujian Black Box, seluruh fitur berfungsi 100% sesuai rancangan. Hasil akhir perankingan menempatkan alternatif S9 sebagai siswa terbaik dengan nilai preferensi tertinggi sebesar 0.8000. Melalui penerapan SPK dengan metode SAW ini, pihak sekolah dapat meningkatkan objektivitas, transparansi, serta efisiensi dalam menentukan siswa berprestasi dibandingkan dengan metode konvensional sebelumnya.
Citizen-Centric Decision Support Systems for Housing Assistance: A Low-Barrier E-Government Approach Ben Shalom Manopo; Audy Aldrin Kenap; Kristofel Santa
Jurnal Pendidikan Informatika (EDUMATIC) Vol 10 No 1 (2026): Edumatic: Jurnal Pendidikan Informatika
Publisher : Universitas Hamzanwadi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29408/edumatic.v10i1.33945

Abstract

Digital public services often require account-based authentication that can create access barriers for citizens with limited digital literacy. In housing assistance services, such barriers may reduce the accessibility of systems intended to support vulnerable groups. This study aimed to develop and evaluate a low-barrier decision support system for housing assistance by integrating Guest Mode access with the Simple Additive Weighting (SAW) method. The study used a design-oriented development approach in collaboration with Dinas Perkim Minahasa. System requirements were identified through staff interviews, and the prototype was tested in the agency environment using real housing data. Validation was conducted by comparing system-generated SAW results with manual calculations performed by agency staff and by testing the main system functions operationally. The results showed that the system produced the same ranking results as the manual calculations in the tested cases, while staff evaluation indicated that the Guest Mode design simplified the submission process and reduced administrative barriers. This study contributes to inclusive e-government practice by proposing a citizen-centered, low-barrier architecture for housing assistance services that maintains decision support accuracy while improving service accessibility.
Predicting ZNERGY Athletes' Swimming Times Using Random Forest Based on Lifestyle Physiological Exercise Filemon Blessing Tambuwun; Audy Aldrin Kenap; Irene Realyta Halldy Trosi Tangkawarow
Journal La Multiapp Vol. 7 No. 2 (2026): Journal La Multiapp
Publisher : Newinera Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37899/journallamultiapp.v7i2.2981

Abstract

This research was conducted to fill the gap in previous research in swimming performance prediction that rarely combines daily lifestyle aspects with training and physiological data, especially in the context of local swimming clubs in Indonesia that still rely on conventional approaches. The purpose of this research is to develop a prediction model for 50-meter freestyle swimming times using a holistic Random Forest Regressor algorithm. The method applied is a data-oriented methodology for prediction with longitudinal primary data from 10 ZNERGY Aquatic Swimming Club adolescent athletes (81 observations) collected through coach logbooks for training variables and time targets, and digital questionnaires for parents for physiological and lifestyle variables, including a specially developed Nutrition Compliance Index (IKG). The data was processed with Python (Scikit-Learn and Pandas), including pre-processing, lagged feature engineering, and model evaluation with an 80:20 split. The results show the model has high accuracy with an R² of 0.9591, MAE of 1.511 seconds, and RMSE of 2.254 seconds; The most important variable was the previous test time (45.66%), followed by training variables (33.67%), while lifestyle variables contributed little. The implication of this study is the availability of an evidence-based decision support system for coaches to design training programs objectively, optimize athlete progress, and prevent overtraining through a holistic approach that integrates multidimensional data.
Aplikasi Penyewaan Mobil Di Manado Berbasis Website Menggunakan Algoritma Priority Queue Basilius Mario Vikranta Rahanubun; Audy Aldrin Kenap; Kristofel Santa
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 9 No. 3 (2025): IKRAITH-INFORMATIKA Vol 9 No 3 November 2025
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi informasi telah mendorong digitalisasi dalam industri penyewaan mobil, terutama untuk mengatasi permasalahan transparansi harga, konflik pemesanan, serta keterbatasan sistem manual dalam pengelolaan data. Penelitian ini bertujuan mengembangkan aplikasi penyewaan mobil berbasis website yang dilengkapi fitur perhitungan harga transparan, pemilihan mobil berdasarkan detail dan rating, integrasi pembayaran digital Midtrans, layanan pengantaran berbasis peta interaktif Leaflet JS, notifikasi real-time melalui Fonnte API, verifikasi OTP email, serta pemantauan lokasi kendaraan menggunakan GPS. Algoritma Priority Queue diterapkan sebagai mekanisme pemrosesan konflik pemesanan, di mana pesanan dengan nilai transaksi tertinggi diprioritaskan ketika terjadi permintaan simultan pada mobil yang sama. Metode pengembangan menggunakan model Waterfall, dan seluruh fitur diuji menggunakan Black Box Testing untuk memastikan kesesuaian fungsi dengan kebutuhan pengguna. Hasil pengujian menunjukkan bahwa seluruh komponen sistem berjalan dengan baik, termasuk pemrosesan prioritas, pembayaran online, navigasi antarmuka, dan pelacakan real-time. Sistem ini terbukti mampu meningkatkan efisiensi pengelolaan rental mobil, transparansi layanan, serta keamanan aset kendaraan melalui pemantauan berbasis GPS.
ANALISIS PENGELOMPOKKAN PERUSAHAAN BERDASARKAN VOLUME, NILAI DAN FREKUENSI SAHAM MENGGUNAKAN K-MEANS CLUSTERING Pingkan Kezia Aprilia Umboh; Audy Aldrin Kenap; Quido. C. Kainde
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 9 No. 3 (2025): IKRAITH-INFORMATIKA Vol 9 No 3 November 2025
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Algoritma K-Means Clustering diterapkan untuk mendistribusikan perusahaan ke dalam tiga klaster: Tinggi, Menengah, dan Rendah. Data historis transaksi saham satu tahun (April 2024–April 2025) diperoleh dari Bursa Efek Indonesia. Proses preprocessing yang ketat mencakup eliminasi 198 outlier untuk mencegah distorsi centroid. Hasil klasterisasi menunjukkan pola dominan: mayoritas signifikan perusahaan berada pada kategori transaksi Rendah di ketiga variabel (543 untuk Volume, 622 untuk Nilai, dan 555 untuk Frekuensi). Temuan ini secara kuat menegaskan adanya konsentrasi likuiditas pasar yang sangat tinggi, yang terkonsentrasi pada segelintir kecil emiten utama (blue chip). Pengelompokan kuantitatif ini menawarkan kerangka kerja yang relevan bagi investor untuk menyelaraskan keputusan investasi dengan profil risiko yang sesuai.
SISTEM KENDALI LAMPU JALAN OTOMATIS BERBASIS INTERNET OF THINGS (IOT) DI DESA RERER SATU Patricia F. Wantalangi; Audy A. Kenap; Sondy C. Kumajas
IKRA-ITH Informatika : Jurnal Komputer dan Informatika Vol. 10 No. 2 (2026): IKRAITH-INFORMATIKA Vol 10 No 2 Juli 2026
Publisher : Fakultas Teknik Universitas Persada Indonesia YAI

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penerangan Jalan Umum (PJU) adalah salah satu aspek pendukung aktivitas manusia setiap harinya. Di Desa Rerer Satu kurang lebih ada 25 tiang lampu jalan tetapi hanya 9 (36%) yang digunakan dan beroperasi secara konvensional. Lampu jalan yang masih bersifat konvensional sering kali menyebabkan pemborosan energi listrik karena akibat dari kelalaian manusia yang tidak mematikan lampu jalan di pagi hari. Penelitian ini bertujuan untuk membuat sistem kendali lampu jalan otomatis menggunakan teknologi Internet of Things (IoT), dengan metode prototype dan dibuat dalam 2 iterasi/versi. Sistem ini menggunakan NodeMCU ESP32 sebagai mikrokontroler, dan 2 sensor yaitu Sensor Passive Infrared Receiver (PIR) HC-SR501 untuk mendeteksi gerakan objek disekitar, dan Sensor Light Dependent Resistor (LDR) untuk mengukur intensitas cahaya. Sistem terintegrasi dengan platform Blynk IoT yang digunakan sebagai platform untuk mengontrol perangkat IoT jarak jauh secara real-time. Kondisi yang memicu lampu/LED menyala yaitu saat intensitas cahaya < 30% (threshold) dan adanya pergerakan objek dalam radius deteksi. Guna pemenuhan kebutuhan pengguna dalam hal ini Pemerintah Desa Rerer Satu, pada iterasi kedua sistem dikembangkan dengan penambahan komponen switch button sebagai saklar fisik lampu saat tidak ada koneksi internet. Dan hasil pengujian akhir dari sistem, sistem bekerja dengan akurasi tinggi, sehingga sistem mampu membantu Pemerintah Desa Rerer Satu dalam pencegahan pemborosan energi yang masif.
Sistem Pendeteksi Dini dan Rekomendasi Penanggulangan Penyakit Tanaman Cabai dengan Arsitektur EfficientNet Ronauli Siregar; Audy Aldrin Kenap; Medi Hermanto Tinambunan
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 4 (2026): EduTIK : Agustus 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i4.520

Abstract

ABSTRAK  Produktivitas cabai merah di Matani Satu terhambat oleh serangan patogen, diagnosis manual yang subjektif, serta infrastruktur internet perkebunan yang tidak stabil. Penelitian ini bertujuan membangun model Deep Learning berarsitektur EfficientNet-B0 untuk deteksi dini penyakit daun cabai merah dan merancang sistem rekomendasi penanggulangan cerdas berbasis Progressive Web App (PWA). Metodologi penelitian menggunakan 2.141 dataset hibrida dengan tahapan akuisisi data, pra-pemrosesan, pemodelan transfer learning, penalaan parameter menggunakan bobot kelas (Class Weights) untuk memitigasi ketidakseimbangan data, perancangan basis pengetahuan, hingga implementasi sistem. Hasil evaluasi menunjukkan model mencapai akurasi validasi sebesar 94,39% dengan tingkat loss 0,21. Pendekatan Cost-Sensitive Learning terbukti efektif mengenali kelas penyakit minoritas secara sempurna. Fitur Explainable AI berupa Grad-CAM juga berhasil diimplementasikan guna memberikan transparansi visual pada area infeksi daun. Kesimpulannya, integrasi inferensi AI di sisi klien (client-side) melalui PWA menjadi solusi yang efektif, memungkinkan para petani mandiri untuk mendiagnosis penyakit dan memperoleh rekomendasi tindakan agronomis secara real-time meskipun dalam kondisi tanpa koneksi internet (offline).   ABSTRACT  Red chili productivity in Matani Satu is hindered by pathogen attacks, subjective manual diagnosis, and unstable plantation internet infrastructure. This study aims to build a Deep Learning model with an EfficientNet-B0 architecture for early detection of red chili leaf diseases and design an intelligent treatment recommendation system based on a Progressive Web App (PWA). The research methodology utilizes 2,141 hybrid datasets involving data acquisition, preprocessing, transfer learning modeling, parameter tuning using Class Weights to mitigate data imbalance, knowledge base design, and system implementation. Evaluation results indicate the model achieved a validation accuracy of 94.39% with a loss rate of 0.21. The Cost-Sensitive Learning approach proved effective in perfectly recognizing minority disease classes. The Explainable AI feature, Grad-CAM, was also successfully implemented to provide visual transparency of leaf infection areas. In conclusion, the integration of client-side AI inference through PWA provides an effective solution, enabling independent farmers to diagnose diseases and obtain agronomic action recommendations in real-time even without an internet connection (offline). 
Pemanfaatan Algoritma Convolutional Neural Networks (CNN) untuk Analisis Opini Publik terhadap Pemilihan Umum melalui Media Sosial X Claudia Pither; Irene Realyta Haldy Trosi Tangkawarow; Audy Aldrin Kenap
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 4 (2026): EduTIK : Agustus 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i4.523

Abstract

ABSTRAK  Studi ini bertujuan untuk mengklasifikasikan sentimen publik terkait Pemilihan Suara Ulang (PSU) guna memetakan opini publik digital di media sosial X yang sangat penting bagi peneliti dan administrator pemilu dalam memahami respons masyarakat terhadap sengketa pemilu dengan kondisi data yang sangat tidak seimbang. Sebanyak 1.016 tweet dikumpulkan dan diproses melalui tahapan pra-pemrosesan teks meliputi pembersihan, normalisasi, dan stemming, yang kemudian dilabeli menggunakan leksikon kontekstual diperluas serta titik data manual. Untuk mengatasi ketidakseimbangan kelas ekstrem tanpa menyebabkan kebocoran data, algoritma Random Over-Sampling (ROS) diterapkan secara eksklusif pada set pelatihan sebelum melatih model Convolutional Neural Network (CNN) berbasis embedding Word2Vec (100 dimensi, ukuran jendela 5, 15 epoch, ukuran batch 32) untuk dibandingkan dengan baseline Naive Bayes + TF-IDF + ROS. Berdasarkan distribusi dataset yang terdiri dari 79,4% Netral, 18,3% Positif, dan 2,3% Negatif, hasil eksperimen menunjukkan bahwa model CNN + Word2Vec + ROS yang diusulkan berhasil mencapai akurasi validasi sebesar 92,20% dan skor F1 Makro sebesar 0,78, terbukti mengungguli model dasar Naive Bayes yang hanya mencapai akurasi 80,49% dan skor F1 Makro 0,73. Meskipun integrasi Word2Vec dan ROS berhasil mengurangi keterbatasan pengklasifikasi berbasis frekuensi dalam wacana politik yang timpang, skor F1 untuk kelas negatif minoritas yang bernilai 0,55 menyoroti bahwa mendeteksi opini kritis masih menjadi tantangan yang memerlukan penyempurnaan metodologis lebih lanjut. Secara keseluruhan, studi ini memberikan kontribusi penting pada analisis sentimen politik di Indonesia dengan mengevaluasi potensi pembelajaran mendalam (deep learning) dalam menyediakan kerangka kerja pemantauan sentimen elektoral yang kuat, sekaligus menekankan pentingnya ketelitian metodologis dalam menyeimbangkan deteksi sudut pandang minoritas secara cermat. ABSTRACT  This study aims to classify public sentiment related to the Re-vote Election (PSU) in order to map digital public opinion on social media X which is very important for researchers and election administrators in understanding public responses to election disputes with highly imbalanced data conditions. A total of 1,016 tweets were collected and processed through text pre-processing stages including cleaning, normalization, and stemming, which were then labeled using an expanded contextual lexicon as well as manual data points. To address extreme class imbalance without causing data leakage, the Random Over-Sampling (ROS) algorithm was applied exclusively to the training set before training a Word2Vec embedding-based Convolutional Neural Network (CNN) model (100 dimensions, window size 5, 15 epochs, batch size 32) to be compared with the baseline Naive Bayes + TF-IDF + ROS. Based on the dataset distribution consisting of 79.4% Neutral, 18.3% Positive, and 2.3% Negative, the experimental results show that the proposed CNN + Word2Vec + ROS model successfully achieved a validation accuracy of 92.20% and a Macro F1 score of 0.78, proven to outperform the baseline Naive Bayes model which only achieved an accuracy of 80.49% and a Macro F1 score of 0.73. Although the integration of Word2Vec and ROS successfully mitigated the limitations of frequency-based classifiers in imbalanced political discourse, the F1 score for the minority negative class of 0.55 highlights that detecting critical opinions remains a challenge that requires further methodological refinement. Overall, this study makes an important contribution to political sentiment analysis in Indonesia by evaluating the potential of deep learning in providing a robust electoral sentiment monitoring framework, while emphasizing the importance of methodological rigor in carefully balancing minority viewpoint detection.
Perbandingan Algoritma Decision Tree dan Random Forest dalam Klasifikasi Pola Durasi Penyelesaian Perkara Perceraian Berbasis Data SIPP di Pengadilan Negeri Bitung Constantine Kandowangko; Audy Aldrin Kenap; Quido Conferti Kainde
Edutik : Jurnal Pendidikan Teknologi Informasi dan Komunikasi Vol. 6 No. 4 (2026): EduTIK : Agustus 2026
Publisher : Jurusan PTIK Universitas Negeri Manado

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67142/edutik.v6i4.592

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.
Co-Authors Abigail A. Raranta Ailen Kowaas Alfiansyah Hasibuan Alfiansyah Hasibuan Alfrina Mewengkang Anthone, Fajriyan Basilius Mario Vikranta Rahanubun Ben Shalom Manopo Benny Pinontoan Bonenehu, Kurniawan Brandon Natanael Gerungan Cindy Pamela C Munaiseche Claudia Pither Constantine Kandowangko Dea Karlina Pali Debby Paseru Djafar Wonggo Djami Olii Efraim Ronald S. Moningkey Elni Usoh Elsayanti Pasalli’ Emor, Stevren Christian Filemon Blessing Tambuwun Gladly Caren Rorimpandey Glenn D. P. Maramis Glenn D.P Maramis Glenn D.P. Maramis Glenn David Paulus Maramis Glenn David Paulus Maramis Inggrid Alista Paendong Irene Realyta Halldy Trosi Tangkawarow Julio Rayen Solang Jullianto Vernando Christofel Rompis Kevin Mclaren Pandoh Kowaas, Ailen Kresnayana Pristie Supari Kristofel Santa La'bi', Eva Rivalda Pappang Liando, Olivia Eunike Selvie Medi Hermanto Tinambunan Medi Tinambunan Mesiasi Anjelika Supit Michael Aleng Moningkey, Efraim R. S. Moningkey, Efraim Ronald Stefanus Munir A.J. Tujuwale Murni Kassa Nibertin Zai Olivia Kanakang Patricia F. Wantalangi Pingkan Kezia Aprilia Umboh Quido Conferti Kainde Rila Mandala Ronauli Siregar Ropa, Sifra Sanusi, Rahmat Hidayat Solang, Julio Rayen Sondy C. Kumajas Supari, Kresnayana Pristie Yosita Rante Tando Yustin Sengga