Hasil Pencarian  ::  Simpan CSV :: Kembali

"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"

"Pengenalan Entitas Bernama (NER) telah diteliti cukup dalam, khususnya pada korpus berbahasa Inggris. Namun, penelitian NER pada korpus twit berbahasa Indonesia masih sangat sedikit karena minimnya dataset yang tersedia secara publik. BERT sebagai salah satu model state-of-the-art pada permasalahan NER belum diimplementasikan pada korpus twit berbahasa Indonesia. Kontribusi kami pada penelitian ini adalah mengembangkan dataset NER baru pada korpus twit berbahasa Indonesia sebanyak 7.426 twit, serta melakukan eksperimen pada model CRF dan BERT pada dataset tersebut. Pada akhirnya, model terbaik pada penelitian ini menghasilkan nilai F1 72,35% pada evaluasi tingkat token, serta nilai F1 79,27% (partial match) dan 75,40% (exact match) pada evaluasi tingkat entitas.

---

Named Entity Recognition (NER) has been extensively researched, primarily for understanding the English corpus. However, there has been very little NER research for understanding Indonesian-language tweet corpus due to the lack of publicly available datasets. As one of the state-of-the-art models in NER, BERT has not yet been implemented in the Indonesian-language tweet corpus. Our contribution to this research is to develop a new NER dataset on the corpus of 7.426 Indonesian-language tweets and to conduct experiments on the CRF and BERT models on the dataset. In the end, the best model of this research resulted in an F1 score of 72,35% at the token level evaluation and an F1 score of 79,27% (partial match) and 75,40% (exact match) at the entity level evaluation."

"Laporan magang ini membahas tentang analisis atas kesesuaian aktivitas pengendalian risiko pada tingkat entitas PT JZZ . Analisis dilakukan dengan cara memetakan ulang (re-mapping) dan membandingkan kesesuaian aktivitas pengendalian risiko tingkat entitas terhadap The Committe of SponsoringOrganization of the Treadway Commission (COSO) Integrated Framework 2013.Hasil analisis menunjukan bahwa aktivitas pengendalian risiko tingkat entitasmilik PT JZZ cukup bagus, tetapi masih menggunakan pedoman COSO Integrated Framework 1992 sehingga diperlukan perbaikan.

---

This internship report discusses about the analysis of suitability of risk control at the entity level in PT JZZ. The analysis is carried out by re-mapping and

comparing the suitabilty of risk control activities at entity level to The Committe

of Sponsoring Organization of the Treadway Commission (COSO) Integrated

Framework 2013. The analysis result show that PT JZZ’s entity level risk control

activities is fairly good, but still use the COSO Integrated Framework 1992, so it

needs some improvement."

"Sebagai salah satu negara dengan pertumbuhan ekonomi yang cepat, Indonesia memerlukan pasokan energi untuk mendukung kegiatan ekonominya. Dalam kurun waktu 2000 hingga 2011, sektor transportasi mengalami laju peningkatan penggunaan energu terbesar yakni sebesar 6.47% per tahun, diikuti dengan sector komersil (4.32%) dan sektor industri (3.05%). Hal tersebut menyebabkan kenaikan permintaan untuk bidang transportasi, terutama bahan bakar minyak. Ketika permintaan terhadap bahan bakar minyak terus naik, harga minyak dunia pun ikut melonjak. Sebagai dampaknya, pemerintah harus menggunakan sebagian besar dana APBN untuk mensubsidi bahan bakar mintak.Untuk mengatasi hal ini, pemerintah pusat dan daerah telah mendorong diversifikasi energi dalam sector transportasi, salah satunya dengan menggunakan bahan bakar gas bagi kendaraan umum. Pembagian converter kit bagi transportasi umum telah menjadi salah satu langkah strategis yang dilakukan oleh pemerintah dengan harapan banyak kendaraan umum yang akan beralih menggunakan bahan bakar gas. Namun kenyataannya hanya beberapa dari angkutan umum yang masih menggunakan bahan bakar gas karena kurangfnya infrastruktur (seperti SPBG). Saat ini, pemerintah kembali dengan rencana untuk mendorong kendaraan pribadi menggunakan bahan bakar gas.

---

As one of developing country with fastest growing economy, Indonesia requires sufficient supply of energi to support its economic activities. During the period 2000 to 2011, transportation sector experienced the largest annual growth rate of 6.47% per year, followed by commercial sector (4.32%) and industrial sector (3.05%)1. This resulted in high energi demand for transportation, especially fuel oil. While the demand of fuel oil keeps increasing each year, the world oil price does too. As a consequence, it forces the government to spend most of the state budget to subsidize the fuel oil price.

To overcome this problem, central and some regional governments had instructed public transport to use gas fuel instead of fuel oil. To support that, the government forced energi diversification in transportation sector, one of them is using gas for public transportation. Distributed converter kits for public transport for free has been one of strategic moves done by the government with expectation that many public transports will convert to gas fuel. But in the reality only few of them still using gas fuel because of unsufficient infrastructure (gas refueling station). Nowadays, the government back with a discourse to convert private vehicles to use gas fuel."

"Hingga saat ini belum ada penelitian yang mengkaji potensi setiap wilayah di DKI Jakarta terhadap kendaraan berbahan bakar gas (NGV), padahal informasi ini dibutuhkan untuk menentukan lokasi pembangunan SPBG yang optimal di DKI Jakarta. Penelitian ini dilakukan untuk mendapatkan gambaran mengenai besarnya potensi NGV di DKI Jakarta dan wilayah yang potensial bagi pembangunan SPBG berdasarkan hasil simulasi.Hasil penelitian berupa proyeksi jumlah NGV berdasarkan proyeksi jumlah mobil pribadi setiap wilayah di DKI Jakarta melalui pendekatan pemodelan sistem dinamis, serta visualisasi pola perjalanan mobil pribadi di DKI Jakarta melalui perancangan model spasial.Berdasarkan hasil penelitian, didapatkan bahwa potensi NGV di DKI Jakarta cukup besar, dimana diperkirakan akan terdapat 8.507 unit SPBG apabila tingkat konversi dari mobil berbahan bakar minyak ke NGV sebesar 30% per tahun. Selain itu, didapatkan informasi bahwa perjalanan harian mobil pribadi cenderung menuju daerah pusat DKI Jakarta dengan volume kendaraan terbesar berada pada jalan-jalan protokol di DKI Jakarta.

---

Availaibility of research on potential area for natural gas vehicles is necessity for optimal allocation of gas refueling unit stations in DKI Jakarta. This research is conducted to provide projected natural gas vehicles (NGV) number in certain area in DKI Jakarta and propose potential area for refueling gas stations in terms of demand projections.

The results of this research are projected number of NGV based on system dynamics approach and a visual model of commuter pattern of private cars in DKI Jakarta based on spatial modeling and simulation method.

In conclusion, in the end of 2019, DKI Jakarta is projected to has 8.507 unit NGVs within scenario of 30% annual conversion rate. Moreover, the result of spatial modeling and simulation indicates that most of cars in Jabodetabek area tend to commute to the center of DKI Jakarta."

"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.

"

"

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.

 

"

"This book explains in a rigorous, concise and practical manner all the vital components embedded in structural equation modelling. Focusing on R and stata to implement and perform various structural equation models. "