RANDOM FOREST BASED SYSTEM FOR PREDICTING AND RECOMMENDING INMATE REHABILITATION PROGRAMS
Abstract
Abstract: Rehabilitation programs are essential in correctional systems to equip inmates with the skills and behavioral readiness required for social reintegration. However, rehabilitation program assignment in many correctional institutions remains dependent on manual and subjective assessments, which may result in inconsistent decisions. This study develops a Random Forest–based prediction system to support objective and data-driven rehabilitation program determination. A quantitative approach was applied using historical inmate data from January 2023 to January 2025, comprising 2,023 records. The research process included data preprocessing, an 80:20 training–testing split, model training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 86.17% during training in Google Colab and 68.83% when deployed within the application system. This performance gap reflects real-world deployment and computational constraints rather than model failure. The proposed system provides consistent and objective rehabilitation program recommendations, thereby supporting more effective rehabilitation planning and decision-making in correctional institutions.
Keywords: correctional institutions; inmate rehabilitation programs; machine learning; random Forest; prediction system
Abstrak: Program pembinaan narapidana memiliki peran penting dalam sistem pemasyarakatan untuk membekali warga binaan dengan keterampilan serta kesiapan perilaku dalam proses reintegrasi ke masyarakat. Namun, pada banyak lembaga pemasyarakatan, penentuan program pembinaan masih bergantung pada penilaian manual yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengembangkan sistem prediksi program pembinaan narapidana berbasis algoritma Random Forest guna mendukung pengambilan keputusan yang objektif dan berbasis data. Pendekatan kuantitatif diterapkan menggunakan data historis narapidana periode Januari 2023 hingga Januari 2025 sebanyak 2.023 data. Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji dengan rasio 80:20, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,17% pada tahap pelatihan di Google Colab dan 68,83% saat diimplementasikan pada sistem aplikasi. Perbedaan performa tersebut mencerminkan keterbatasan lingkungan operasional, bukan kegagalan model. Secara keseluruhan, sistem yang dikembangkan mampu memberikan rekomendasi program pembinaan yang lebih objektif dan konsisten, sehingga mendukung perencanaan pembinaan yang lebih efektif.
Kata kunci: mesin pembelajaran; program pembinaan narapidana; random Forest; sistem pemasyarakatan; sistem prediksi
References
R. I. Pangaribuan Widya and R. Puspsari, “Road Damage Level Prediction Using Data Mining-Based Regression Method,” J. ICT Inf. Commun. Technol., vol. 16, no. 2, pp. 296–309, 2025.
M. Tua, “Perancangan Aplikasi Data Mining Estimasi Stok Coffe di Nine Coffe dengan Menggunakan Metode Estimasi dan Algoritma Regresi Linier Berganda,” Pondasi J. Appl. Sci. Eng., pp. 20–34, 2024.
N. Riskya, S. Yuliana, T. Informatika, U. N. Jadid, and J. Timur, “penerapan data mining untuk prediksi perilaku pelanggan menggunakan multiple linear regression,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 11, no. 3, 2023.
R. H. Solihin, J. Supratman, and R. Muhendra, “Pengembangan Model Peramalan Penjualan Menggunakan Metode Regresi Linier dan Polinomial Pada Industri Makanan Ringan (Studi Kasus: CV. Stanley Mandiri Snack),” TEKNOSAINS J. Sains, Teknol. dan Inform., vol. 10, no. 2, pp. 185–192, 2023, doi: 10.37373/tekno.v10i2.456.
I. Amansyah, J. Indra, E. Nurlaelasari, and A. R. Juwita, “Prediksi Penjualan Kendaraan Menggunakan Regresi Linear : Studi Kasus pada Industri Otomotif di Indonesia,” Innov. J. Soc. Sci. Res., vol. 4, no. 4, pp. 1199–1216, 2024.
P. C. Hartono and A. D. Widiantoro, “Analisis Prediksi Harga Saham Unilever Menggunakan Regresi Linier dengan RapidMiner,” J. Comput. Inf. Syst. Ampera, vol. 5, no. 3, pp. 2775–2496, 2024, [Online]. Available: https://journal-computing.org/index.php/journal-cisa/index
A. Supriyatna, A. I. Purnamasari, and I. Ali, “Analisis Penjualan Produk Umkm Di Shopee Pada Toko Agung0Na9 Menggunakan Model Algoritma Regresi Linear,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1911–1915, 2024, doi: 10.36040/jati.v8i2.8372.
D. Abdullah, M. Maryana, and M. Ani, “Prediksi Tingkat Pengguna Narkoba Dengan Metode Regresi Linear Berganda Berbasis Web,” TECHSI - J. Tek. Inform., vol. 13, no. 2, p. 41, 2021, doi: 10.29103/techsi.v13i2.3738.
F. O. Lusiana, I. Fatma, and A. P. Windarto, “Estimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Simalungun,” J. Informatics Manag. Inf. Technol., vol. 1, no. 2, pp. 79–84, 2021, doi: 10.47065/jimat.v1i2.104.
R. Andrianto and F. Irawan, “Implementasi Metode Regresi Linear Berganda Pada Sistem Prediksi Jumlah Tonase Kelapa Sawit di PT . Paluta Inti Sawit,” J. Pendidik. Tambusai, vol. 7, no. 1, pp. 2926–2934, 2023.
S. Adiguno, Y. Syahra, and M. Yetri, “Prediksi Peningkatan Omset Penjualan Menggunakan Metode Regresi Linier Berganda,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 4, p. 275, 2022, doi: 10.53513/jursi.v1i4.5331.
J. Jurnal, S. Dan, T. Jsit, V. N. S. Hal, M. R. Athallah, and A. F. Rozi, “Implementasi Data Mining Untuk Prediksi Peramalan Penjualan Produk Hj Karpet Menggunakan Metode Linear Regression,” J. Sains Dan Teknol., vol. 2, no. 3, pp. 180–187, 2022.
R. Ternando, J. Wahyudi, and D. Suranti, “Application of the Multiple Linear Regression Method in Forecasting the Amount of Drug Supply at the Health Center,” J. Kom. (Komputer, Inf. dan Teknol., vol. 2, no. 2, pp. 621–628, 2022.
A. F. Prasetya, U. Lestari, and D. Putri, “Perancangan Aplikasi Rental Mobil Menggunakan Diagram UML ( Unified Modelling Language ) Car Rental Application Design Using UML ( Unified Modeling Language ) Diagrams,” vol. 1, no. 1, pp. 14–18, 2022.
O. J. Ababil, S. A. Wibowo, and H. Z. Zahro, “Penerapan Metode Regresi Linier Dalam Prediksi Penjualan Liquid Vape Di Toko Vapor Pandaan Berbasis Website,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 186–195, 2022.
