Prediksi Kepatuhan Pendaftaran Tanah Berbasis Machine Learning Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.57093/jisti.v9i2.434Keywords:
Data Science, Machine Learning, Random Forest, Kepatuhan Pendaftaran Tanah, Feature ImportanceAbstract
Pendaftaran sertifikat tanah merupakan instrumen krusial dalam mewujudkan kepastian hukum atas kepemilikan aset agrarian. Namun, tingkat kepatuhan masyarakat dalam mendaftarkan tanah masih menghadapi berbagai tantangan kompleks berbasis sosio-ekonomi dan geografis. Penelitian ini bertujuan untuk memprediksi tingkat kepatuhan pendaftaran tanah masyarakat dengan menerapkan pendekatan Data Science dan Machine Learning. Dataset sebanyak 5.000 data terstruktur diolah melalui tahapan pra-pemrosesan data (cleaning, encoding, Min-Max normalization) dan diklasifikasikan menggunakan algoritma Random Forest dengan proporsi data split 80:20 serta validasi 10-Fold Cross Validation. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan akurasi sebesar 98,60%, presisi 97,63%, recall 99,81%, F1-score 98,71%, serta nilai AUC sebesar 0,997. Evaluasi 10-Fold Cross Validation memperoleh rata-rata akurasi 98,72% dengan standar deviasi 0,44% yang membuktikan stabilitas dan generalisasi model yang sangat tinggi. Analisis Feature Importance menegaskan bahwa variabel Jarak ke Kantor Pertanahan (0,165), Penghasilan (0,164), dan Pendidikan (0,144) merupakan variabel paling dominan dalam menentukan kepatuhan pendaftaran tanah. Model ini berpotensi diintegrasikan ke dalam Data-Driven Policy pertanahan guna efisiensi alokasi program sertifikasi
Downloads
References
[1] Ananda Sulaiman, R., et al. (2025). Pengantar Machine Learning dan Kecerdasan Buatan dalam Perspektif Modern. Jakarta: Penerbit Informatika.
[2] Bouni, M., et al. (2024). Smart Internet of Things application for precision agriculture monitoring. IoT, 5(4), 28. https://doi.org/10.3390/iot5040028
[3] Ismail, I., Syah, R. E., & Tahir, M. A. (2024). Klasifikasi Data Mining pada tingkat kepuasan pengunjung Maccahaya Waterboom dengan algoritma C.45. Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), 7(2), 112-120. https://doi.org/10.57093/jisti.v7i2.215
[4] Ismail, I., & Ilham, M. (2022). Sistem Pendukung Keputusan penerimaan siswa baru SMAN 7 Watansoppeng menggunakan metode Simple Additive Weighting. Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), 5(1), 45-52. https://doi.org/10.57093/jisti.v5i1.110
[5] Kurniawan, A., et al. (2023). Konsep Dasar dan Algoritma Machine Learning. Bandung: Rekayasa Sains.
[6] Mahmoud, A., et al. (2024). Digital transformations and machine learning applications in modern agricultural engineering. AgriEngineering, 6(4), 261. https://doi.org/10.3390/agriengineering6040261
[7] Mansourialam, A., et al. (2024). Machine learning approaches in automated environmental monitoring. Acta Technologica Agriculturae, 27(3), 125-132. https://doi.org/10.2478/ata-2024-0025
[8] Manju, B., et al. (2024). Intelligent data analytics for sustainable resource management. ENG, 5(4), 130. https://doi.org/10.3390/eng5040130
[9] Praharsha, S., et al. (2024). IoT-based smart sensing systems for predictive field analytics. Sensors, 24(23), 7858. https://doi.org/10.3390/s24237858
[10] Prathibha, B., et al. (2024). Predictive machine learning models for decision-making in public services. International Journal of Computational Experimental Science and Engineering, 10(2), 785. https://doi.org/10.22399/ijcesen.785
[11] Republik Indonesia. (1960). Undang-Undang Nomor 5 Tahun 1960 tentang Peraturan Dasar Pokok-Pokok Agraria (UUPA). Lembaran Negara Republik Indonesia Tahun 1960 Nomor 104. Jakarta.
[12] Republik Indonesia. (1997). Peraturan Pemerintah Nomor 24 Tahun 1997 tentang Pendaftaran Tanah. Lembaran Negara Republik Indonesia Tahun 1997 Nomor 59. Jakarta.
[13] Soltani Nezhad, M., et al. (2024). Applied machine learning frameworks for complex spatial decision support systems. Discover Applied Sciences, 6(3), 6388. https://doi.org/10.1007/s42452-024-06388-x
[14] Sukriadi, S., Adawiah, A., & Ismail, I. (2026). Leveraging machine learning for sustainable smart farming in rural landscapes. Discover Food, 6(1), 168. https://doi.org/10.1007/s44187-026-00888-y
[15] Sukriadi, S., Adawiah, A., & Afdhal, A. M. N. (2026). Integrating Big Data and machine learning to support smart village decisions for agricultural productivity improvement. Discover Data, 4(1), 360. https://doi.org/10.1007/s44282-026-00360-3
[16] Sukriadi, S., Ismail, I., & Andzar, A. M. (2023). Penerapan Text Mining dalam klasifikasi judul skripsi yang diusulkan mahasiswa menggunakan metode Naïve Bayes. Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), 6(2), 184-196. https://doi.org/10.57093/jisti.v6i2.174
[17] Sukriadi, S., & Suherman, S. (2024). Penerapan Data Mining untuk klasifikasi penerima beasiswa di SMK Negeri 3 Soppeng menggunakan metode Decision Tree. Jurnal Rister, 3(2), 88-96.
[18] Sulianta, F. (2025). Sistem Cerdas dan Machine Learning: Teori dan Implementasi Praktis. Bandung: Informatika.
[19] Turban, E., Sharda, R., Delen, D., & King, D. (2018). Business intelligence, analytics, and data science: A managerial perspective (4th ed.). Pearson.
[20] Wang, L., et al. (2024). Applied artificial intelligence in spatial data classification and prediction models. Applied Sciences, 14(24), 11875. https://doi.org/10.3390/app142411875D. S. Hui et al., “The continuing 2019-nCoV epidemic threat of novel coronaviruses to global health — The latest 2019 novel coronavirus outbreak in Wuhan, China,” Int. J. Infect. Dis., vol. 91, pp. 264–266, 2020, doi: 10.1016/j.ijid.2020.01.009.
[21] Wijoyo, A., Prasetyo, D., & Nugroho, S. (2024). Klasifikasi algoritma machine learning dalam analisis data. Jurnal Ilmu Komputer dan Informatika, 9(1), 15–28.
[22] World Bank. (2021). Land administration and digital transformation for sustainable rural development. World Bank Group.
[23] Zhang, L., Lu, Y., & Wang, J. (2017). Machine learning applications in spatial data classification and decision support systems. Journal of Computer and System Sciences, 88, 120–135.
[24] Zulham, M., & Haryanto, E. (2023). Evaluasi perbandingan performa algoritma Random Forest dan Decision Tree pada pengolahan data geospasial. Jurnal Rekayasa Sistem dan Teknologi Informasi, 7(3), 412–420.
[25] Zulkifli, A., & Arman, A. (2022). Analisis faktor sosio-ekonomi masyarakat terhadap tingkat kepatuhan partisipasi sertifikasi tanah massal. Jurnal Administrasi Publik dan Kebijakan Daerah, 4(2), 89–101.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)
This work is licensed under a Creative Commons Attribution 4.0 International License.
