EFEKTIVITAS RESTORATIVE JUSTICE DALAM PENYELESAIAN KASUS KRIMINALITAS RINGAN: STUDI KASUS DENGAN METODE STUDI KOMPARATIF
Notice bibliographique
Résumé
<p class="s33">Restorative justice has gained attention as an alternative approach to resolving minor criminal cases, offering a rehabilitative and community-oriented process. In Indonesia, its implementation aims to reduce the judicial burden and promote offender reintegration. However, inconsistencies in application and its effectiveness in reducing recidivism remain concerns. This study evaluates the effectiveness of restorative justice in Indonesia by examining case resolution speed, victim satisfaction, and recidivism rates. Using a comparative study method with qualitative and quantitative approaches, data were collected from legal documents, case studies (2018–2023), and stakeholder interviews. The findings show that cases resolved through restorative justice increased from 500 in 2018 to 2,300 in 2023, reflecting broader adoption. Survey results indicate 70% of victims were satisfied with restorative justice outcomes, compared to 50% in conventional proceedings. The recidivism rate for offenders undergoing restorative justice was 40%, lower than 55% in conventional sentencing but still higher than the Netherlands (65%) and Canada (68%). This study highlights the importance of law enforcement support, victim participation, and community involvement in the success of restorative justice. Strengthening national policies is essential to ensure more consistent and effective implementation. These findings offer valuable insights for policymakers in enhancing restorative justice practices in Indonesia to build a more efficient and rehabilitative criminal justice system.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».