Peran Perspektif Gender dalam Penyusunan Kebijakan Pemidanaan: Studi Kualitatif terhadap Kasus Kekerasan Berbasis Gender
Notice bibliographique
Résumé
Gender-Based Violence (GBV) remains a critical issue in Indonesia, with a significant increase in reported cases over the past five years. Despite the implementation of the Sexual Violence Crime Law (UU TPKS) as a progressive step toward victim protection, challenges persist in the law enforcement process, particularly in integrating gender perspectives into the criminal justice system. This study aims to analyze the role of gender perspectives in sentencing policies for GBV perpetrators in Indonesia and compare them with more progressive legal frameworks in other countries. Using a qualitative approach with phenomenological methods, the study examines national regulations, judicial decisions, and stakeholder interviews, including victims, law enforcement officers, and legal experts. The findings indicate that while the number of GBV cases reported has increased from 15,200 in 2018 to 35,200 in 2023, only 10% of reported cases resulted in convictions. This reflects systemic weaknesses, such as insufficient legal enforcement, limited gender-sensitive training among judicial actors, and societal stigma against victims. Additionally, comparative analysis with countries like Sweden and Canada suggests that more inclusive and restorative justice approaches can enhance victim protection and reduce recidivism rates. This study contributes to the discourse on criminal law reform by highlighting the need for stronger regulatory frameworks, improved law enforcement mechanisms, and technological innovations in reporting and case management. The findings provide policy recommendations for strengthening Indonesia’s GBV sentencing policies through a gender-sensitive and victim-oriented approach.
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 | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».