Pemodelan dan Analisis Knowledge Graph Putusan Mahkamah Agung Indonesia Berbasis Wikidata

Soleh Hasan Wahid
Universitas Islam Negeri Kiai Ageng Muhammad Besari Ponorogo, Indonesia
wahiduinponorogoacid

Anjar Kususiyanah
Universitas Islam Negeri Kiai Ageng Muhammad Besari Ponorogo, Indonesia
kususiyanahuinponorogoacid

Latar Belakang

Saat ini di dunia yang dipandu oleh AI dan data, ketersediaan informasi hukum yang melimpah seharusnya menjadi modal utama bagi penguatan kepastian hukum. Di Indonesia, Mahkamah Agung telah mempublikasikan jutaan dokumen putusan yang dapat diakses secara terbuka oleh publik. Namun, informasi yang mudah didapatkan tersebut ternyata tidak mudah untuk ditangkap maknanya secara utuh. Data-data ini masih tersusun dalam format tabel-tabel terpisah yang tidak terlihat terintegrasi, sehingga hubungan antar-putusan yurisprudensi masih sulit teridentifikasi. Berbagai kendala, seperti performa portal yang terkadang lambat semakin mempersulit akademisi maupun praktisi dalam melakukan pelacakan hukum secara komprehensif. Kondisi ini diperparah dengan tren penggunaan chatbot oleh mahasiswa dan peneliti yang mencari jawaban instan menggunakan Chatbot, AI tersebut berpotensi menghasilkan informasi yang bias atau hanya menampilkan putusan tertentu secara acak tanpa memahami silsilah hukumnya. Akibatnya, banyak putusan yang akhirnya terabaikan dalam analisis hukum hanya karena hambatan teknis untuk menghubungkan satu perkara dengan perkara dasarnya secara manual terlalu berat, yang pada akhirnya memicu risiko misinformasi dan pendangkalan kualitas riset hukum di Indonesia.

Literature Review

Sejumlah studi terdahulu telah melakukan berbagai upaya dalam pengembangan legal knowledge graph (KG) di berbagai yurisdiksi melalui pendekatan infrastruktur data, linked open data, dan ekstraksi relasi dari dokumen hukum. Proyek Semantic Finlex dan LawSampo di Finlandia merupakan contoh penting yang berhasil mengintegrasikan legislasi nasional dan putusan pengadilan ke dalam ekosistem Linked Open Data (LOD) secara sistematis (Frosterus et al., 2014; Hyvönen et al., 2019; Oksanen et al., 2018). Di tingkat mahkamah agung, JudgmentGraph di India menunjukkan efektivitas penggunaan ontologi formal untuk memandu ekstraksi entitas dan relasi dari teks putusan yang kompleks (Ajay Mukund & Easwararkumar, 2025). Sementara itu, riset pada pengadilan kasasi di Prancis mulai mengeksplorasi konstruksi knowledge graph dari perkara banding pidana guna memodelkan struktur relasi prosedural secara lebih sistematis (Belikov & Raoult, 2025). Di luar itu, pengembangan KG hukum di Vietnam, Tiongkok, dan yurisdiksi lain juga memperluas penggunaan graf heterogen untuk menghubungkan kasus, pengadilan, dan undang-undang guna meningkatkan pencarian informasi hukum dan representasi pengetahuan hukum yang lebih kaya (Dong et al., 2021; Vuong et al., 2023).

Di sisi lain, riset mengenai integrasi Wikidata dengan pendekatan Graph Retrieval-Augmented Generation (GraphRAG) masih lebih banyak berkembang pada domain pengetahuan umum dan domain non-hukum, seperti pengetahuan terbuka, kurikulum, dan manajemen sumber daya manusia. Studi FrOG: Framework of Open GraphRAG menunjukkan bahwa Wikidata dan knowledge graph terbuka lainnya dapat digunakan sebagai basis retrieval terstruktur untuk menghasilkan jawaban yang lebih akurat dan lebih mudah ditelusuri dibanding pendekatan berbasis teks semata (Ongris et al., 2025). Temuan ini sejalan dengan literatur dasar RAG yang menegaskan bahwa model bahasa parametrik murni memiliki keterbatasan dalam pembaruan pengetahuan dan dalam penyediaan provenance atas jawaban yang dihasilkan (Lewis et al., 2020), sedangkan kualitas retrieval sangat menentukan keberhasilan sistem tanya-jawab berbasis pengetahuan (Karpukhin et al., 2020). Dalam perkembangan yang lebih baru, pendekatan berbasis KG dan Wikidata juga mulai diarahkan ke domain seperti human resource management, semantic search, dan pengujian sistem KG-based RAG, termasuk untuk dokumen hukum, walaupun penerapannya pada domain hukum yang menuntut verifiability, traceability, dan struktur normatif yang ketat masih relatif terbatas dan baru mulai berkembang (Darari et al., 2025; de Martim et al., 2025; Ongris, Darari, & Ekaputra, 2025). Dengan demikian, literatur yang ada memberi dasar yang cukup kuat bahwa Wikidata sebagai basis data terstruktur merupakan pilihan yang relevan untuk pengembangan analisis teks berbasis NLP, sekaligus membuka ruang inovasi lanjutan dalam domain hukum.

Meskipun berbagai penelitian telah menginisiasi pengembangan knowledge graph dalam bidang hukum, belum ada studi yang secara khusus membangun dan menganalisis knowledge graph putusan Mahkamah Agung Indonesia dengan memanfaatkan Wikidata sebagai infrastruktur utamanya. Literatur yang ada saat ini masih didominasi oleh fokus pada akurasi ekstraksi informasi, pembangunan ontologi, atau peningkatan performa retrieval (Ajay Mukund & Easwararkumar, 2025; Belikov & Raoult, 2025; Dong et al., 2021; Vuong et al., 2023). Selain itu, belum ada penelitian yang secara sistematis mengevaluasi metrik konektivitas seperti distribusi derajat sitasi antarperkara, struktur komponen jaringan, maupun sentralitas aktor—baik hakim maupun institusi—dalam konteks hukum Indonesia. Demikian pula, evaluasi kualitas data hukum berbasis constraint checking pada platform Wikidata masih belum banyak disentuh dalam studi-studi sebelumnya, padahal aspek ini penting untuk menjamin reliabilitas knowledge graph sebagai sumber data analitis dan sebagai dasar verifikasi terhadap keluaran AI.

Penelitian ini bertujuan mengisi celah tersebut melalui pemodelan institusional yang kaya dan analisis kualitas data yang sistematis di Wikidata. Berbeda dari riset terdahulu, studi ini tidak berhenti pada pembangunan infrastruktur data atau peningkatan retrieval, tetapi juga melakukan analisis jaringan hukum yang mendalam untuk membedah hubungan antara hakim, kasus, topik hukum, dan putusan. Melalui pendekatan tersebut, penelitian ini berupaya memberikan perspektif baru dalam memahami dinamika hukum Indonesia melalui lensa sains data, konektivitas graf, dan verifikasi pengetahuan hukum di era AI.

Theoretical Framework

1. Doktrin Judicial Precedent di Indonesia

Doktrin judicial precedent atau stare decisis berakar dari tradisi common law Inggris dan berkembang secara historis melalui praktik peradilan. Fon dan Parisi menjelaskan bahwa benih prinsip preseden dapat ditelusuri sejak akhir abad ke-16, ketika pengadilan Inggris mulai mengikuti putusan sebelumnya dalam soal prosedur dan pleading. Akan tetapi, baru pada abad ke-17 dan ke-18 prinsip itu berkembang menjadi aturan substantif, dan pada akhir abad ke-18 hingga abad ke-19, di bawah pengaruh positivisme Bentham, preseden bergerak dari sekadar praktik yudisial menuju prinsip yang lebih formal dan mengikat dalam sistem common law (Fon & Parisi, 2005).

Secara konseptual, doktrin stare decisis berarti bahwa putusan hakim pada dasarnya berada di dalam rantai otoritas hukum yang membuat putusan terdahulu relevan—dan dalam keadaan tertentu mengikat—bagi putusan berikutnya. Regeru mendefinisikan stare decisis dari frasa Latin stare decisis et non quieta movere, yakni "mempertahankan apa yang telah diputus dan tidak mengubah apa yang telah ditetapkan." Dalam pengertian ini, doktrin ini bertumpu pada prinsip dasar bahwa perkara yang serupa harus diputus menurut prinsip hukum yang serupa. Regeru juga menegaskan bahwa doktrin ini bekerja melalui dua komponen pokok, yaitu binding precedent dan persuasive precedent. Binding precedent berarti suatu kondisi yang mewajibkan pengadilan yang lebih rendah mengikuti putusan pengadilan yang lebih tinggi, sedangkan persuasive precedent berarti daya pengaruh putusan tanpa selalu mengikat secara mutlak. Karena itu, inti teori ini adalah pada otoritas normatif dari alasan hukum yang terkandung di dalam putusan tersebut bagi penyelesaian perkara baru (Regeru, 2012).

Selanjutnya, doktrin preseden berfungsi untuk menjamin konsistensi, uniformitas, kepastian, dan prediktabilitas dalam penegakan hukum. Regeru menekankan bahwa nilai utama stare decisis berhubungan langsung dengan legitimasi lembaga peradilan dan pemeliharaan rule of law. Ketika putusan-putusan pengadilan konsisten dan dapat diprediksi, praktisi hukum dapat memberi nasihat yang andal, warga dapat mengatur tindakannya secara rasional, dan sistem peradilan memperoleh kewibawaan karena dipersepsi bekerja berdasarkan hukum. Sebaliknya, ketika preseden diabaikan tanpa dasar yang jelas, lahirlah ketidakpastian hukum, kontradiksi putusan, dan erosi kepercayaan terhadap pengadilan. Dengan demikian doktrin ini merupakan syarat bagi kestabilan dan rasionalitas sistem hukum itu sendiri (Regeru, 2012).

Berbeda dengan sistem Common Law, di Indonesia sejak kemerdekaan berkembang sistem hukum yang bertumpu pada warisan hukum Belanda dan berkarakter civil law. Karakter hukum di Indonesia oleh sebab itu lebih mendekati model hukum Belanda, yakni menempatkan peraturan perundang-undangan sebagai sumber hukum utama, memberi kedudukan sentral pada kodifikasi, serta membangun praktik peradilan di dalam kerangka hukum tertulis yang kuat. Arah historis ini memperoleh dasar konstitusional melalui Aturan Peralihan UUD 1945 yang mempertahankan keberlakuan aturan yang telah ada selama belum dibentuk aturan baru menurut UUD. Dalam struktur seperti ini, putusan pengadilan pada mulanya tidak ditempatkan sejajar dengan undang-undang sebagai sumber hukum primer. Perkembangan praktik peradilan kemudian memperlihatkan bahwa kebutuhan akan kesinambungan penalaran hukum, kepastian hukum, dan keseragaman putusan mendorong tumbuhnya yurisprudensi sebagai rujukan yang semakin penting dalam penerapan hukum nasional.

Perkembangan yurisprudensi di Indonesia berhubungan erat dengan kenyataan bahwa hukum tertulis tidak selalu lengkap, tidak selalu jelas, dan tidak selalu segera menjawab persoalan konkret yang dihadapi pengadilan. Undang-Undang Nomor 48 Tahun 2009 tentang Kekuasaan Kehakiman memberi dasar penting bagi peran aktif hakim melalui ketentuan bahwa hakim wajib menggali, mengikuti, dan memahami nilai-nilai hukum serta rasa keadilan yang hidup dalam masyarakat. Dalam kerangka itu, yurisprudensi memperoleh fungsi yang strategis karena membantu melengkapi peraturan perundang-undangan dalam penerapan hukum, menjaga agar hukum tetap aktual, serta mengisi kekosongan hukum ketika norma tertulis belum memberi jawaban yang memadai. Mahkamah Agung menegaskan bahwa yurisprudensi berperan dalam memelihara kepastian hukum, keadilan sosial, dan pengayoman, sehingga putusan pengadilan yang berulang dan diikuti dalam perkara sejenis berangsur-angsur membentuk orientasi hukum yang berwibawa dalam praktik peradilan.

Dalam praktik kelembagaan, penerimaan terhadap preseden di Indonesia berjalan melalui yurisprudensi Mahkamah Agung dan melalui mekanisme yang dirancang untuk menjaga kesatuan penerapan hukum. Mahkamah Agung menjelaskan bahwa putusan yang layak diperlakukan sebagai yurisprudensi umumnya menyangkut persoalan yang belum jelas pengaturannya, telah berkekuatan hukum tetap, berulang kali dipakai sebagai dasar pemutusan perkara yang sama, memenuhi rasa keadilan, serta dibenarkan oleh Mahkamah Agung. Hal tersebut diperkuat lagi melalui sistem kamar yang diberlakukan pada tahun 2011 untuk menjaga konsistensi putusan dan kesatuan hukum. Oleh karena itu, dalam konteks Indonesia, preseden merupakan yurisprudensi yang memperoleh otoritas dari praktik pengadilan dan dipelihara melalui desain kelembagaan Mahkamah Agung, sehingga kesinambungan putusan tetap terjaga di dalam sistem hukum yang bertumpu pada peraturan tertulis.

2. Legal Network Analysis

Legal Network Analysis, yaitu pendekatan yang mempelajari hukum melalui pola hubungan antarelemen hukum yang direpresentasikan sebagai jaringan. Network analysis pada dasarnya adalah studi tentang hubungan yang sering kali kompleks antarelemen, dan bahwa dalam konteks hukum pendekatan ini relevan untuk memahami struktur relasional yang terbentuk di antara putusan pengadilan, peraturan, dokumen hukum, maupun aktor-aktor hukum (van Kuppevelt et al., 2020; Winkels & de Ruyter, 2012). Dalam kerangka ini, analisis hukum dilakukan dengan menganalisis hubungan, pola, dan struktur yang muncul dari interaksi antarelemen, karena relasi-relasi tersebut menghasilkan informasi yang tidak dapat diperoleh hanya dari atribut elemen secara terpisah. Dengan demikian, legal network analysis memandang hukum sebagai sistem yang tersusun dari keterhubungan, sehingga makna suatu putusan atau regulasi dapat dipahami secara lebih utuh ketika posisinya di dalam jaringan hukum juga diperhatikan (Fowler et al., 2007; Fowler & Jeon, 2008; van Kuppevelt et al., 2020).

Secara konseptual, pendekatan ini bertumpu pada beberapa unsur dasar, terutama nodes dan edges. Fowler et al. (2007) menjelaskan bahwa nodes adalah unit terkecil di dalam jaringan, yang dalam konteks hukum dapat berupa putusan pengadilan, peraturan, dokumen, kata kunci, individu, atau institusi. Sementara itu, edges adalah hubungan yang menghubungkan satu node dengan node lain. Dalam contoh legislasi drone yang dijelaskan dalam buku itu, satu undang-undang direpresentasikan sebagai node, sedangkan hubungan sitasi atau rujukan dari satu undang-undang ke undang-undang lain direpresentasikan sebagai edge. Teknik semacam ini memungkinkan hukum dibaca sebagai jaringan rujukan, jaringan pengaruh, dan jaringan otoritas. Karena itu, legal network analysis merupakan teknik untuk menelaah bagaimana suatu teks berhubungan dengan teks lain dan bagaimana hubungan itu membentuk struktur hukum yang lebih luas.

Fowler et al. (2007) menjelaskan bahwa konsep inti dari legal network analysis adalah network properties, centrality, community detection, serta data collection and preparation. Melalui analisis centrality, peneliti dapat mengidentifikasi putusan atau regulasi yang memiliki posisi paling penting di dalam jaringan. Melalui community detection, peneliti dapat mengenali klaster atau komunitas putusan yang membentuk subtopik hukum tertentu. Pendekatan ini juga memungkinkan peneliti mengajukan pertanyaan seperti: putusan mana yang paling penting sebagai preseden, bagaimana tingkat kepentingan itu berubah dari waktu ke waktu, topik hukum mana yang menguat atau melemah, dan klaster putusan apa saja yang dapat dibedakan dalam suatu korpus hukum.

Metode Penelitian

Aplikasi Wikidata Legal Analysis ini adalah prototipe penelitian yang dikembangkan untuk mendemonstrasikan penggunaan Wikidata sebagai ground truth (sumber kebenaran) dalam mendeteksi halusinasi AI/LLM (Large Language Model) pada domain hukum Indonesia.

Aspek	Detail
Permasalahan	AI/LLM seperti ChatGPT sering "mengarang" informasi hukum yang terdengar masuk akal tetapi tidak akurat
Solusi	Gunakan Wikidata (database pengetahuan publik terstruktur) sebagai rujukan resmi untuk memverifikasi klaim AI
Subjek Data	Putusan Mahkamah Agung Republik Indonesia (MARI) yang tercatat di Wikidata
Tujuan Utama	Mendeteksi dan membuktikan fenomena halusinasi LLM secara empiris pada domain hukum

Parameter	Nilai
Sumber	Wikidata SPARQL Endpoint (query.wikidata.org)
Entity Class	Q138140227 (Putusan Mahkamah Agung)
Total Putusan	38 putusan MA RI
Komposisi	19 Yurisprudensi + 19 Kasasi Umum
Bidang Hukum	22 kategori utama
Sub-topik	28 sub-topik
Hakim Tercatat	34 orang
Rentang Tahun	1961 – 2018

Penelitian ini menggunakan pendekatan computational legal research berbasis knowledge graph untuk memodelkan, mengaudit, dan menganalisis putusan Mahkamah Agung Republik Indonesia melalui Wikidata. Pelaksanaan metode ini terbagi ke dalam dua fase utama: (1) konstruksi data hukum ke dalam knowledge graph, dan (2) pemrosesan komputasional yang mencakup pengambilan, pemodelan, audit, serta verifikasi data.

Data yurisprudensi Mahkamah Agung dimasukkan ke dalam Wikidata menggunakan mekanisme batch import melalui perangkat QuickStatements. Setiap putusan direpresentasikan sebagai entitas tersendiri yang diperkaya dengan properti standar Wikidata, meliputi: tanggal publikasi, topik hukum, nomor putusan (citation), pengadilan pemutus, relasi yurisprudensi (based on), majelis hakim, dan URL sumber resmi. Pemilihan properti ini mengacu pada entitas yang telah tersedia di Wikidata, sehingga data dapat terintegrasi dengan knowledge graph.

No	Tahap	Proses	Teknologi
1	Data Putusan MA	Dokumen yurisprudensi asli dari MARI dijadikan sumber	Dokumen hukum resmi
2	Wikidata Knowledge Graph	Data dimasukkan ke Wikidata via QuickStatements (batch import)	Wikidata API
3	Hasil JSON	Query SPARQL menghasilkan binding multi-baris dalam format JSON	SPARQL Query Language
4	Data Entitas Tunggal	Raw JSON dinormalisasi, dideduplikasi, dan digabung per QID	JavaScript (cached-data.js)
5	Pemodelan Graf Hukum	Entitas dipetakan sebagai Node & Edge untuk analisis jaringan	Louvain Algorithm, LinLog Layout
6a	Audit Kualitas	Memeriksa kelengkapan properti wajib (P577, P921, P1594, dll.)	Constraint checking
6b	Verifikasi AI	Membandingkan klaim AI dengan fakta Wikidata via fuzzy matching	String matching, Levenshtein distance
6c	Visualisasi Graf	Merender graf relasi hukum secara interaktif di canvas HTML	HTML Canvas API
7	Laporan & Ekspor	Menghasilkan laporan teks dan file CSV untuk publikasi	JavaScript, CSV generation

Properti	Kode	Keterangan	Status
Tanggal Publikasi	P577	Tanggal putusan dikeluarkan	Wajib untuk semua
Main Subject	P921	Bidang hukum / topik utama	Wajib untuk semua
Citation	P1031	Nomor putusan resmi	Wajib untuk Kasasi
Pengadilan	P4884	Instansi Mahkamah Agung	Wajib untuk semua
Based On	P144	Putusan asal yurisprudensi	Wajib untuk Yurisprudensi
Hakim	P1594	Hakim yang menangani perkara	Wajib untuk Kasasi
URL Sumber	P953	Link ke situs resmi MA RI	Opsional

Setelah data terkonstruksi di Wikidata, seluruh tahapan pengambilan, pemodelan, dan analisis berjalan secara berkesinambungan melalui sebuah pipeline komputasional berikut:

1. Pengambilan dan Caching Data

Data ditarik dari Wikidata Query Service menggunakan SPARQL secara programatik. Beberapa kueri dirancang secara spesifik untuk mengambil seluruh data putusan, relasi yurisprudensi, putusan kasasi, relasi topik, dan informasi majelis hakim. Selanjutnya, respons JSON disimpan ke cache lokal agar aplikasi tidak bergantung pada ketersediaan endpoint secara real-time. Dalam arsitektur ini, SPARQL berfungsi sebagai semantic query layer, sedangkan skrip otomasi berperan sebagai retrieval and caching layer.

2. Normalisasi dan Pemodelan Graf

Hasil kueri dinormalisasi dari format tabular yang rentan terhadap redundansi akibat relasi multi-nilai, menjadi representasi entitas tunggal. Data tersebut lalu dipetakan menjadi graf hukum yang terdiri dari tiga jenis node (putusan, hakim, topik hukum) dan tiga jenis relasi: based on (yurisprudensi), decided by (majelis hakim), dan has subject (topik hukum).

Klaster tematik kemudian dideteksi menggunakan algoritma Louvain, sementara struktur jaringan dianalisis menggunakan metrik standar network analysis. Sebagai validasi metode pada dataset yang diuji, pemodelan graf ini berhasil menghasilkan 85 node, 89 edge, dan 13 klaster dengan modularitas ≈ 0,91, densitas ≈ 0,025, serta rata-rata degree 2,09. Angka-angka ini mengindikasikan terbentuknya klaster-klaster bidang hukum yang terspesialisasi.

3. Audit Kualitas Data (Constraint Checking)

Setiap putusan dievaluasi dari segi kelengkapan dan konsistensinya. Kelengkapan diperiksa berdasarkan constraint template pada properti wajib, sedangkan konsistensi dievaluasi melalui kesesuaian topik antar-relasi, deteksi duplikasi, anomali temporal, dan kelengkapan profil hakim. Berdasarkan parameter tersebut, putusan diklasifikasikan ke dalam empat kategori: lengkap, kurang, mencurigakan, atau buruk. Dalam uji coba menunjukkan sebaran berupa 16 putusan lengkap (42%), 6 kurang (16%), 13 mencurigakan (34%), dan 3 buruk (8%).

4. Verifikasi Klaim AI (Fuzzy Matching)

Untuk menguji akurasi model bahasa besar (LLM), modul verifikasi halusinasi AI (grounded rule-based hallucination checking) dibangun. Modul ini mencocokkan klaim eksplisit dari jawaban AI dengan fakta resmi di Wikidata menggunakan teknik string matching dan fuzzy comparison. Setiap klaim kemudian diklasifikasikan menjadi: sesuai fakta, mirip, dikarang AI (halusinasi), atau tidak disebut.

Dari klasifikasi ini, sistem akan menghitung skor akurasi, tingkat halusinasi, dan cakupan informasi. Sebagai contoh pengujian pada putusan 4/Yur/Pid/2018, metode ini berhasil mendeteksi jawaban AI yang mengandung klaim fiktif secara presisi dengan skor akurasi 0%.

Model ini diimplementasikan sebagai aplikasi web client-side berbasis HTML, CSS, dan JavaScript yang berjalan langsung di peramban (tanpa memerlukan backend server). Aplikasi ini menyediakan empat fitur, yaitu: eksplorasi data putusan, verifikasi akurasi AI, visualisasi graf relasi, dan dokumentasi panduan. Data yang telah diproses dapat divisualisasikan secara interaktif, dilaporkan secara otomatis, dan diekspor ke dalam format CSV untuk analisis lanjutan.

Komponen	Teknologi	Alasan
Frontend	HTML5, CSS3 (Vanilla), JavaScript (Vanilla)	Tanpa dependensi, buka langsung di browser
Data Source	Wikidata SPARQL Endpoint	Database pengetahuan publik terstruktur
Visualisasi Graf	HTML Canvas (custom rendering)	Kontrol penuh atas rendering
Algoritma Clustering	Louvain Community Detection	Optimal untuk deteksi komunitas dalam jaringan
Layout Graf	LinLog Force-Directed Layout	Distribusi node yang natural
Caching	File JavaScript statis (cached-data.js)	Akses offline, tanpa server
Update Data	Python script (fetch-data.py)	Otomasi pengambilan data terbaru dari Wikidata

Hasil dan Temuan

Fitur dan Fungsi Aplikasi Wikidata Legal Analysis

1.1 Tampilan Halaman Depan

Pada halaman utama aplikasi ini terdapat menu untuk berpindah ke tab lain seperti Uji Akurasi AI dan Visualisasi Relasi, serta tombol untuk mengubah bahasa dan tema tampilan. Tepat di bawahnya, aplikasi menyajikan ringkasan data melalui kartu statistik. Terdapat total 38 putusan Mahkamah Agung (MA) Republik Indonesia yang tercatat dalam sistem, di mana 19 di antaranya adalah putusan berkekuatan hukum tetap (yurisprudensi) dan 19 lainnya merupakan putusan kasasi umum. Dataset ini, yang memiliki data terbaru dari tahun 2018, mencakup 22 kategori bidang hukum dengan 28 sub-topik turunan.

Untuk memudahkan pencarian, panel kiri menyediakan enam mode kategori data. Pengguna dapat menelusuri keseluruhan daftar putusan, memfilter khusus putusan yurisprudensi beserta relasi asalnya, atau melihat filter kasasi umum yang dilengkapi dengan detail hakim. Tersedia juga opsi untuk mengelompokkan putusan berdasarkan bidang hukum beserta sub-topiknya, menemukan putusan-putusan yang berada dalam bidang hukum yang sama, hingga melihat detail lengkap seluruh properti relevan untuk setiap putusan tanpa menampilkan properti internal.

Sementara itu, panel kanan berfungsi sebagai area hasil data. Informasi yang ditampilkan mencakup ID berupa tautan langsung ke Wikidata, nomor resmi putusan, label penanda jenis putusan, tanggal, pengadilan asal, serta nomor putusan asal khusus untuk kasus yurisprudensi. Pengguna juga dapat memanfaatkan tombol aksi di panel ini untuk mengekspor data ke dalam file CSV, membuat laporan teks lengkap, atau melakukan sinkronisasi untuk memperbarui data langsung dari Wikidata melalui kueri SPARQL.

No	Kategori	Tag	Fungsi
1	Semua Putusan MA	DASAR	Daftar lengkap 38 putusan (Yurisprudensi + Kasasi)
2	Yurisprudensi	YUR	Filter khusus putusan yurisprudensi + relasi "based on"
3	Kasasi Umum	KASASI	Filter kasasi + detail hakim lengkap
4	Putusan per Bidang	RELASI	Tampilkan berdasarkan bidang hukum (P921) dan sub-topik
5	Putusan se-Bidang	ANALISIS	Temukan putusan yang berbagi bidang hukum sama
6	Detail Lengkap	DETAIL	Semua properti relevan per putusan (tanpa properti internal)

Pada halaman depan ini di bagian panel kanan, tabel hasil menampilkan kolom-kolom berikut:

ID — QID Wikidata (berupa link langsung ke Wikidata)
PUTUSAN — Nomor resmi putusan (contoh: 179 K/Sip/1961)
JENIS — Badge: Kasasi atau Yurisprudensi
TANGGAL — Tanggal putusan dalam format YYYY-MM-DD
PENGADILAN — Mahkamah Agung Republik Indonesia
BASED ON (P144) — Nomor putusan asal (untuk yurisprudensi)

Tombol aksi yang disediakan antara lain:

⬇ CSV — Export data ke file CSV
📋 Buat Laporan — Generate laporan teks lengkap
🔄 Perbarui Data — Memperbarui dari Wikidata via SPARQL

1.2 Tampilan Halaman Uji Akurasi (Halusinasi)

Tab Uji Akurasi AI dirancang khusus untuk mendeteksi halusinasi dari kecerdasan buatan. Di dalamnya terdapat sub-tab navigasi untuk beralih antara mengecek jawaban AI dan mengaudit data Wikidata itu sendiri. Sebuah banner informatif menjelaskan proses kerja fitur ini dalam tiga langkah sederhana: pengguna menempelkan jawaban AI, sistem mencocokkannya dengan Wikidata, lalu menampilkan hasilnya. Sebagai contoh, jika AI memberikan informasi yang sesuai dengan Wikidata, statusnya dianggap benar, namun jika AI memberikan klaim yang tidak ada datanya, sistem akan menandainya sebagai halusinasi.

Proses pengujian dilakukan melalui formulir input yang terbagi menjadi dua panel berdampingan. Di sebelah kiri, pengguna dapat memilih putusan yang ingin dicek dari menu tarik-turun (dropdown) serta memilih sumber AI yang digunakan, seperti ChatGPT, Gemini, Claude, dan lainnya. Di sebelah kanan, pengguna cukup menempelkan teks jawaban AI yang ingin diverifikasi dan menekan tombol cek. Di balik layar, algoritma sistem menggunakan metode pencocokan string fuzzy dan perbandingan berbasis token untuk memvalidasi empat elemen utama: topik hukum, nomor putusan, nama hakim, dan tanggal putusan dengan data yang ada di Wikidata.

Hasil deteksi kemudian diklasifikasikan ke dalam empat status visual:

Sesuai (hijau) jika fakta AI cocok dengan Wikidata
Mirip (kuning) jika ada kesamaan parsial
Tidak Disebut (putih) jika AI melewatkan fakta tersebut
Dikarang atau Halusinasi (merah) jika AI memberikan informasi palsu

Selain itu, fitur Audit Data Wikidata bertugas memeriksa kualitas sumber data dengan mengevaluasi kelengkapan properti wajib, mencari inkonsistensi topik dan duplikasi hakim, serta mendeteksi nilai properti yang salah. Hasil audit ini akan menempatkan status setiap putusan dalam kategori lengkap, kurang, mencurigakan, atau buruk.

1.3 Tab Visualisasi Relasi (Graf)

Untuk menganalisis pola dan hubungan antar data, Tab Visualisasi Relasi menyediakan grafik interaktif dengan empat mode tampilan. Pengguna dapat memilih mode hierarki yang memetakan bidang hukum hingga ke sub-topik, mode yang menghubungkan yurisprudensi dengan putusan asalnya, mode yang mengaitkan putusan kasasi dengan hakimnya, atau mode gabungan dari seluruh relasi tersebut. Area ini juga dilengkapi kontrol untuk memuat ulang data serta mengunduh hasil visualisasi dalam format CSV maupun gambar PNG.

Dalam mode hierarki, visualisasi menampilkan metrik analisis jaringan yang mencakup 85 entitas (node) dan 89 relasi (edge). Jaringan ini tergolong jarang (sparse) dengan rata-rata 2,09 koneksi per entitas, dan terbagi ke dalam 13 kelompok komunitas berdasarkan algoritma Louvain clustering. Nilai modularitas yang sangat tinggi, yaitu 0,908, mengindikasikan bahwa kelompok-kelompok tersebut sangat terpisah; hal ini menunjukkan bahwa bidang-bidang hukum dalam dataset ini sangat terspesialisasi dan jarang saling bersinggungan.

Tampilan grafiknya sendiri menggunakan algoritma tata letak LinLog force-directed, di mana node-node yang saling berhubungan akan tarik-menarik. Entitas-entitas ini dibedakan secara visual: bidang hukum direpresentasikan dengan bentuk berlian, putusan MA dengan bentuk kotak berwarna oranye atau kuning, dan sub-topik dengan bentuk lingkaran. Warna pada setiap entitas juga disesuaikan untuk menunjukkan asal komunitas klaster mereka.

Efektivitas Konversi dan Kelengkapan Data di Wikidata

Sistem berhasil mengonversi dan mendaftarkan 38 putusan Mahkamah Agung RI ke dalam Wikidata Knowledge Graph. Cakupan dataset meliputi 19 yurisprudensi dan 19 kasasi umum, mencakup 22 bidang hukum, 28 sub-topik, dan 34 nama hakim yang terhubung ke putusan masing-masing, dengan rentang waktu historis dari tahun 1961 hingga 2018.

Properti	Kode	Tingkat Kelengkapan
Main Subject (Topik Hukum)	P921	100% (38/38)
Pengadilan (MA RI)	P4884	100% (38/38)
Tanggal Publikasi	P577	97% (37/38)
Relasi Based On (Yur → Kasasi)	P144	100% (19/19)
Data Hakim	P1594	79% (15/19)
Nomor Resmi (Citation)	P1031	79% (15/19)

Properti yang menjadi basis seluruh analisis, yaitu topik hukum (P921) dan identitas pengadilan (P4884) telah mencapai tingkat kelengkapan 100%. Ini membuktikan bahwa basis data Wikidata yang dibangun andal sebagai ground truth untuk pengujian halusinasi AI. Kelengkapan yang lebih rendah pada P1594 dan P1031 terkonsentrasi pada putusan kasasi dari era 1960-an dan 1970-an, yang secara historis sulit dicari data digitalnya.

Fitur Data Explorer: Inventarisasi Putusan dari Wikidata

Aplikasi ini berhasil menarik dan menampilkan seluruh 38 putusan MA dalam format tabel terstruktur, dilengkapi QID Wikidata yang langsung terhubung ke sumber data. Pengguna dapat mengeksplorasi data melalui enam mode query yang berbeda, mulai dari inventarisasi umum, filter per jenis putusan, eksplorasi per bidang hukum, hingga analisis relasi lintas-putusan.

Mode	Tag	Fungsi
Semua Putusan MA	DASAR	Inventarisasi lengkap 38 putusan
Yurisprudensi	YUR	19 putusan dengan relasi P144
Kasasi Umum	KASASI	19 putusan dengan detail hakim
Putusan per Bidang	RELASI	Dikelompokkan per topik P921
Putusan se-Bidang	ANALISIS	Putusan yang berbagi topik
Detail Lengkap	DETAIL	Semua properti per putusan

Setiap mode query menghasilkan keluaran yang dapat langsung diekspor ke format CSV, sehingga data Wikidata yang sudah terstruktur tersebut dapat diproses lebih lanjut menggunakan perangkat analisis eksternal seperti Excel, R, maupun Python.

Fitur Deteksi Halusinasi AI: Uji Akurasi terhadap Klaim LLM

Fitur ini mengimplementasikan inti dari penelitian: membuktikan bahwa Wikidata dapat berfungsi sebagai alat uji akurasi untuk mengevaluasi klaim yang dihasilkan LLM. Cara kerjanya adalah pengguna menempelkan jawaban teks bebas dari AI (ChatGPT, Gemini, Copilot, Claude, DeepSeek, atau Perplexity), lalu sistem mengurai klaim-klaim di dalamnya dan mencocokkannya dengan data faktual dari Wikidata menggunakan algoritma fuzzy string matching berbasis token.

Pengujian dilakukan terhadap jawaban ChatGPT pada putusan 4/Yur/Pid/2018 (Q138142402) dengan input: "Putusan ini adalah yurisprudensi Mahkamah Agung tentang penipuan yang dikeluarkan tahun 2018. Putusan ini membahas hukum pidana terkait korupsi dan pencurian."

Klaim AI	Fakta di Wikidata	Status Deteksi
"yurisprudensi Mahkamah Agung"	Benar — jenis: yurisprudensi	✅ SESUAI
"tentang penipuan"	Benar — topik P921: penipuan	✅ SESUAI
"dikeluarkan tahun 2018"	Tanggal P577: 2018-01-01	⚠️ MIRIP
"terkait korupsi"	Tidak ada topik korupsi di Wikidata	🚨 HALUSINASI
"pencurian"	Tidak ada topik pencurian di Wikidata	🚨 HALUSINASI

Hasil pengujian membuktikan secara empiris bahwa ChatGPT mengarang dua topik hukum yang tidak pernah ada dalam putusan tersebut — yakni "korupsi" dan "pencurian". Fenomena ini adalah contoh tipikal halusinasi LLM: AI menghasilkan informasi yang terdengar relevan secara kontekstual tetapi bertentangan dengan fakta resmi yang terverifikasi. Sistem berhasil mendeteksi dan mendokumentasikan halusinasi ini secara otomatis.

Visualisasi Graf Relasi: Analisis Jaringan Hukum

Fitur visualisasi pada aplikasi ini mengimplementasikan pemodelan jaringan (network graph) dari data Wikidata menggunakan algoritma Louvain community detection untuk pengelompokan otomatis dan LinLog force-directed layout untuk distribusi node yang natural. Pada aplikasi ini tersedia empat mode yang masing-masing mengungkap dimensi berbeda dari jaringan hukum yurisprudensi MA.

4.1 Mode Hierarki: Bidang Hukum → Putusan → Sub-topik

Metrik	Nilai
Total node (N)	85
Total edge (E)	89
Cluster terdeteksi	13
Modularity (Q)	0.9081
Network Density	0.0249

Mode ini memetakan tiga lapisan hierarkis: bidang hukum utama (node berlian ◆), putusan MA (node kotak ■), dan sub-topik turunan (node lingkaran ●). Nilai modularity sebesar Q = 0.9081 adalah temuan akademis yang signifikan: angka ini mendekati nilai maksimum teoritis (1.0), yang berarti algoritma Louvain berhasil mengidentifikasi 13 komunitas bidang hukum yang sangat terdefinisi dengan baik tanpa intervensi manual. Ini membuktikan bahwa bidang-bidang hukum dalam putusan MA bersifat sangat terspesialisasi — putusan tentang Hukum Waris tidak berbagi sub-topik dengan putusan Arbitrasi atau Hukum Pidana. Densitas jaringan yang sangat rendah (0.0249) mengkonfirmasi karakter ini: setiap putusan terhubung ke sangat sedikit node lain, mencerminkan spesialisasi yurisdiksi di Mahkamah Agung.

4.2 Mode Yurisprudensi → Based On: Genealogi Preseden Hukum

Metrik	Nilai
Total node (N)	85
Total edge (E)	108
Cluster terdeteksi	18
Modularity (Q)	0.8049
Network Density	0.0303

Mode ini memvisualisasikan relasi genealogi hukum melalui properti P144 (based on): bagaimana setiap yurisprudensi 2018 lahir dari putusan kasasi historis yang dianggap layak dijadikan preseden. Setiap yurisprudensi (node kuning) terhubung ke tepat satu putusan kasasi asal (node biru kehijauan), menciptakan pola relasi 1:1 yang seluruhnya lengkap. Rentang historis sangat lebar, putusan kasasi asal mencakup era dari 179 K/Sip/1961 hingga 421 K/TUN/2016, artinya penetapan yurisprudensi 2018 mengacu pada preseden yang tersebar selama 57 tahun. Graf ini membuktikan bahwa aplikasi ini berhasil merepresentasikan sistem hukum Indonesia secara terstruktur dan dapat di-query.

4.3 Mode Putusan → Hakim: Jaringan Majelis dan Senioritas

Metrik	Nilai
Total node (N)	55
Total edge (E)	105
Cluster terdeteksi	11
Modularity (Q)	0.735
Network Density	0.0707

Mode ini memetakan relasi antara putusan kasasi (node biru kotak) dengan hakim yang menanganinya (node ungu lingkaran) melalui properti P1594. Graf juga menunjukkan dengan jelas bahwa setiap putusan kasasi ditangani oleh tepat tiga hakim sesuai ketentuan majelis hakim MA, menghasilkan 105 edge dari 15 putusan yang memiliki data hakim. Densitas jaringan yang lebih tinggi (0.0707) dibandingkan mode lain mencerminkan bahwa hakim-hakim senior berperan sebagai hub yang menghubungkan banyak putusan: Soltoni Mohdally dengan empat putusan dan Sudrajad Dimyati di tiga putusan merupakan hakim yang paling banyak terlibat dalam putusan-putusan yang telah menjadi yurisprudensi. Selanjutnya, modularity yang lebih rendah dibandingkan mode hierarki (Q = 0.735) menunjukkan bahwa pembagian tugas hakim tidak sepenuhnya mengikuti batas bidang hukum, artinya beberapa hakim menangani lintas bidang perkara.

4.4 Mode Semua Relasi: Graf Komprehensif Lintas-Dimensi

Metrik	Nilai
Total node (N)	125
Total edge (E)	208
Cluster terdeteksi	32
Modularity (Q)	0.6149
Network Density	0.0268

Mode keempat menggabungkan seluruh relasi, hierarki topik, genealogi preseden, dan majelis hakim, ke dalam satu graf tunggal. Hasilnya adalah jaringan terbesar dengan 125 node dan 208 edge, menghasilkan visualisasi yang mengungkap posisi strategis setiap putusan dalam keseluruhan sistem. Modularity yang lebih rendah (Q = 0.6149) dibandingkan mode-mode sebelumnya adalah konsekuensi alamiah dari penggabungan: ketika tiga dimensi relasi digabung, node-node dari komunitas berbeda mulai terhubung satu sama lain, sehingga batas antar-cluster menjadi lebih permeabel. Graf ini memungkinkan identifikasi putusan-putusan pivotal, yakni putusan yang sekaligus memiliki topik yang banyak dibahas, menjadi basis preseden yurisprudensi, sekaligus ditangani oleh hakim-hakim dengan banyak pengalaman.

Self-Correction: Audit Data Wikidata

Salah satu keunggulan desain sistem ini adalah kemampuannya untuk mengaudit dan mengevaluasi kualitas datanya sendiri secara otomatis. Fitur Audit Data Wikidata ini merupakan mekanisme feedback loop terstruktur yang mengidentifikasi area perbaikan secara presisi hingga level QID dan properti individual.

Status	Jumlah	Persentase
Lengkap — semua properti wajib terisi	16	42%
Kurang — 1–2 properti opsional kosong	6	16%
Mencurigakan — inkonsistensi topik terdeteksi	13	34%
Buruk — properti wajib banyak yang kosong	3	8%

Distribusi ini harus dibaca dengan perspektif yang tepat: 42% data sudah dalam kondisi prima pada iterasi pertama pengisian. Angka 58% yang belum sempurna bukanlah indikasi kegagalan, melainkan target perbaikan yang sudah teridentifikasi secara otomatis oleh sistem. Sistem secara presisi menunjukkan tiga putusan kasasi lama (Q138715729, Q138715723, Q138715730) yang masih belum ada data hakim di Wikidata, dan empat pasangan yurisprudensi–kasasi yang topiknya tidak konsisten akibat perbedaan granularitas pengklasifikasian topik antara P921 versi Bahasa Indonesia dan Bahasa Inggris.

Kemampuan ini menjadikan sistem berfungsi sebagai sistem audit untuk perbaikan berkelanjutan: hasil audit menghasilkan analisis yang spesifik dan terukur, yang bila dikerjakan akan meningkatkan kualitas data di Wikidata, yang pada iterasi berikutnya akan menghasilkan analisis yang lebih akurat. Mekanisme ini merupakan keunggulan pendekatan Wikidata-first yang tidak dimiliki sistem berbasis dokumen konvensional.

Berdasarkan temuan audit self-correction, terdapat lima item perbaikan data yang sudah teridentifikasi secara spesifik beserta target QID-nya. Tiga putusan kasasi lama perlu dilengkapi properti P1594 (hakim), delapan entitas hakim perlu dikoreksi nilai P106-nya (occupation), dua entitas hakim yang terindikasi duplikat perlu di-merge, empat pasangan inkonsistensi topik yurisprudensi–kasasi perlu diselaraskan, dan sekitar dua puluh entitas hakim perlu ditambahkan P39 (jabatan yang pernah dipegang). Seluruh perbaikan ini dapat dilakukan langsung di antarmuka Wikidata menggunakan akun kontributor biasa.

Perlu pengembangan aplikasi ini pada tiga aspek strategis yaitu pertama, ekspansi dataset putusan MA ke cakupan tahun 2019–2024 untuk validasi apakah pola spesialisasi hukum yang ditemukan bersifat konsisten lintas-waktu; kedua, implementasi batch hallucination testing yang memungkinkan pengujian terhadap multiple AI secara bersamaan untuk menghasilkan leaderboard akurasi LLM di domain hukum Indonesia; dan ketiga, integrasi API Direktori Putusan MA RI untuk validasi silang otomatis antara data Wikidata dan sumber resmi lembaga yudisial.

Desain Wikidata-first memungkinkan sistem ini untuk terus berkembang secara iteratif: setiap siklus audit menghasilkan perbaikan data, setiap perbaikan data meningkatkan akurasi analisis, dan setiap analisis yang lebih akurat menghasilkan temuan yang lebih kuat. Aspek ini merupakan keunggulan fundamental dari pendekatan berbasis knowledge graph publik dibandingkan pendekatan basis data tertutup yang konvensional.

Diskusi

Implementasi knowledge graph berbasis Wikidata terhadap korpus putusan Mahkamah Agung secara spesifik terbukti dapat memetakan keterkaitan sistemik antara substansi perkara, silsilah preseden, dan komposisi majelis hakim yang selama ini terfragmentasi. Pendekatan ini membuktikan bahwa yurisprudensi merupakan struktur pengetahuan relasional di mana klaster bidang hukum yang terspesialisasi dan genealogi hukum lintas dekade dapat diidentifikasi secara presisi sebagai satu kesatuan data. Temuan ini membuktikan bahwa dalam kajian hukum dari interpretasi keterhubungan struktural yang lebih komprehensif dapat dilakukan dengan mempertimbangkan hubungan antara putusan dari beberapa aspek antar putusan, putusan dengan hakim, putusan dengan topik, dan keterhubungan beberapa aspek tersebut. Dengan demikian, penelitian ini berhasil mengungkap bahwa jalinan relasi antartopik serta dinamika aktor peradilan yang dapat dijadikan dasar analisis hukum secara lebih utuh. Selain itu, penelitian ini juga menunjukkan bahwa basis data hukum terstruktur dapat berfungsi sebagai perangkat verifikasi terhadap keluaran AI, terutama ketika sistem generatif menghasilkan atribusi hukum yang tampak meyakinkan tetapi tidak sesuai dengan data terverifikasi.

Selama ini keterkaitan antara substansi perkara, silsilah preseden, dan komposisi majelis hakim sebenarnya sudah melekat di dalam korpus putusan Mahkamah Agung. Hanya saja keterkaitan tersebut tidak terbaca secara utuh ketika data hukum masih tersaji dalam bentuk dokumen dan tabel yang terpisah-pisah. Ketika setiap putusan dimodelkan ke dalam entitas dan properti yang seragam di Wikidata, relasi yang sebelumnya tersembunyi itu menjadi dapat ditelusuri secara sistematis sebagai satu kesatuan data. Karena itu, klaster bidang hukum yang terspesialisasi, keterhubungan antarputusan melalui relasi preseden, dan pola keterlibatan hakim sebenarnya merupakan struktur laten yang sejak awal memang terkandung di dalam korpus hukum tersebut. Oleh karena itu, cara representasi data hukum yang selama ini ada ternyata belum memungkinkan pola itu dibaca secara komprehensif. Dengan demikian, penelitian ini menunjukkan bahwa knowledge graph adalah medium yang memungkinkan hubungan antarunsur hukum dipahami secara lebih utuh daripada pembacaan putusan yang berdiri sendiri.

Dalam perspektif legal network analysis, putusan, hakim, dan topik hukum diperlakukan sebagai nodes, sedangkan relasi preseden, relasi topik, dan keterlibatan hakim diperlakukan sebagai edges. Hasil penelitian kami menunjukkan bahwa jaringan putusan Mahkamah Agung memiliki karakter community structure. Artinya, setiap klaster merepresentasikan komunitas hukum yang berkembang melalui kedekatan substansi perkara dan melalui kesinambungan rujukan antarputusan. Oleh sebab itu, temuan ini juga menunjukkan bahwa yurisprudensi Indonesia tersusun dalam sub-jaringan yang relatif stabil, sehingga perkembangan hukum dapat dibaca sebagai proses penguatan komunitas-komunitas bidang hukum tertentu. Dalam konteks ini, analisis legal knowledge graph membuktikan bahwa pemosisian yurisprudensi sebagai preseden atas satu putusan spesifik sebenarnya kurang komprehensif.

Dalam perspektif judicial precedent, relasi yurisprudensi–based on memperlihatkan bahwa kesinambungan preseden di Indonesia merupakan bentuk pola hubungan antar putusan yang harus ditafsirkan secara sistematis. Penggunaan yurisprudensi tidak boleh dilakukan dengan hanya mendasarkan pada satu putusan tertentu saja. Yurisprudensi sebagaimana ditemukan dalam analisis jaringan terbentuk melalui pola keterulangan, intensitas rujukan, dan posisi putusan tersebut di dalam jaringan topik serta jaringan aktor yudisial. Oleh sebab itu, interpretasi yurisprudensi seharusnya bertumpu pada pembacaan atas keseluruhan konfigurasi hubungan antarputusan. Dalam kerangka ini, preseden merupakan bentuk penguatan relasi antarputusan yang berkembang secara kumulatif dan menjadi model dalam analisis hukum secara lebih sistematis.

Berbeda dari penelitian-penelitian terdahulu yang umumnya menekankan pembangunan legal knowledge graph untuk tujuan linked open data, ekstraksi entitas, atau peningkatan retrieval—seperti Semantic Finlex dan LawSampo di Finlandia (Oksanen et al., 2018; Hyvönen et al., 2019), JudgmentGraph di India (Ajay Mukund & Easwararkumar, 2025), serta pengembangan graf hukum di Prancis, Vietnam, Tiongkok, dan Jerman yang lebih berfokus pada konstruksi relasi atau pencarian informasi (Belikov & Raoult, 2025; Vuong et al., 2023; Dong et al., 2021)—penelitian ini menawarkan perluasan yang lebih substantif pada tiga level sekaligus. Pertama, penelitian ini memindahkan fokus dari sekadar pembangunan infrastruktur data menuju pembacaan struktural atas korpus putusan Mahkamah Agung Indonesia, sehingga relasi antara topik hukum, silsilah preseden, dan komposisi hakim dapat dianalisis sebagai satu jaringan yang utuh. Kedua, jika studi-studi berbasis Wikidata dan GraphRAG mutakhir masih lebih banyak berkembang pada domain umum atau baru menyentuh hukum pada level retrieval dan benchmarking (Lewis et al., 2020; Karpukhin et al., 2020; Ongris et al., 2025; Darari et al., 2025), penelitian ini menunjukkan bahwa Wikidata juga dapat difungsikan sebagai infrastruktur analitis untuk menelaah dinamika yurisprudensi Indonesia secara lebih mendalam. Ketiga, novelty utama penelitian ini terletak pada integrasi yang belum banyak dilakukan dalam studi sebelumnya, yakni penggabungan pemodelan graf hukum, audit kualitas data berbasis constraint checking, dan penggunaan basis data publik terstruktur sebagai perangkat verifikasi terhadap keluaran AI. Karena itu, kontribusi penelitian ini tidak berhenti pada penyusunan knowledge graph hukum, tetapi memperluas fungsi knowledge graph menjadi medium untuk membaca struktur yurisprudensi, mengevaluasi kualitas representasi datanya, dan menyiapkan fondasi verifikasi pengetahuan hukum di era AI.

Atas dasar itu, pengembangan knowledge graph hukum berbasis Wikidata perlu dipandang sebagai langkah strategis untuk memperkuat metode riset hukum, tata kelola pengetahuan yudisial, dan ekosistem verifikasi hukum di era AI. Bagi kajian hukum, pendekatan ini membuka kemungkinan untuk meneliti putusan secara lebih telusur, sistematis, dan lintas-relasi, sehingga analisis yurisprudensi dapat diperluas ke pembacaan pola, keterhubungan, dan posisi suatu putusan dalam jaringan preseden yang lebih luas. Bagi pengelolaan data hukum, penelitian ini menunjukkan perlunya standardisasi metadata putusan, pengayaan properti hakim dan topik hukum, serta integrasi yang lebih erat antara sumber resmi peradilan dan basis data terbuka agar kualitas representasi hukum dapat terus ditingkatkan. Adapun bagi pengembangan AI hukum, penelitian ini menegaskan bahwa sistem generatif tidak seharusnya diandalkan tanpa mekanisme grounding dan verifikasi berbasis data terstruktur, sejalan dengan literatur yang menekankan pentingnya retrieval dan provenance dalam sistem pengetahuan berbantuan AI (Lewis et al., 2020; Karpukhin et al., 2020; Ongris et al., 2025). Oleh karena itu, penelitian ini merekomendasikan perlunya perluasan korpus putusan secara lebih temporal dan substantif, penyempurnaan audit kualitas data secara berkelanjutan, serta pengembangan sistem verifikasi AI hukum yang ditopang oleh knowledge graph publik agar riset dan pemanfaatan hukum digital di Indonesia menjadi lebih akurat, terbuka, dan dapat dipertanggungjawabkan.

Kesimpulan

Daftar Pustaka

Oksanen, A., M. Tamper, J. Tuominen, E. Mäkelä, A. Hietanen, and E. Hyvönen. 2018. "Semantic Finlex: Transforming, Publishing, and Using Finnish Legislation and Case Law As Linked Open Data on the Web." Unknown Journal: 212–228. https://doi.org/10.3233/FAIA190023
Hyvönen, E., Tamper, M., Ikkala, E., Sarsa, S., Oksanen, A., Tuominen, J., & Hietanen, A. (2019). LawSampo: A semantic portal on a linked open data service for Finnish legislation and case law. In Frontiers in Artificial Intelligence and Applications: Proceedings of the 32nd International Conference on Legal Knowledge and Information Systems (JURIX 2019) (Vol. 322, pp. 215–220). IOS Press. https://doi.org/10.3233/FAIA190326
Ajay Mukund, S., & Easwararkumar, K. S. (2025). JudgmentGraph: Benchmarking legal knowledge graph construction from supreme court rulings. In 2025 3rd International Conference on Self Sustainable Artificial Intelligence Systems (ICSSAS) (pp. 1–6). IEEE. https://doi.org/10.1109/ICSSAS66150.2025.11081258
Frosterus, M., Tuominen, J., & Hyvönen, E. (2014). Facilitating re-use of legal data in applications—Finnish law as a linked open data service. In Legal Knowledge and Information Systems: JURIX 2014: The Twenty-Seventh Annual Conference (Vol. 271, pp. 115–124). IOS Press. https://doi.org/10.3233/978-1-61499-468-8-115
Belikov, A. V., & Raoult, S. (2025). Knowledge graphs construction from criminal court appeals: Insights from the French Cassation Court. arXiv. https://doi.org/10.48550/arXiv.2501.14579
Vuong, T. H. Y., Hoang, M. Q., Nguyen, T. M., Nguyen, H. T., & Nguyen, H. T. (2023). Constructing a knowledge graph for Vietnamese legal cases with heterogeneous graphs. In 2023 15th International Conference on Knowledge and Systems Engineering (KSE) (pp. 1–6). IEEE. https://doi.org/10.1109/KSE59128.2023.10299526
Dong, B., Yu, H., & Li, H. (2021). A knowledge graph construction approach for legal domain. Tehnički vjesnik, 28(2), 357–362. https://doi.org/10.17559/TV-20201119084338
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://arxiv.org/abs/2005.11401
Karpukhin, V., Oguz, B., Min, S., Wu, L., Edunov, S., Chen, D., & Yih, W.-t. (2020). Dense passage retrieval for open-domain question answering. Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6769–6781. https://doi.org/10.18653/v1/2020.emnlp-main.550
Ongris, J. G., Tjitrahardja, E., Darari, F., & Ekaputra, F. J. (2025). FrOG: Framework of Open GraphRAG. CEUR Workshop Proceedings, 4020, 116–134.
Darari, F., Ongris, J. G., Tobing, B. C. L., Faisal, D. R., & Lee, O. (2025). Exploring Wikidata as a global-scale knowledge graph for human resource management. Proceedings of the Wikidata Workshop 2025.
Ongris, J. G., Darari, F., & Ekaputra, F. J. (2025). Benchmarking KG-based RAG systems: A case study of legal documents. CEUR Workshop Proceedings, 4079.
de Martim, H., et al. (2025). An ontology-driven graph retrieval-augmented generation for legal norms. arXiv. https://arxiv.org/abs/2505.00039
Fon, V., & Parisi, F. (2006). Judicial precedents in civil law systems: A dynamic analysis. International Review of Law and Economics, 26(4), 519–535.
Regeru, N. (2012). The doctrine of judicial precedent (stare decisis): A critical appraisal of recent decisions made by the High Court and the Court of Appeal of Kenya [Master of Laws research project, University of Nairobi].
Indonesia. (2009). Undang-Undang Republik Indonesia Nomor 48 Tahun 2009 tentang Kekuasaan Kehakiman.
Ketua Mahkamah Agung Republik Indonesia. (2011). Keputusan Ketua Mahkamah Agung Republik Indonesia Nomor 142/KMA/SK/IX/2011 tentang Pedoman Penerapan Sistem Kamar di Mahkamah Agung.
Mahkamah Agung Republik Indonesia. (2020, July 21). Pembangunan hukum perdata melalui yurisprudensi.
Fowler, J. H., & Jeon, S. (2008). The authority of Supreme Court precedent. Social Networks, 30(1), 16–30. https://doi.org/10.1016/j.socnet.2007.05.001
Fowler, J. H., Johnson, T. R., Spriggs II, J. F., Jeon, S., & Wahlbeck, P. J. (2007). Network analysis and the law: Measuring the legal importance of Supreme Court precedents. Political Analysis, 15(3), 324–346. https://doi.org/10.1093/pan/mpm011
van Kuppevelt, D., van Dijck, G., & Schaper, M. (2020). Purposes and challenges of legal citation network analysis on case law. In R. Whalen (Ed.), Computational legal studies: The promise and challenge of data-driven research (pp. 265–292). Edward Elgar Publishing. https://doi.org/10.4337/9781788977456.00017
Winkels, R., & de Ruyter, J. (2012). Survival of the fittest: Network analysis of Dutch Supreme Court cases. In M. Palmirani, U. Pagallo, P. Casanovas, & G. Sartor (Eds.), AI Approaches to the Complexity of Legal Systems (Lecture Notes in Computer Science, Vol. 7639, pp. 106–115). Springer. https://doi.org/10.1007/978-3-642-35731-2_7