Predictive Policing dan Risiko Diskriminasi Berbasis SARA: Tantangan Penerapannya di Indonesia

 Latar Belakang

Perkembangan teknologi informasi telah mendorong perubahan dalam strategi kepolisian. Kepolisian tidak lagi hanya mengandalkan laporan masyarakat, patroli rutin, informasi intelijen, dan pengalaman petugas, tetapi mulai memanfaatkan pengolahan data untuk memperkirakan lokasi, waktu, atau pihak yang memiliki risiko keterlibatan dalam suatu tindak kejahatan. Pendekatan ini dikenal sebagai predictive policing. Melalui analisis data historis, sistem berusaha menemukan pola yang dapat digunakan untuk membantu menentukan prioritas patroli, mengalokasikan sumber daya, dan mencegah terjadinya kejahatan.

Secara konseptual, predictive policing menawarkan manfaat yang besar. Kepolisian dapat menggunakan sumber daya secara lebih terarah, terutama ketika jumlah personel dan anggaran terbatas. Data mengenai waktu kejadian, lokasi, modus operandi, karakteristik wilayah, serta pola kriminalitas dapat diolah untuk menghasilkan prediksi mengenai risiko kejahatan. Moses dan Chan (2018) menjelaskan bahwa sistem prediksi kepolisian pada dasarnya dibangun untuk memperkirakan tempat dan waktu terjadinya kejahatan sehingga keputusan operasional dapat dibuat secara lebih sistematis.

Namun, istilah “prediksi” tidak boleh dipahami sebagai kemampuan untuk mengetahui secara pasti bahwa seseorang atau kelompok akan melakukan kejahatan. Algoritma hanya menghitung kemungkinan berdasarkan pola data sebelumnya. Hasilnya sangat bergantung pada kualitas data, pemilihan variabel, desain sistem, dan cara petugas menggunakan hasil prediksi. Karena itu, penggunaan algoritma tidak secara otomatis menghasilkan keputusan yang objektif.

Masalah tersebut menjadi sangat penting apabila predictive policing akan diterapkan di Indonesia. Indonesia memiliki masyarakat yang sangat beragam dari segi suku, agama, ras, antargolongan, kondisi sosial, dan tingkat ekonomi. Dalam keadaan demikian, kesalahan pengolahan data dapat menimbulkan diskriminasi berbasis SARA. Teknologi yang seharusnya membantu polisi melindungi masyarakat justru dapat memperkuat stigma, meningkatkan pengawasan terhadap kelompok tertentu, dan mengurangi kepercayaan masyarakat kepada kepolisian.

Substansi/Pembahasan

Cara Kerja dan Potensi Manfaat Predictive Policing

Secara umum, predictive policing dapat dibedakan menjadi dua bentuk. Pertama, prediksi berbasis wilayah yang memperkirakan tempat dan waktu dengan risiko kejahatan tinggi. Kedua, prediksi berbasis individu yang memberikan penilaian risiko kepada seseorang berdasarkan riwayat, hubungan sosial, pola aktivitas, atau kedekatannya dengan pelaku maupun korban kejahatan.

Dalam bentuk berbasis wilayah, sistem dapat membantu kepolisian menentukan daerah yang membutuhkan patroli lebih intensif. Apabila data menunjukkan bahwa pencurian kendaraan bermotor sering terjadi pada waktu dan lokasi tertentu, polisi dapat meningkatkan kehadiran pada titik tersebut. Dalam bentuk berbasis individu, sistem dapat digunakan untuk mengidentifikasi orang yang dinilai berisiko menjadi pelaku atau korban kekerasan.

Pemanfaatan tersebut berpotensi meningkatkan efektivitas kepolisian. Akan tetapi, manfaat itu hanya dapat diperoleh apabila data yang digunakan benar-benar menggambarkan tingkat kejahatan. Persoalannya, data kepolisian tidak selalu mencerminkan seluruh kejahatan yang terjadi. Data tersebut lebih sering menggambarkan kejahatan yang dilaporkan, ditemukan, dicatat, dan diproses oleh aparat. Kejahatan yang tidak dilaporkan atau tidak terdeteksi tidak akan masuk ke dalam sistem.

Data Historis Tidak Selalu Netral

Algoritma belajar dari data masa lalu. Apabila data historis mengandung ketimpangan atau bias, hasil prediksi dapat mereproduksi ketimpangan tersebut. Hung dan Yen (2023) menerangkan bahwa algoritma predictive policing dapat menghasilkan diskriminasi ketika data, model, dan praktik kepolisian yang mendasarinya telah dipengaruhi oleh ketidaksetaraan sosial.

Sebagai contoh, suatu wilayah yang sebelumnya sering menjadi sasaran patroli akan menghasilkan lebih banyak catatan pelanggaran dibandingkan wilayah yang jarang diawasi. Banyaknya catatan tersebut kemudian dibaca oleh algoritma sebagai bukti bahwa wilayah itu memiliki tingkat kriminalitas tinggi. Sistem lalu merekomendasikan penambahan patroli di wilayah yang sama. Kehadiran polisi yang semakin intensif akan menghasilkan lebih banyak penemuan pelanggaran dan penangkapan. Data baru tersebut kembali dimasukkan ke dalam sistem dan memperkuat anggapan bahwa wilayah tersebut berbahaya.

Proses ini disebut feedback loop. Ensign et al. (2018) menunjukkan bahwa sistem prediksi dapat terus mengarahkan polisi ke lingkungan yang sama, bahkan ketika tingkat kejahatan sebenarnya tidak jauh berbeda dengan wilayah lain. Dengan demikian, algoritma bukan hanya membaca realitas, tetapi juga dapat membentuk realitas melalui keputusan penempatan personel dan intensitas pengawasan.

Dalam konteks Indonesia, pola tersebut dapat menimbulkan masalah apabila wilayah tertentu identik dengan kelompok suku, agama, pendatang, masyarakat miskin, atau kelompok sosial tertentu. Data geografis memang tampak netral, tetapi dapat berfungsi sebagai variabel pengganti atau proxy bagi identitas SARA. Walaupun sistem tidak memasukkan variabel suku atau agama secara langsung, penggunaan alamat, bahasa, lingkungan tempat tinggal, jaringan pertemanan, jenis pekerjaan, atau kegiatan sosial dapat menghasilkan dampak diskriminatif.

Risiko Stigmatisasi Berbasis SARA

Risiko utama predictive policing bukan hanya kesalahan prediksi, tetapi juga perubahan cara polisi memandang individu dan kelompok. Seseorang yang tinggal di wilayah yang dikategorikan berisiko dapat lebih sering dihentikan, diperiksa, diawasi, atau dicurigai meskipun belum melakukan tindak pidana. Prediksi kemudian berpotensi berubah menjadi prasangka yang mendapat legitimasi teknologi.

Masalah ini bertentangan dengan prinsip praduga tidak bersalah dan persamaan di hadapan hukum. DaViera et al. (2024), dalam penelitian terhadap sistem penilaian risiko kepolisian di Chicago, menemukan bahwa skor risiko yang dihasilkan algoritma berkaitan dengan ketimpangan rasial, meskipun faktor kondisi wilayah telah diperhitungkan. Temuan ini menunjukkan bahwa klaim objektivitas ilmiah tidak cukup untuk membuktikan bahwa suatu sistem bebas dari diskriminasi.

Di Indonesia, dampaknya dapat lebih sensitif karena hubungan antaridentitas dan keamanan memiliki sejarah yang kompleks. Apabila suatu komunitas agama, kelompok etnis, organisasi, atau masyarakat dari wilayah tertentu terlalu sering dikategorikan berisiko, sistem dapat memperkuat stereotip bahwa kelompok tersebut dekat dengan kriminalitas, radikalisme, konflik, atau gangguan keamanan. Kesalahan tersebut tidak hanya merugikan individu, tetapi juga dapat menimbulkan ketegangan sosial dan mengurangi legitimasi kepolisian.

Perlindungan Data dan Akuntabilitas Keputusan

Penerapan predictive policing membutuhkan pengumpulan dan penggabungan data dalam jumlah besar. Data tersebut dapat meliputi identitas, alamat, biometrik, catatan kejahatan, hubungan keluarga, jaringan sosial, riwayat perjalanan, serta pola komunikasi. Pemrosesan semacam ini harus tunduk pada prinsip kebutuhan, pembatasan tujuan, keamanan, dan akuntabilitas.

Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi menetapkan bahwa catatan kejahatan dan data biometrik termasuk data pribadi yang bersifat spesifik, sedangkan agama termasuk data pribadi yang bersifat umum. Pemrosesan data oleh lembaga negara tetap harus memiliki dasar hukum, tujuan yang jelas, serta perlindungan terhadap hak subjek data. (JDIH Kemkomdigi)

Selain itu, Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial menggariskan prinsip inklusivitas, kemanusiaan, keamanan, transparansi, akuntabilitas, dan pelindungan data pribadi. Pedoman tersebut juga menegaskan bahwa kecerdasan artifisial tidak seharusnya menjadi penentu tunggal kebijakan atau keputusan yang menyangkut kemanusiaan serta harus mencegah rasisme dan tindakan yang merugikan manusia. (JDIH Kemkomdigi)

Karena itu, keluaran algoritma tidak boleh langsung digunakan sebagai dasar penangkapan, penggeledahan, penyitaan, atau tindakan paksa. Prediksi hanya dapat menjadi informasi awal yang harus diuji dengan fakta, alat bukti, ketentuan hukum, dan penilaian profesional petugas. Penggunaan istilah “sistem hanya memberikan rekomendasi” juga tidak cukup apabila dalam praktiknya petugas selalu mengikuti hasil algoritma tanpa melakukan pemeriksaan kritis.

Syarat Penerapan di Indonesia

Indonesia tidak perlu menolak teknologi secara mutlak, tetapi tidak boleh mengadopsinya secara tergesa-gesa. Sebelum diterapkan, setidaknya diperlukan audit kualitas data, pengujian dampak diskriminatif, transparansi mengenai variabel yang digunakan, dan evaluasi berkala terhadap tingkat kesalahan prediksi.

Sistem juga harus melibatkan pengawasan manusia yang bermakna. Petugas wajib memahami keterbatasan algoritma dan mampu menyimpang dari rekomendasi apabila hasilnya tidak sesuai dengan fakta. Biddle (2022) menekankan bahwa penerapan algoritma kepolisian yang adil membutuhkan keterlibatan masyarakat terdampak dan tidak semata-mata diarahkan pada tindakan penegakan hukum. Karena itu, prediksi risiko wilayah sebaiknya juga digunakan untuk intervensi nonpenal, seperti peningkatan penerangan, perbaikan ruang publik, edukasi, pelayanan sosial, dan penguatan keamanan lingkungan.

Selain itu, perlu tersedia mekanisme keberatan dan koreksi bagi individu atau komunitas yang dirugikan. Sistem yang tidak dapat dijelaskan, tidak dapat diaudit, dan tidak menyediakan mekanisme koreksi tidak layak digunakan untuk keputusan kepolisian yang berdampak terhadap hak warga negara. Audit independen harus dilakukan bukan hanya terhadap akurasi teknis, tetapi juga terhadap dampak sosial, hukum, dan HAM. Lee dan Singh (2022) menyatakan bahwa audit kecerdasan artifisial diperlukan untuk menilai asumsi desain sistem dan mencegah teknologi menghasilkan pelabelan serta pengawasan diskriminatif terhadap kelompok yang secara historis terpinggirkan.

Kesimpulan

Predictive policing dapat membantu kepolisian Indonesia mengolah data, menentukan prioritas patroli, dan mengalokasikan sumber daya secara lebih efisien. Namun, teknologi tersebut tidak netral. Algoritma belajar dari data historis yang dapat mengandung ketimpangan dalam pelaporan, pengawasan, penangkapan, dan pemrosesan perkara.

Dalam masyarakat Indonesia yang beragam, penggunaan data wilayah, hubungan sosial, agama, bahasa, pekerjaan, dan kondisi ekonomi dapat menimbulkan diskriminasi berbasis SARA, baik secara langsung maupun melalui variabel pengganti. Risiko terbesar muncul ketika hasil prediksi diperlakukan sebagai kebenaran objektif dan digunakan untuk membenarkan pengawasan berlebihan terhadap kelompok tertentu.

Oleh karena itu, penerapan predictive policing harus dibatasi oleh hukum, prinsip HAM, perlindungan data pribadi, audit algoritma, transparansi, pengawasan manusia, serta mekanisme pertanggungjawaban. Algoritma seharusnya membantu polisi memahami risiko, bukan menentukan siapa yang harus dicurigai. Kepolisian yang presisi tidak cukup hanya berbasis teknologi, tetapi harus tetap berbasis hukum, bukti, profesionalisme, dan penghormatan terhadap martabat manusia.

Daftar Pustaka

Biddle, J. B. (2022). Fairness in algorithmic policing. Journal of the American Philosophical Association, 8(4), 741–761. https://doi.org/10.1017/apa.2021.39

DaViera, A. L., Roy, A. L., Uriostegui, M., & Fiesta, D. (2024). Risk, race, and predictive policing: A critical race theory analysis of the Strategic Subject List. American Journal of Community Psychology, 73(1–2), 87–102. https://doi.org/10.1002/ajcp.12671

Ensign, D., Friedler, S. A., Neville, S., Scheidegger, C., & Venkatasubramanian, S. (2018). Runaway feedback loops in predictive policing. In S. A. Friedler & C. Wilson (Eds.), Proceedings of the 1st Conference on Fairness, Accountability and Transparency (pp. 160–171). PMLR.

Hung, T.-W., & Yen, C.-P. (2023). Predictive policing and algorithmic fairness. Synthese, 201, Article 206. https://doi.org/10.1007/s11229-023-04189-0

Indonesia. (2022). Undang-Undang Republik Indonesia Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Kementerian Komunikasi dan Informatika Republik Indonesia. (2023). Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial.

Lee, M. S. A., & Singh, J. (2022). AI audits for assessing design logics and building ethical systems: The case of predictive policing algorithms. AI and Ethics, 2, 199–208. https://doi.org/10.1007/s43681-021-00117-5

Moses, L. B., & Chan, J. (2018). Algorithmic prediction in policing: Assumptions, evaluation, and accountability. Policing and Society, 28(7), 806–822. https://doi.org/10.1080/10439463.2016.1253695