Predictive Policing dan Risiko Diskriminasi SARA: Tantangan Penerapannya di Indonesia

 

Bayangkan sebuah sistem memberi tanda merah pada satu kampung: wilayah itu dinilai “berisiko tinggi” mengalami kejahatan dalam tujuh hari ke depan. Patroli ditambah. Pemeriksaan diperbanyak. Warga di wilayah itu lalu makin sering tercatat dalam data kepolisian. Ketika data baru dimasukkan kembali ke sistem, wilayah yang sama kembali memperoleh skor tinggi.

Mesin terlihat akurat, padahal yang mungkin sedang diukur bukan semata-mata kejahatan, melainkan intensitas pengawasan negara di lokasi tersebut.

Itulah masalah mendasar predictive policing. Teknologi ini tidak benar-benar meramal kejahatan. Ia mengolah data masa lalu—laporan polisi, waktu dan lokasi kejadian, pola panggilan layanan, atau catatan penegakan hukum—untuk memperkirakan risiko di masa dekat. Pada penggunaan terbatas, teknologi dapat membantu menentukan prioritas patroli dan pencegahan kejahatan.

Namun, ketika prediksi risiko bergeser dari tempat dan peristiwa menjadi orang atau kelompok, bahayanya meningkat tajam. Di negara majemuk seperti Indonesia, kesalahan desain dapat menjadikan identitas suku, agama, ras, dan antargolongan atau variabel penggantinya sebagai jalur untuk membebani kelompok tertentu dengan kecurigaan. Ini bukan sekadar persoalan teknis. Ini persoalan legalitas, hak asasi, legitimasi Polri, dan kualitas penegakan hukum.

Data tidak otomatis netral

Kesalahan pertama adalah menganggap data sebagai fakta yang bersih dari nilai. Data kepolisian memang mencatat kejadian, tetapi juga merekam apa yang dilaporkan, lokasi mana yang lebih sering dipatroli, siapa yang lebih mudah diperiksa, dan perkara mana yang ditindaklanjuti.

Karena itu, angka tinggi pada suatu wilayah tidak otomatis berarti penduduk di wilayah itu lebih kriminal. Bisa saja angka tersebut mencerminkan akses pelaporan yang lebih baik, konsentrasi aktivitas ekonomi, atau kehadiran aparat yang lebih padat.

Jika data historis memuat ketimpangan pengawasan, algoritma dapat mewariskan ketimpangan itu dalam bentuk skor risiko. Bahayanya bertambah ketika sistem menggunakan variabel yang tampak netral—kode pos, pola mobilitas, sekolah, pekerjaan, bahasa, atau jejaring sosial—tetapi di lapangan berkorelasi kuat dengan identitas SARA atau kelas sosial.

Menghapus kolom “agama” dari basis data tidak cukup bila sejumlah variabel lain masih bekerja sebagai penggantinya.

Efisiensi tidak boleh mengalahkan due process

Informasi analitis selalu berguna bagi kepolisian. Penyidik dan fungsi intelijen perlu membaca pola, menghubungkan peristiwa, dan menentukan prioritas sumber daya yang terbatas.

Tetapi analisis risiko bukan bukti tindak pidana, bukan alasan tunggal untuk menghentikan seseorang, dan bukan dasar menetapkan tersangka.

Prediksi dapat membantu pertanyaan awal: di mana pencegahan perlu diperkuat? Prediksi tidak boleh menjawab pertanyaan akhir: siapa yang bersalah?

Undang-Undang Pelindungan Data Pribadi memberi hak kepada subjek data untuk mengajukan keberatan atas keputusan yang hanya didasarkan pada pemrosesan otomatis, termasuk pemrofilan, apabila menimbulkan akibat hukum atau dampak signifikan. UU ini juga mewajibkan penilaian dampak untuk pemrosesan berisiko tinggi. UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi

Surat Edaran Menteri Kominfo Nomor 9 Tahun 2023 juga menekankan inklusivitas, kemanusiaan, transparansi, akuntabilitas, dan pelindungan data pribadi. AI diposisikan sebagai pendukung aktivitas manusia, bukan penentu kebijakan atau pengambil keputusan yang menyangkut kemanusiaan. SE Menkominfo No. 9 Tahun 2023

Artinya tegas: petugas tidak dapat bersembunyi di balik alasan, “sistem yang merekomendasikan.” Manusia tetap wajib mengambil keputusan, menjelaskan dasar tindakannya, dan menanggung pertanggungjawaban hukumnya.

Risiko terbesar ada pada pemolisian berbasis orang

Sistem yang menganalisis pola pencurian kendaraan di koridor tertentu pada jam tertentu masih dapat dibatasi dan diuji manfaatnya. Objeknya adalah pola kejadian dan ruang publik.

Sebaliknya, sistem yang memberi skor kepada individu atau kelompok sebagai “calon pelaku” adalah wilayah yang jauh lebih berbahaya. Seseorang dapat dipandang berisiko padahal tidak pernah melakukan tindak pidana. Kesalahan itu dapat memicu stigma, pemeriksaan berulang, gangguan terhadap pekerjaan, sampai kekerasan dalam interaksi dengan aparat.

Dalam konteks Indonesia, pemolisian berbasis orang juga dapat memperuncing ketegangan sosial. Jika warga menyimpulkan bahwa kelompok agama, etnis, pendatang, atau penghuni kawasan tertentu lebih sering dicurigai karena sistem, kepercayaan kepada negara akan turun.

Padahal, kepercayaan publik adalah sumber informasi paling penting bagi kepolisian. Ketika masyarakat enggan melapor atau memberi keterangan, kemampuan negara untuk mencegah dan mengungkap kejahatan justru melemah.

Konstitusi menjamin bahwa setiap orang berhak bebas dari perlakuan diskriminatif atas dasar apa pun serta berhak mendapat perlindungan dari perlakuan tersebut. UUD NRI Tahun 1945, Pasal 28I ayat (2)

Tujuh pagar sebelum sistem dipakai

Indonesia tidak perlu menolak seluruh bentuk analitik prediktif. Yang harus ditolak adalah adopsi malas: membeli sistem, mengunggah data, lalu menganggap keluaran algoritma sebagai kebenaran operasional.

Pertama, tujuan harus sah, spesifik, dan proporsional. Sistem harus menjawab masalah keamanan yang nyata, misalnya pencegahan pencurian kendaraan pada jam dan koridor tertentu.

Kedua, prioritaskan prediksi berbasis tempat dan pola kejadian, bukan pemeringkatan individu. Sistem tidak boleh memberi label “calon pelaku” atau “orang berisiko” kepada warga.

Ketiga, lakukan penilaian dampak sebelum penggunaan. Penilaian harus memeriksa dasar hukum, kebutuhan, proporsionalitas, keamanan data, kemungkinan salah prediksi, dan dampak berbeda terhadap kelompok sosial.

Keempat, uji bias dan akurasi secara independen. Vendor tidak boleh menjadi satu-satunya pihak yang menyatakan sistemnya adil. Audit harus mengukur kesalahan prediksi dan memeriksa apakah penambahan patroli justru menciptakan umpan balik data.

Kelima, tetapkan human review yang nyata. Keluaran algoritma tidak boleh menjadi dasar tunggal untuk pemeriksaan, penggeledahan, penangkapan, atau tindakan paksa lain.

Keenam, bangun transparansi yang aman. Publik tidak perlu mengetahui formula rinci sistem, tetapi berhak mengetahui tujuan, jenis data, wilayah penerapan, batas penggunaan, serta mekanisme pengaduannya.

Ketujuh, sediakan pengawasan eksternal dan jalur pemulihan. Warga yang dirugikan harus memiliki kanal pengaduan yang jelas. Kontrak dengan vendor harus menjamin akses audit, keamanan data, dan larangan penggunaan ulang data untuk kepentingan komersial.

Penutup

Predictive policing tidak boleh diperlakukan sebagai jalan pintas atas keterbatasan personel atau kompleksitas kejahatan. Jika diterapkan tanpa tata kelola, teknologi ini berpotensi memberi wajah ilmiah kepada prasangka lama dan mengubah keragaman sosial menjadi variabel risiko.

Algoritma boleh membantu membaca pola. Tetapi algoritma tidak boleh menggantikan penilaian profesional, bukti yang sah, asas praduga tak bersalah, dan kewajiban untuk memperlakukan setiap warga secara setara.