PEMODELAN KASUS TINDAK PIDANA DI KOTA SURABAYA DENGAN PENDEKATAN MODEL SPASIAL

Transkripsi

1 SEMINAR TUGAS AKHIR 28 Juni 2013 PEMODELAN KASUS TINDAK PIDANA DI KOTA SURABAYA DENGAN PENDEKATAN MODEL SPASIAL Defi Mustika Sari ( ) Pembimbing Co-pembimbing : Dwi Endah Kusrini, S. Si., M. Si. : Dr. Suhartono, S. Si., M. Sc JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2 AGENDA PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PENELITIAN ANALISIS DAN PEMBAHASAN KESIMPULAN 1

3 2 PENDAHULUAN

4 LATAR BELAKANG DIMANAPUN KAPANPUN SIAPAPUN 3

5 LATAR BELAKANG Pemodelan Kasus Tindak Pidana di Kota Surabaya dengan Pendekatan Model Spasial 4

6 Penelitian Sebelumnya Metode spasial Pemodelan angka gizi buruk pada balita di Kota Surabaya dengan SAR (A yunin, 2011) Spatial Durbin Model untuk Mengidentifikasi Faktor-faktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur (Aditie, 2011) Tindak pidana Analisis ekonomi kejahatan property di Indonesia (Husnayain, 2005) Hutang personal, efek spasial, dan kejahatan. deng menggunakan metode Bayesian Spatial Econometrics (Lacombe, 2012). 5

7 Rumusan Masalah 1. Bagaimana karakteristik kejadian tindak pidana yang terjadi di Kota Surabaya? 2. Bagaimana pemodelan kasus tindak pidana yang terjadi di Kota Surabaya dengan menggunakan pendekatan metode spasial? 3. Faktor apa saja yang mempengaruhi kasus tindak pidana di Kota Surabaya berdasarkan pendekatan spasial? Tujuan Penelitian 1. Mengetahui karakteristik kejadian tindak pidana yang terjadi di Kota Surabaya 2. Mendapatkan pemodelan kasus tindak pidana yang terjadi di Kota Surabaya dengan menggunakan pendekatan metode spasial 3. Mengetahui faktor-faktor yang mempengaruhi kasus tindak pidana di Kota Surabaya berdasarkan pendekatan spasial 6

8 Manfaat Penelitian Memberikan informasi kepada masyarakat khususnya masyarakat kota Surabaya mengenai faktor-faktor yang berpengaruh terhadap peningkatan tindak pidana, sehingga masyarakat dapat meningkatkan kewaspadaan. Selain itu dapat memberikan informasi kepada dinas kepolisian agar melakukan peningkatan penjagaan di wilayah-wilayah yang rawan tindak pidana. Dan juga sebagai pengembangan dan pengaplikasian ilmu statistika, khususnya tentang pemodelan spasial. Penelitian dilakukan dengan studi kasus di kota Surabaya dengan unit amatan 28 kecamatan yang mempunyai kantor kepolisian sektor. Data yang digunakan adalah banyaknya tindak pidana yang terjadi di Surabaya pada tahun Variabel depeden yang digunakan adalah risiko penduduk terkena tindak pidana (crime rate). Penentuan bobot spasial (W) menggunakan pendekatan area dengan metode Contiguity yaitu Queen dan Customized Contiguity 7 Batasan Penelitian

9 8 TINJAUAN PUSTAKA

10 DEPENSI SPASIAL Dependensi spasial terjadi karena adanya keterkaitan yang mendasar pada daerah-daerah yang diamati. Dalam koten regresi, terdapat dua efek spasial, yaitu spatial autocorrelation dan spatial heterogeneity 9

11 Pemodelan Spasial Titik Area Geographically Weighted Regression (GWR) Geographically Weighted Poisson Regression (GWPR) Space-Time Autoregressive (STAR), Geographically Space- Time Autoregressive (GSTAR) Spatial Autoregressive Models (SAR) Spatial Durbin Models (SDM) Spatial Error Models (SEM) Conditional Autoregressive Models (CAR) Spatial Autoregressive Moving Average (SARMA) 10 (Anselin, 1988)

12 REGRESI SPASIAL 11 (LeSage, 1999; dan Ansenlin, 1988)

13 REGRESI SPASIAL W 2 = 0 λ = 0 W 1 = 0 ρ = 0 SPATIAL AUTOREGRE SSIVE MODEL (SAR) 12 SPATIAL ERROR MODEL (SEM) W 1,W 2 0 λ 0 ρ 0 λ = 0 ρ = 0 SPATIAL AUTORESS IVE MOVING AVERAGE MODEL (SARMA) REGRESI LINEAR SERDERH ANA

14 REGRESI SPASIAL 13 (LeSage, 1999; dan Ansenlin, 1988)

15 SPATIAL AUTOREGRESSIVE MODEL Dalam bentuk matrik (Anselin, 1999) 14

16 ESTIMASI PARAMETER 15 Fungsi lnlikelihood (Anselin, 1999)

17 ESTIMASI PARAMETER logaritma natural untuk mengestimasi ρ 16

18 ESTIMASI PARAMETER Selanjutnya estimasi parameter didapatkan dengan optimalisasi persamaan Melalui evaluasi pada interval seperti pada persamaan berikut (LeSage & Pace, 2009). 17 (LeSage & Pace, 2009)

19 UJI PARSIAL (Anselin, 1998) 18

20 SPESIFIKASI MORAN S I Formula Moran s I Korelasi Pearson 19 (Paradis, 2013)

21 20 UJI INDEPENDENSI MORAN S I

22 MATRIK PEMBOBOT Matriks Pembobot Spasial (W) diketahui berdasarkan jarak atau persinggungan (contiguity) antara satu region ke region yang lain (LeSage & Pace, 2009), yaitu 1. Liniear Contiguity (Persinggungan Tepi) 2. Rook Contiguity (Persinggungan Sisi) 3. Bhisop Contiguity (Persinggungan Sudut) 4. Double Liniear Contiguity (Persinggungan Dua Tepi) 5. Double Rook Contiguity (Persinggungan Dua Sisi) 6. Queen Contiguity (Persinggungan Sisi-Sudut) Customized Contiguity (Persinggungan Sisi-Sudut)

23 TINDAK PIDANA Menurut Badan Pusat Statistika (BPS) definsi tindak pidana adalah segala tindakan yang disengaja atau tidak, telah terjadi atau baru percobaan, yang dapat merugikan orang lain dalam hal badan, jiwa, harta benda, kehormatan, dan lainnya serta tindakan tersebut diancam hukuman penjara dan kurungan. Kejahatan Transnasional Common Law Crime Kejahatan Transnasional Jenis Penelitian Tentang Tindak Pidana 22 Crime Index Crime Totals Crime Rate

24 JENIS TINDAK PIDANA No Jenis Tindak Pidana 1 Kejahatan terhadap ketertiban 2 Pembakaran 3 Kebakaran 4 Memberi suap 5 Kejahatan pemalsuan surat dan merk 6 Perkosaan 7 Lain-lain kej. Kesopanan 8 Perjudian 9 Penculikan 10 Pembunuhan 11 Aniaya berat 12 Aniaya ringan 13 Pencurian dengan pemberatan 14 Pencurian dengan kekerasan 15 Pencurian ringan 16 Pencurian biasa 23 No Jenis Tindak Pidana 17 Pencurian Ranmor 18 Pencurian kawat telepon 19 Pemerasan 20 Penggelapan 21 Penipuan 22 Penadahan 23 Merusak 24 Laporan palsu 25 Narkotik 26 Psikotropika 27 Pengancaman 28 Penghinaan 29 Bawa lari perempuan 30 Sengketa tanah 31 Lain-lain kejahatan

25 24 METODOLOGI PENELITIAN

26 SUMBER DATA Penelitian ini menggunakan data sekunder yang didapatkan dari Polrestabes Kota Surabaya dan dari Badan Pusat Statistika kota Surabaya tahun Variabel dependen yang digunakan adalah risiko penduduk terkena tindak pidana (crime rate). Unit pengamatan yang digunakan adalah seluruh kecamatan yang ada di Surabaya yang memiliki kantor kepolisian sektor, yaitu terdapat 28 kecamatan. 25

27 VARIABEL PENELITIAN 26 Variabel Keterangan Skala Y i Risiko penduduk terkena tindak pidana di Rasio/ kecamatan i di Kota Surabaya (Lacombe, 2012) seratus ribu X 1i Rata-rata pendapatan per kapita di setiap kecamatan i di Kota Surabaya (Lacombe, 2012) X 2i Tingkat kepadatan penduduk di setiap kecamatan i di Kota Surabaya (Lacombe, 2012) X 3i Tingkat pendidikan berdasarkan jenjang pendidikan di masing-masing kecamatan i di Kota Surabaya (Ariyanti, 2011) X 4i Rumah Tangga kemiskinan di kecamatan i di Kota Surabaya (Husnayain, 2005) X 5i Jumlah angkatan kerja di kecamatan i (Husnayain, 2005) penduduk Interval/ ribuan Rasio/ribua n Rasio/ribua n Rasio/ribua n Rasio/ seratus ribu penduduk

28 LANGKAH ANALISIS 1 2 Melakukan eksplorasi data peta tematik untuk mengetahui pola penyebaran dan dependensi pada masing-masing variabel serta melakukan uji korelasi untuk mengetahui pola hubungan antara variabel x dan y Melakukan pengolahan data untuk mengetahui karakteristik kejadian tindak pidana beserta variabel yang mempengaruhinya, yang terjadi di berbagai kecamatan di Surabaya Melakukan penetapkan Matriks Pembobot Spasial (W) 3 4 Melakukan uji dependensi spasial atau korelasi dengan Moran s I untuk masingmasing variabel 27

29 LANGKAH ANALISIS 5 Melakukan pemodelan Spatial Autoregressive Model (SAR) dengan tahapan sebagai berikut. Melakukan koding pembobotan setelah matrik W terbentuk dengan elemnen-elemennya (w ij ) bernilai 0 dan 1. Koding pembobot dilakukan untuk mendapatkan matrik W yang standart dengan mengatur jumlah elemen baris sama dengan 1. Melakukan estimasi parameter, menguji signifikansin dari parameter dengan uji Wald, dan uji asumsi residual regresi dari model spasial yang terbentuk Melakukan pemilihan model terbaik berdasarkan kriteria AIC Mengintepretasikan model terbaik dan menyimpulkan hasil yang diperoleh 28

30 ANALISIS DAN PEMBAHASAN 29

31 KARAKTERISTIK CRIME RATE Kategori Skala (per seratus ribu penduduk) Kecamatan Sangat tinggi Lakarsantri, Dukuh Pakis, Tengilis Mejoyo, Jambangan Tinggi Karang Pilang, Gayungan, Wonocolo, Rungkut, Mulyorejo, Asemrowo, Tegalsari, Genteng 30 Sedang Pakal, Benowo, Tandes, Krembangan, Pabean Cantingan, Sukolilo Rendah Wiyung, Wonokromo, Sawahan, Sukomanunggal, Bubutan, Simokerto, Gubeng, Tambaksari, Kenjeran, Semampir Sangat rendah 0 Bulak, Sambikerep, Gunung Anyar

32 KARAKTERISTIK PENDAPATAN PER KAPITA 31 Kategori Skala (per ribu rupiah) Sangat tinggi Genteng Kecamatan Tinggi Dukuh Pakis, Tengilis Mejoyo, Sukolilo, Gubeng, Tegalsari Sedang Tandes, Asemrowo, Karang Pilang, Gunung Anyar, Bubutan Rendah Lakarsantri, Wiyung, Gayungan, Wonokromo, Rungkut, Mulyorejo, Tambaksari, Bulak, Kenjeran Sangat rendah Pakal, Benowo, Sambikerep, Gayungan, Sukomanunggal, Sawahan, Krembangan, Semampir, Simokerto, Wonocolo, Jambangan

33 KARAKTERISTIK KEPADATAN PENDUDUK Kategori Skala Kecamatan Sangat tinggi Sawahan, Tegalsari, Bubutan, Simokerto, Tambaksari Tinggi Wonokromo, Gubeng, Genteng, Semampir, Kenjeran Sedang Jambangan, Tengilis Mejoyo, Wonocolo, Sukomanunggal, Krembangan, Pabean Cantingan Rendah Tandes, Dukuh Pakis, Wiyung, Karang Pilang, Gayungan, Gunung Anyar, Rungkut, Sukolilo, Mulyorejo, Bulak 32 Sangat rendah Pakal, Benowo, Sambikerep, Lakarsantri, Asemrowo

34 KARAKTERISTIK PENDUDUK MISKIN Kategori Skala Kecamatan Sangat tinggi Semampir Tinggi Sawahan, Tegalsari, Bubutan, Tambaksari, Bulak, Simokerto, Pabean Cantingan, Rungkut Sedang Lakarsantri, Wiyung, Tandes, Sukomanunggal, Asemrowo, Krembangan, Kenjeran, Sukolilo Rendah Dukuh Pakis, Karang Pilang, Jambangan, Gubeng, Mulyorejo, Wonocolo Sangat rendah Pakal, Benowo, Sambikerep, Genteng, Wonokromo, Tengilis Mejoyo, Gayungan, Gunung Anyar 33

35 KARAKTERISTIK PENDUDUK BERPENDIDIKAN SD 34 Kategori Skala Kecamatan Sangat tinggi Sawahan, Tambaksari, Kenjeran, Semampir Tinggi Krembangan, Pabean Cantingan, Simokerto, Bubutan, Gubeng, Wonokromo Sedang Benowo, Sambikerep, Lakarsantri, Karang Pilang, Asemrowo, Sukomanunggal, Genteng, Tegalsari, Wonocolo, Rungkut, Sukolilo, Mulyorejo Rendah Dukuh Pakis, Jambangan, Gayungan, Tengilis Mejoyo, Gunung Anyar Sangat rendah Pakal, Tandes, Wiyung, Bulak

36 KARAKTERISTIK PENDUDUK BERPENDIDIKAN SMP Kategori Skala Kecamatan Sangat tinggi Sawahan, Wonokromo, Tambaksari, Semampir Tinggi Krembangan, Bubutan, Simokerto, Kenjeran, Tegalsari, Gubeng Sedang Wiyung, Tandes, Sukomanunggal, Sukolilo, Rungkut, Pabean Cantingan Rendah Karang Pilang, Pakal, Benowo, Genteng, Wonocolo, Mulyorejo, Bulak Sangat rendah Sambikerep, Lakarsantri, Asemrowo, Dukuh Pakis, Jambangan, Gayungan, Tengilis Mejoyo, Gunung Anyar 35

37 KARAKTERISTIK PENDUDUK BERPENDIDIKAN SMA Kategori Skala Kecamatan Sangat tinggi Sawahan, Wonokromo, Tambaksari Tinggi Sukomanunggal, Krembangan, Bubutan, Tegalsari, Gubeng, Kenjeran, Semampir Sedang Karang Pilang, Rungkut, Sukolilo, Mulyorejo, Pabean Cantingan, Simokerto, Genteng, Wonocolo Rendah Benowo, Sambikerep, Lakarsantri, Tandes, Dukuh Pakis, Jambangan, Gayungan, Tengilis Mejoyo, Gunung Anyar. 36 Sangat rendah Pakal, Asemrowo, Wiyung, Bulak

38 KARAKTERISTIK PENDUDUK USIA Kelompok Skala Kecamatan Sangat tinggi Sawahan, Tegalsari, Wonokromo, Tambaksari Tinggi Krembangan, Bubutan, Semampir, Kenjeran, Gubeng, Rungkut, Gunung Anyar Sedang Tandes, Sukomanunggal, Wonocolo, Mulyorejo, Simokerto, Pabean Cantingan Rendah Sambikerep, Dukuh Pakis, Wiyung, Karang Pilang, Tengilis Mejoyo, Sukolilo, Genteng Sangat rendah Pakal, Benowo, Asemrowo, Lakarsantri, Jambangan, Gayungan, Bulak

39 KORELASI ANTAR VARIABEL Variabel Korelasi P-value Jumlah rumah tangga miskin (X 1 ) Kepadatan penduduk (X 2 ) Jumlah penduduk berpendidikan terakhir SD (X 3 ) Jumlah penduduk berpendidikan terakhir SMP (X 4 ) Jumlah penduduk berpendidikan terakhir SMA (X 5 ) Jumlah penduduk usia 15 tahun ke atas (X 6 ) Pendapatan per kapita (X 7 )

40 MORAN S I QUEEN CONTIGUITY 40 Variabel Moran s I z hitung Crime rate Kepadatan penduduk (X 1 ) Jumlah rumah tangga miskin (X 2 ) Jumlah penduduk berpendidikan terakhir SD (X 3 ) Jumlah penduduk berpendidikan terakhir SMP (X 4 ) Jumlah penduduk berpendidikan terakhir SMA (X 5 ) Jumlah penduduk usia 15 tahun ke atas (X 6 ) Pendapatan per kapita (X 7 ) Z = 1.96 I 0 =

41 MORAN S I CUSTOMIZED CONTIGUITY Variabel Moran s I z hitung 41 Crime rate Kepadatan penduduk (X 1 ) Jumlah rumah tangga miskin (X 2 ) Jumlah penduduk berpendidikan terakhir SD (X 3 ) Jumlah penduduk berpendidikan terakhir SMP (X 4 ) Jumlah penduduk berpendidikan terakhir SMA (X 5 ) Jumlah penduduk usia 15 tahun ke atas (X 6 ) Pendapatan per kapita (X 7 ) Z = 1.96 I 0 =

42 HASIL ESTIMASI OLS Parameter Estimasi Standart Error t hitung P-value β β β R % AIC

43 UJI ASUMSI RESIDUAL OLS NILAI VIF DARI ESTIMASI OLS HASIL UJI LAGRANGE MULTIPLER RESIDUAL Variabel Prediktor VIF X X Matrik Pembobot Queen contiguty Customized contiguty α =5% χ 2 1= Metode Statistik Uji LM p-value SAR SEM SAR SEM Hasil Tes Moran s I residual dengan I 0 =

44 HASIL ESTIMASI SAR Parameter Estimasi* Standart Error Wald β Pendapatan per β kapita β ρ R % AIC Ket : *) signifikansi pada α =5% χ ,1 = Jumlah penduduk berpendidikan SMP Model SAR 44

45 45 KESIMPULAN DAN SARAN

46 KESIMPULAN Variabel dependen yang digunakan dalam analisis tindak pidana adalah risiko penduduk terkena tindak pidana selama tahun Kecamatan dengan risiko paling tinggi terkena tindak pidana adalah kecamatan jambangan, kecamatan dengan risiko paling kecil adalah sukomanunggal. Hasil pemodelan spasial menunjukkan nilai koefisien model spasial lag (rho) yang tidak signifikan. Secara umum model SAR yang dihasilkan adalah Variabel yang berpengaruh signifikan terhadap risiko penduduk terkena tindak pidana adalah jumlah penduduk berpendidikan smp yang berpengaruh negatif dan tingkat pendapatan perkapita penduduk yang berpengaruh positif. 46

47 SARAN Analisis tindak pidana selanjutnya disarankan untuk mengukur tindak kejahatan (crime index), karena akan lebih cocok jika dimodelkan secaran spasial. 2. Penelitian selanjutnya disarankan menggunakan data tindak pidana per tindak kejahatan dan dengan kurun waktu yang panjang agar hasil penelitian lebih maksimal dan dapat mengukur tindak kejahatan di surabaya secara lebih tepat. 3. Disarankan penelitian selanjutnya menggunakan matrik pembobot lain seperti berdasarkan jarak antara wilayah pusat yang berpendapatan tinggi dengan wilayah lainnya. 4. Variabel yang digunakan dalam penelitian ini hanya berdasarkan faktor kependudukan dan ekonomi saja, untuk selanjutnya disarankan menggunakan lebih banyak variabel independen seperti faktor kesenjangan dan faktor lingkungan dan budaya

48 DARTAR PUSTAKA Aditie, N. B. (2011). Spatial Durbin Model untuk Mengidentifikasi Faktor-faktor yang Mempengaruhi Angka Kematian Bayi di Jawa Timur. 2011: Tugas Akhir Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember. Anselin, L. (1999). Spatial Econometrics. Dallas: University of Texas. Anselin, L. (1988). Spatial Econometrics Methods and Models. Netherlands: Kluwer Academic Publishers. Ariyanti, R. R. (2011). Faktor Penyebab Anak Menjadi Pelaku Kejahatan Kesusilaaan dan Upaya Penangannya (Studi Terhadap Kenakalan Anak di Kota Malang). Malang: Tugas Akhir Univeritas Brawijaya. A'yunin, Q. (2011). Pemodelan Angka Gizi Buruk pada Balita di Kota Surabaya dengan Spatial Autoregressive Model. Surabaya: Tugas Akhir Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember. Hardianto, f. N. (2009). Analisis Faktor-faktor yang Mempengaruhi Tingkat Kriminalitas di Indonesia dari Pendekatan Ekonomi. Bandung: Tugas Akhir Fakultas Ekonomi Universitas Katolik Parahyangan. Husnayain, I. (2005). Analisis Ekonomi Kejahatan Properti di Indonesia. Jakarta: Tugas Akhir Fakultas Ekonomi Universitas Indonesia. Kissling, W. D., & Carl, G. (2007). Spatial Autocorrelation and the Selection of Simultaneous Autoregressive Models. Global Ecology and Biogeography. kompas.com. 48 (2013, January 27). Ketua RT: Raffi Ahmad dan 6 Temannya Ditanggap BNN. Jakarta, Jakarta, Indonesia.

49 DARTAR PUSTAKA LeSage, J., & Pace, R. K. (2009). Introduction to Spatial Econometrics. New York: CRC Press. Mclntyre, S. G., & Lacombe, D. J. (2012). Personal Indebtedness, Spatial Effect and Crime. Economics Letters, Moeljatno. (1987). Asas-asas Hukum Pidana. Jakarta: Bina Aksara. Nuryati, V. (2009). Analisis Faktor-faktor yang Mempengaruhi Tindak Kriminal di Sumatera Barat Tahun 2007 dengan Menggunakan Analisis Jalur. Padang: Tugas Akhir Jurusan Matematika FMIPA Universitas Andalas. Paradis, E. (2013). Moran's Autocorrelation Coefficient in Comparative Methods. New York: Springer. Perobelli, F. S., & Haddad, E. (2003). Brazilian Interregional trade ( ): An Exploratory Spatial Data Analysis. Sao Paulo: Ed. Perspectiva. Poernomo, B. (1992). Asas-asas Hukum Pidana. Jakarta: Ghalia Indonesia. Pompe, W. P. (1959). Handboek van het Nederlands Strafrecht. Neterland. Post, S. (2013, Februari 28). Awas! 6 Lokasi Rawan Kriminalitas. Surabaya, Jawa Timur, Indonesia. Projodikoro, W. (2003). Tindak-tindak Pidana Tertentu di Indonesia. Bandung: PT. Refika Aditama. regional.kompas.com. (2013, Februari 28). Dulu Anak, Sekarang Cucu Ditampar Guru, Kakek Lapor Polisi. Probolinggo, Jawa Timur, Indonesia. tempo.co. (2012, Desember 15). Penembakan Maut di Connecticut, 26 Tewas. Newtown, New York, United States of America. Walpole, 49 R. E. (1995). Pengantar Statistika (Ketiga ed.). Jakarta: PT. Gramedia Pusaka. Wibisono, A. (2009). Aplikasi Sistem Informasi Geografis untuk Pemetaan Daerah Rawan Kriminalitas di

50 TERIMA KASIH KEGAGALAN INI ADALAH KEMENANGAN HAQIQI KEMENANGAN UNTUK MEMANTAPKA N HATI ATAS APA YANG DISEBUT IKHTIAR DAN DOA 50