PEMODELAN KRIMINALITAS DENGAN PENDEKATAN REGRESI SPASIAL DI PROVINSI SULAWESI SELATAN

Transkripsi

1 PEMODELAN KRIMINALITAS DENGAN PENDEKATAN REGRESI SPASIAL DI PROVINSI SULAWESI SELATAN Ansari Saleh Ahmar 1, Adiatma 2 1,2 Dosen Program Studi Statistika, Universitas Negeri Makassar ansarisaleh@unm.ac.id ; adiatma.stat@gmail.com Tindakan kriminalitas di Indonesia semakin meningkat baik variasi maupun jumlahnya setiap tahun. Misalnya pembunuhan, perkosaan, penganiayaan, perusakan, pencurian, penipuan, penadahan, dan kasus lain yang membuat masyarakat merasa tidak aman. Resiko penduduk terkena kriminalitas merupakan jumlah kasus yang terlapor pada instansi kepolisian. Semakin tinggi jumlah pelapor maka jumlah kriminalitas di wilayah tersebut semakin tinggi. Pada penelitian ini dilakukan pemodelan kriminalitas di Provinsi Sulawesi Selatan dengan variabel dependen yang digunakan adalah resiko penduduk terkena kriminalitas. Pemodelan dilakukan dengan pendekatan area yaitu dengan metode Spatial Autoregressive (SAR) dan Spatial Error Model (SEM). Adapun variabel independen yang digunakan adalah kepadatan penduduk, jumlah penduduk miskin, PDRB perkapita, jumlah pengangguran dan Indeks Pembangunan Manusia (IPM). Berdasarkan hasil analisis dengan menggunakan regresi spasial dapat ditunjukkan bahwa tidak ada dependensi spasial baik lag maupun error di Provinsi Sulawesi Selatan. Kata Kunci: Kriminalitas, SAR, SEM. 1. PENDAHULUAN 1.1 Latar Belakang Kriminologi merupakan ilmu pengetahuan tentang kejahatan atau kriminalitas yang dapat dilihat dari perspektif biologis, sosiologis, dan lainnya. Ilmu ini juga memberikan dua arti untuk istilah kejahatan atau kriminalitas, yakni secara yuridis dan sosiologis. Menurut Bonger (1982) secara yuridis, kejahatan berarti perbuatan anti sosial yang secara sadar mendapat reaksi dari negara berupa pemberian derita dan kemudian sebagai reaksi terhadap rumusan hukum mengenai kejahatan. Secara sosiologis, kejahatan merupakan suatu perilaku manusia yang diciptakan oleh masyarakat. Tindakan kriminalitas di Indonesia semakin meningkat baik variasi maupun jumlahnya setiap tahun. Misalnya pembunuhan, perkosaan, penganiayaan, perusakan, pencurian, penipuan, penadahan, dan kasus lain yang membuat masyarakat merasa tidak aman. Menurut Abdulsyani (1987) kasus kriminalitas tersebut terjadi disebabkan oleh berbagai faktor, baik dari internal maupun eksternal. Misalnya tingkat pendidikan yang didapatkan, gaji atau upah yang tidak mencukupi, dan hubungan keluarga. Faktor tersebut banyak ditemukan di pusat penahanan remaja di negara-negara besar seperti di Australia (Cunneen, 2002) dan Amerika Serikat (Krisberg, 2005). Selain itu, Kakamu (2008) dalam penelitiannya di Jepang juga mencatat bahwa tingkat kasus kriminalitas yang terjadi dipengaruhi oleh pengangguran, pendapatan, dan tingkat penangkapan. Berdasarkan hasil penelitian yang dilakukan sebelumnya, maka dapat dikatakan bahwa faktor yang dominan berpengaruh terhadap kasus kriminalitas adalah fenomena ekonomi. Salah satu cara yang digunakan dalam mendefinisikan hubungan antar fenomena ekonomi digunakan analisis regresi. Untuk mengetahui pengaruh ekonomi khususnya pada tingkat kasus kriminalitas dengan menggunakan analisis regresi, keterkaitan secara spasial antar wilayah perlu diperhatikan karena berkaitan dengan suatu lokasi/wilayah. Keterkaitan spasial antar wilayah tersebut cenderung sering terjadi karena pengaruh lokasi yang saling berdekatan. Untuk mengetahui pengaruh hubungan antara lokasi dengan respon yang ada, maka setiap wilayah tidak dapat dipandang sebagai sebuah unit observasi yang berdiri sendiri dan tidak terkait dengan lokasi wilayah lainnya sehingga diperlukan analisis spasial.

2 Penelitian dengan menggunakan analisis regresi dengan pendekatan spasial sudah pernah dilakukan sebelumnya. Sari (2013) dengan menggunakan pendekatan regresi spasial untuk memodelkan kasus tindak pidana di Kota Surabaya, dari hasil penelitian tersebut diperoleh kesimpulan bahwa hasil pengukuran resiko tindak pidana tidak menunjukkan adanya dependensi spasial, variabel yang berpengaruh signifikan adalah jumlah penduduk berpendidikan SMP, yang berpengaruh negatif dan tingkat pendapatan perkapita penduduk yang berpengaruh negatif. Septiana (2009) dengan menggunakan metode regresi spasial untuk memodelkan remaja putus sekolah usia SMA di Provinsi Jawa Timur, dari hasil penelitian tersebut diperoleh kesimpulan bahwa terdapat dependensi dalam lag dan error, dimana pada model SAR variabel yang berpengaruh signifikan adalah keluarga miskin, yang berpengaruh negatif dan letak rumah di pedesaan yang berpengaruh positif. Sementara model SEM, variabel yang berpengaruh signifikan dan positif adalah letak rumah di pedesaan. Penelitian pemodelan kriminalitas di Provinsi Sulawesi Selatan dengan pendekatan regresi spasial belum dilakukan. Oleh karena itu, peneliti ingin melakukan pemodelan kriminalitas di Provinsi Sulawesi Selatan dengan pendekatan regresi spasial sehingga dapat diketahui ada atau tidak dependensi spasial kriminalitas di Provinsi Sulawesi Selatan. 1.2 Tinjauan Pustaka Model Regresi Spasial Menurut hukum Tobler I (1976) bahwa Everything is related to everything else, but near thing are more related than distant things. Hukum tersebut yang menjadi rujukan tentang kajian sains regional. Efek spasial biasanya terdapat pada suatu wilayah dengan wilayah lain, artinya pengamatan di suatu wilayah bergantung pada pengamatan di suatu wilayah yang menjadi tetangganya atau wilayah yang berdekatan. Regresi spasial merupakan suatu metode statistika yang digunakan untuk mengetahui hubungan antara variabel respon dan variabel prediktor dengan mempertimbangkan keterkaitan antar wilayah. Anselin (1988) mengembangkan model umum regresi spasial dengan menggunakan data cross section. Model umum regresi spasial ditulis dalam bentuk persamaan (2.6)., dimana (1) Dari bentuk umum regresi spasial, ada beberapa model yang bisa dibentuk pada data cross-section, yaitu: 1) Apabila dan maka persamaan menjadi (2) Persamaan ini disebut model regresi klasik dengan mengabaikan efek spasial. 2) Apabila dan maka persamaannya menjadi (3) Persamaan ini disebut Spatial Autoregressive Model (SAR). 3) Apabila dan maka persamaannya menjadi, dimana (4)

3 Persamaan ini disebut Spatial Error Model (SEM). 4) Apabila dan maka persamaannya menjadi, dimana (5) Persamaan ini disebut General Spatial Model atau Spatial Autocorrelation (SAC) Dependensi Spasial Anselin (1988) mendefinisikan dependensi spasial sebagai adanya hubungan fungsional antara apa yang terjadi pada satu titik dalam ruang dan apa yang terjadi di tempat lain. Untuk melihat besarnya dependensi spasial dapat menggunakan indeks Morans s I yang dirumuskan pada persamaan (6). Matrik pembobot yang belum distandarkan dapat menggunakan indeks Moran s I yang dirumuskan pada persamaan (7). (6) Untuk melihat apakah besarnya dependensi spasial (I j ) signifikan pada data dapat dilakukan dengan pengujian pada indeks Moran s I dengan hipotesis sebagai berikut. (tidak terdapat dependensi spasial) (terdapat dependensi spasial) Kemudian statistik uji yang digunakan dalam pengujian signifikansi pada indeks Moran s I menurut Cliff dan Ord (1981) yang dirumuskan pada persamaan (8). (7) (8) Pembobot Spasial Matrik pembobot/penimbang spasial (W) dapat diperoleh berdasarkan informasi jarak dari ketetanggaan (neighborhood) atau jarak antara satu lokasi dengan lokasi yang lain. Ada beberapa metode untuk mendefinisikan hubungan persinggungan (contiguity) antar lokasi tersebut. Menurut LeSage (1999) bahwa metode tersebut antara lain: a) Linear contiguity (persinggungan tepi); b) Rook contiguity (persinggungan sisi); c) Bhisop contiguity (persinggungan sudut); d) Double linear contiguity (persinggungan dua tepi); e) Double rook contiguity (persinggungan dua sisi); f) Queen contiguity (persinggungan sisi-sudut); 2. METODE PENELITIAN Metode penelitian yang digunakan pada penelitian ini adalah spasial dengan menggunakan data crossectional yang bersumber dari BPS Provinsi Sulawesi-Selatan. Adapun langkah-langkah yang dilakukan adalah sebagai berikut.

4 1. Melakukan eksplorasi data pada peta tematik untuk mengetahui pola penyebaran dan dependensi spasial pada masing-masing variabel serta scatterplot untuk mengetahui pola hubungan variabel dan. 2. Melakukan pemodelan regresi spasial dengan metode Ordinary Least Square (OLS) yang meliputi estimasi parameter, estimasi signifikan model, uji asumsi residual (identik, independen, dan berdistribusi normal). 3. Menentukan pembobot spasial (W) yaitu menggunakan metode ratu catur (queen contiguity). 4. Uji dependensi spasial atau korelasi spasial antara pengamatan yang saling berdekatan dengan indeks moran atau Morans I. Hipotesis yang digunakan untuk uji dependensi spasial adalah sebagai berikut. (Tidak ada dependensi spasial) (Ada dependensi spasial) 5. Identifikasi tentang keberadaan efek spasial dengan menggunakan uji Lagrange Multiplier (LM). Pengujian LM dilakukan untuk mengetahui model apa yang sesuai dengan prosedur. 6. Proses pemodelan, yaitu data dimodelkan dengan Spatial Autoregresive Model (SAR), Spatial Error Model (SEM), atau Spatial Autoregresive Moving Average (SARMA). 7. Melakukan pemeriksaan asumsi model spasial. 8. Menyimpulkan hasil yang diperoleh. 3. HASIL DAN PEMBAHASAN 3.1 Peta Administratif Provinsi Sulawesi Selatan Peta administratif Provinsi Sulawesi Selatan dapat dilihat pada Gambar 1, sedangkan data variabel dependen dan variabel independen yang digunakan dapat dilihat sebagai berikut. Gambar 1 Peta Administratif Provinsi Sulawesi Selatan ( 3.2 Ekplorasi Data Tingkat risiko penduduk terkena kriminalitas di Provinsi Sulawesi Selatan dapat dilihat pada gambar 2. Pada gambar 2 ini terlihat ada degradasi warna yang menunjukkan nilai dari resiko penduduk terkena kriminalitas. Semakin pekat warna daerahnya, semakin

5 tinggi resiko penduduk terkena kriminalitas di wilayah tersebut. Untuk mengetahui tingkatan resiko penduduk terkena kriminalitas maka di kategorikan menjadi lima kategori yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi. Gambar 2. Peta Tematik Resiko Penduduk Terkena Kriminalitas di Provinsi Sulawesi Selatan Resiko penduduk terkena kriminalitas dengan kategori sangat rendah ( penduduk) terdapat di Kabupaten Bantaeng, Kabupaten Jeneponto, Kabupaten Luwu, Kabupaten Takalar dan Kabupaten Wajo. Resiko penduduk terkena kriminalitas dengan kategori rendah ( penduduk) terdapat di Kabupaten Enrekang, Kabupaten Sidrap, Kabupaten Pangkep dan Kabupaten Sinjai. Resiko penduduk terkena kriminalitas dengan kategori sedang ( penduduk) terdapat di Kabupaten Bone, Kabupaten Tana Toraja, Kabupaten Barru, Kepulauan Selayar dan Kota Palopo. Resiko penduduk terkena kriminalitas dengan kategori tinggi( penduduk) terdapat di Kabupaten Pinrang, Kabupaten Soppeng, Kabupaten Bulukumba dan Kabupaten Luwu Timur. Dan resiko penduduk terkena kriminalitas dengan kategori sangat tinggi ( penduduk) terdapat di Kota Pare-pare, Kabupaten Luwu Utara, Kabupaten Maros, Kabupaten Gowa dan Kota Makassar. 3.2 Moran s I Dengan nilai,1 maka nilai artinya gagal tolak. Ini mengindikasikan bahwa tidak ada dependensi spasial.

6 Tabel 1. Hasil Uji Moran s I Variabel Moran s I Z(I) 0, , , , ,26752 X 5 0,41571, Tabel 1 di atas menunjukkan bahwa seluruh variabel dependen maupun independen menghasilkan nilai yang artinya gagal tolak. Ini mengindikasikan bahwa tidak ada dependensi spasial antar daerah. Selain itu terlihat bahwa semua nilai Moran s I bernilai lebih besar dari yang artinya semua variabel dependen maupun independen mengindikasikan dependesi spasial yang positif yang berarti lokasi yang berdekatan mempunyai nilai yang mirip dan cenderung berkelompok (cluster). Kecuali pada variabel PDRB perkapita dimana nilai Moran s I bernilai lebih kecil dari dan bernilai negatif ini mengindikasikan dependensi spasial negatif yang berarti lokasi yang berdekatan mempunyai nilai yang berbeda. 3.3 Lagrange Multiplier (LM) Pemilihan model spasial dilakukan dengan Lagrange Multiplier (LM) sebagai identifikasi awal. Lagrange Multiplier (LM) digunakan untuk mendeteksi dependensi spasial dengan lebih spesifik yaitu dengan dependensi dalam lag, error atau keduanya (lag dan error). Apabila LM lag dan LM error tidak signifikan maka dapat disimpulkan tidak terjadi dependensi baik pada lag maupun error. Uji dependensi spasial dilakukan pada pembobot queen contiguity. Hasil pengujian Lagrange Multiplier (LM) pada Tabel 2. Kemudian berdasarkan Tabel 2 menunjukkan bahwa dengan menggunakan pembobot queen contiguity nilai p-value Moran s I tidak signifikan pada =10%. Hal ini berarti bahwa tidak terdapat dependensi spasial. Tabel 2. Hasil Diagnostik Dependensi Spasial Uji dependensi Spasial Nilai P-value Moran s I -0, , Lagrange Multiplier (lag) 0, , Lagrange Multiplier (error) 0, , Lagrange Multiplier (SARMA) 3, , KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan hasil analisa dan pembahasan diambil beberapa kesimpulan tentang resiko penduduk terkena kriminalitas di Provinsi Sulawesi Selatan menunjukkan tidak adanya dependensi spasial baik dalam lag maupun error.

7 B. Saran Berdasarkan hasil yang didapatkan dari penelitian ini maka disampaikan beberapa saran sebagai berikut. 1. Penelitian selanjutnya memasukkan variabel yang dianggap penting dan tidak tercakup pada penelitian ini. 2. Peneliti selanjutnya menggunakan metode customized sebagai pembobot. 3. Pemerintah Provinsi dan Pemerintah Daerah sebaiknya lebih serius dalam memperhatikan aspek pemerataan distribusi pendapatan. DAFTAR PUSTAKA Abdulsyani, (1987), Sosiologi Kriminalitas, Remaja Karya, Bandung. Anselin, L., (1988), Spatial Econometrics: Methods and Models, Kluwer Academic, Dordrecht. Arbia, G. (2006), Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence, Springer, Berlin. Badan Pusat Statistik, (2014), Provinsi Sulawesi Selatan Dalam Angka 2012, Makassar: Badan Pusat Statistika, Sulawesi Selatan , (2014), Statistik Kriminalitas 2013, Jakarta: Badan Pusat Statistik Indonesia. Bonger, W.A., (1982), Pengantar Tentang Kriminologi. Ghalia Indonesia, Jakarta Christopher, C dan Trumbull, W.N., (1994), Estimating the Economic Model of Crime with Panel Data, Review of Economics and Statistics, Vol.76, hal Cliff, A. dan Ord. J. (1981), Spatial Processes, Models and Applications, Pion, London. Cunneen, C. dan White, R. (2002), Juvenile Justice: Youth and Crime in Australia, Oxford University Press, Melbourne. Federal Bureau of Investigation, (2009), Hate Crime Statistics. variables_affecting_crime.html diakses pada tanggal 20 September Getis, A. dan Jared, A. (2004), Constructing Spatial Weight Matrics Using a Local Statistics. Geographical Analysis, Volume 36, The Ohio State University Press. Kmenta, J, (1971), Elements of Econometrics, Edisi Kedua, Macmillan Publishing Company, New York. Krisberg, B. (2005), Juvenile Justice: Redeeming Our Children. Thousand Oaks, CA: Sage (1999), Spatial Econometrics, Department of Economics, University of Toledo, United States. LeSage, J.P. dan Pace, R.K. (2009), Introduction to Spatial Econometrics, CRC Press (Taylor and Francis Group), Boca Raton [FL], London and New York. Sari, D.M, Kusrini, D.E, dan Suhartono. (2013), Pemodelan Kasus Tindak Pidana di Kota Surabaya dengan Pendekatan Regresi Spasial. Jurnal Sains dan Seni POMITS Vol. 2, No.2. Septiana, L. dan Wulandari, S.P. (2009), Pemodelan Remaja Putus Sekolah Usia SMA di Provinsi Jawa Timur dengan Menggunakan Metode Regresi Spasial, digilib.its.ac.id/public/its-undergraduate cover id-pdf.