PAPER PROBLEM SOLVING CALON ASISTEN

LABORATORIUM PERENCANAAN DAN OPTIMASI SISTEM

INDUSTRI (LPOSI)
INSTITUT TEKNOLOGI BANDUNG
Tio Angie Pricillia Samosir (14415005)
Program Studi Manajemen Rekayasa Industri
Topik Studi Kasus : LPOSI Crime Investigation Data Analysis

Abstrak
Globalisasi merupakan sesuatu yang tidak dapat dihindari dan bersifat cepat. Walaupun globalisasi
banyak memberikan keuntungan, namun tidak sedikit juga kerugian yang ditimbulkannya., salah satunya
adalah kriminalitas. Ada banyak faktor yang diduga menjadi penyebab kriminalitas. Oleh sebab itu, harus
dilakukan analisis terhadap faktor-faktor tersebut sehingga dapat menghasilkan solusi yang dapat
menekan tingkat kriminalitas.
Kata Kunci: globalisasi, kriminalitas, solusi
Abstract
Globalization is the thing we can’t avoid and is fast. Although it gives so many advantages, it also gives
losses, one of which is criminality. Thare are many factors that are suspected causing criminality.
Therefore, an analysis of the factors have to done so it can gives the best solution for reducing
criminality,
Keywords: globalization, criminality, solution

1. Pendahuluan
1.1. Latar Belakang
Era globalisasi merupakan proses yang tidak dapat dihindari dari kehidupan manusia, dimana
tidak terlihat lagi batasan antar wilayah maupun antar manusia. Globalisasi menyebabkan informasi
yang tersebar dengan cepat serta teknologi yang berkembang dengan cepat sehingga pekerjaan
menjadi lebih efektif dan efisien. Globalisasi juga mempunyai dampak negatif, salah satunya adalah
kriminalitas.
Dampak negatif ini dapat terlihat secara jelas terutama pada negara maju. Salah satu Negara maju
yang paling menunjukkan dampak negatif globalisasi adalah negara Amerika Serikat. Negara
Amerika Serikat terdiri dari 56 negara bagian, yang mengindikasikan karakateristik masyarakat yang
berbeda-beda. Tingkat kriminalitas yang tinggi menyebabkan negara ini dijuluki sebagai negara
paling “berbahaya” di dunia. Sekitar 20 juta kasus kejahatan terjadi setiap tahunnya di negara

1
Amerika Serikat. Data ini diambil pada tahun 2009. Kejahatan pada daerah tersebut sering terjadi
pada orang berkulit hitam.
Berdasarkan New York City, kejahatan yang terjadi mulai diberitakan pada tahun 1820. Kemudian
pada tahun 1850, New York City mencatat bahwa ada 200 komunitas kejahatan yang dilangsungkan
oleh para remaja. Kemudian pada tahun 1951, tercatat bahwa ada 14 eksekusi di Amerika Serikat,
serta masih banyak lagi kejahatan yang terjadi.
Terdapat beberapa faktor yang diduga menyebabkan kejahatan tersebut, beberapa diantaranya
adalah usia, tingkat pendidikan, tingkat ekonomi dan tingkat kesehatan. Selain itu, pemerintah ingin
mengetahui perbedaan populasi antara komunitas dnegan kategori poor dan not poor. Oleh sebab itu
harus ada tindakan yang dilakukan pemerintah untuk menekan tingkat kriminalitas tersebut dan
meningkatkan kesejahteraan masyarakatnya.
1.2. Objek Studi Kasus
Studi kasus ini dilakukan terhadap masyarakat Amerika Serikat yang menggunakan setiap data
yang didapatkan dari kepolisian. Data tersebut antara lain faktor yang diduga berhubungan dengan
kriminalitas. Data ini kemudian akan diolah dan menghasilkan solusi untuk pemerintah Amerika
Serikat untuk menurunkan tingkat kriminalitas.
1.3. Rumusan Masalah
Rumusan masalah dari paper ini adalah sebagai berikut.
1. Bagaimana gambaran umum masyarakat yang berada di bawah garis kemiskinan?
2. Bagaimana hubungan antar variabel pada data kriminalitas tersebut?
3. Bagaimana faktor yang dapat mewakili semua faktor penyebab kriminalitas?
4. Bagaimana solusi yang dapat diberikan kepada pemerintah untuk menyelesaikan kasus
kriminalitas?
5. Apakah terdapat perbedaan populasi antara kategori poor dan not poor?
1.4. Tujuan dan Manfaat
Tujuan dan manfaat dari paper ini adalah sebagai berikut.
1. Mengetahui gambaran umum masyarakat yang berada dibawah garis kemiskinan
2. Mengetahui hubungan antar variabel pada data kriminalitas
3. Mengetahui faktor yang dapat mewakili semua faktor penyebab kriminalitas
4. Mengetahui solusi yang dapat diberikan kepada pemerintah untuk menyelesaikan kasus
kriminalitas
5. Mengidentifikasi perbedaan populasi antara kategori poor dan not poor.
1.5. Batasan dan Asumsi
Berikut merupakan batasan dari penelitian.
1. Data yang digunakan hanya yang berasal dari kepolisian
2. Data yang diberikan valid serta reliable
3. Data dikumpulkan pada tahun 1990

2
2. Metodologi
Pada penelitian ilmiah, metodologi memiliki peranan penting untuk mendapatkan data yang valid
dan reliabel serta dapat menyelesaikan masalah. Berikut merupakan diagram penelitian yang
dilakukan,

Regres
i

Uji
Korela
si

An.
Faktor

Gambar 1 Diagram Penelitian

Penelitian diawali melakukan analisis faktor-faktor yang mempengaruhi tingkat kesejahteraan

masyarakat, yaitu dengan menggunakan metode regresi multi-linear. Perbedaan antara regresi multi-
linear dengan regresi linier adalah jumlah variabel yang independen (mempengaruhi) lebih dari satu
variabel. Pada paper ini, variabel independen berjumlah sebanyak 8 variabel, diantaranya populasi.
rentang usia 16 sampai 24 tahun, jumlah masyarakat perkotaan, jumlah masyarakat di bawah garis
kemiskinan, jumlah masyarakat yang tidak lulus sekolah menengah, jumlah masyarakat
pengangguran, jumlah work mom, serta pendapatan perkapita. Variabel tersebut didapatkan dari data
komunitas yang diberikan oleh kepolisian. Berikut merupakan persamaan untuk regresi multi-linear.
= + + + ⋯+
Dimana Y adalah variabel dependen; A,B,C,….N adalah konstanta; dan , , . . adalah variabel
independen.
Setelah ditentukan gambaran kasar terhadap faktor, diperoleh data metrik yang bedistribusi
normal. Penelitian dilakukan dengan analisis terhadap hubungan antar setiap faktor tersebut. Analisis
dilakukan menggunakan Korelasi Pearson karena metode ini dapat mengolah data metrik dan
berdistribusi normal serta menghasilkan nilai korelasi antar setiap variabel.
Faktor-faktor tersebut kemudian direduksi hingga menjadi beberapa faktor yang benar-benar
dapat menggambarkan kondisi dari masyarakat dan menjadi bahan pertimbangan bagi pemerintah
untuk mengurangi angka kriminalitas. Reduksi faktor dilakukan dengan menggunakananalisis faktor.
Setelah itu dilakukan pengecekan terhadap perbedaan rata-rata populasi antara komunitas yang
berada di bawah garis kemiskinan dan yang tidak berada di bawah garis kemiskinan. Uji statistik
yang digunakan adalah one-way ANOVA.

3. Pengolahan Data
Pada bab ini akan dijelaskan mengenai pengolahan data yang dilakukan peneliti.

3.1 Deskripsi Masyarakat di Bawah Garis Kemiskinan

Masyarakat di bawah garis kemiskinan dipengaruhi beberapa faktor, antara lain populasi,
rentang usia 16 sampai 24tahun, jumlah masyarakat perkotaan, jumlah yang belum
menyelesaikan pendidikannya, pengangguran serta pendapatan perkapita. Faktor-faktor ini
diregresi dengan menggunakan analisis regresi multi-linear. Analisis regresi digunakan untuk

3
mengetahui persamaan antara variabel dependen dan independen, selain itu analisis regresi akan
menunjukkan besar kontribusi dari setiap variabel independen terhadap variabel dependen.

Tabel 1 Regresi Multi Linear

Model R R Square Adjusted R Std. Error of the

Square Estimate
a
1 .962 .925 .925 .03500

Berdasarkan Tabel 1, maka dapat dilihat bahwa R2 bernilai 0.925, artinya model yang
dihasilkan sangat baik,ada hubungan yang sangat dekatantara variabel independen dan dependen
tersebut.

Tabel 2 Koefisien Persamaan Regresi

Model Unstandardized Standardized t Sig.
Coefficients Coefficients
B Std. Error Beta
(Constant) -.027 .007 -3.784 .000
Population .921 .056 .914 16.532 .000
Age16to24 .030 .005 .038 5.612 .000
Numburban .012 .055 .012 .218 .827
1
PctUnemployed .034 .007 .053 5.034 .000
PctWorkMom .055 .007 .087 8.224 .000
perCapInc -.018 .005 -.024 -3.439 .001
CrimperPop -.014 .007 -.022 -2.074 .038
Tabel 2 juga menunjukkan koefisien dari persamaan regresi tersebut. Persamaan regresi
tersebut adalah:
= −0.027 + 0.921 + 0.03 + 0.012 + 0.034 + 0.055 − 0.018 − 0.014
Variabel X1, X2, … Xn berturut-turut adalah variable populasi, rentang usia, jumlah masyarakat
perkotaan, jumlah pengangguran, jumlah ibu-ibu yang bekerja, pendapatan perkapita, serta
jumlah kejahatan per populasi.
Untuk menilai signifikansi dari setiap variabel, maka digunakan analisis t. Hal ini
disebabkan karena analisis t dapat menjelaskan sejauh mana suatu variabel independen secara
individual menerangkan variasi variabel dependen (Ghozali. 2006). Analisis tersebut
menggunakan hipotesis sebagai berikut.
Ho : variabel tidak berpengaruh signifikan
H1 : variabel berpengaruh signifikan
Uji dilakukan terhadap nilai signifikansi. Bila nilai sig.<0.1, maka peneliti memiliki
cukup bukti untuk menolak Ho, artinya ada pengaruh signifikan antara variabel independen
dengan dependen. Contohnya adalah variabel populasi dengan nilai signifikansi sebesar 0.000,
maka peneliti memiliki bukti untuk menolak Ho. Variabel ini juga berpengaruh besar terhadap
jumlah masyarakat yang berada di bawah garis kemiskinan karena memiliki nilai koefisien 0.921.

4
 Berdasarkan tabel 2, dapat disimpulkan bahwa faktor populasi, usia yang berkisar 16
sampai 24 tahun, jumlah yang belum menyelesaikan pendidikannya, pengangguran serta
pendapatan perkapita berpengaruh signifikan terhadap jumlah masyarakat di bawah garis
kemiskinan.
3.2 Hubungan antar Variabel
Untuk mencari hubungan antar variabel, maka peneliti menggunakan uji korelasi. Uji
yang dilakukan adalah menggunakan uji korelasi Pearson, namun data yang akan digunakan
harus bersifat normal sehingga perlu dilakukan uji normalitas. Uji normalitas dilakukan
menggunakan uji Kolmogorov-Smirnov. Hasil uji normalitas dapat dilihat pada Lampiran 1,
berdasarkan hasil tersebut disimpulkan bahwa data berdistribusi normal dan uji korelasi Pearson
dapat dilakukan. Berikut merupakan beberapa hasil dari korelasi Pearson tersebut.
Tabel 3 Korelasi Pearson

Population Age16to24 NumbUrban NumUnderPov PctNotHSGrad

** ** ** ** **
ViolentCrimesPerPop Pearson .367 .099 .363 .448 .483
Correlation
Sig. (2- .000 .000 .000 .000 .000
tailed)
Sum of 21.636 7.681 21.612 26.590 45.452
Squares
and Cross-
products
Covariance .011 .004 .011 .013 .023
N 1994 1994 1994 1994 1994

Uji korelasi Pearson menggunakan hipotesis sebagai berikut.

Ho : Tidak ada korelasi antara variabel A dan variabel B
H1 : Ada korelasi antara variabel A dan variabel B
Bila nilai signifikansi < 0.1, maka peneliti memiliki cukup bukti untuk menolak Ho. Contohnya
dapat dilihat hubungan antar variabel ViolentCrimesPerPop dengan Populasi. Nilai sig.bernilai
0.000, artinya ada korelasi antar variabel tersebut senilai 0.367. Berdasarkan nilai korelasi
tersebut,dapat dilihat bahwa variabel yang berpengaruh besar terhadap kejahatan adalah
pengangguran, yang bernilai 0.534, dilanjutkan dengan tidak lulus sekolah sejumlah 0.483 dan
masyarakat yang berada di bawah garis kemiskinan senilai 0.448. Sedangkan variabel yang tidak
berpengaruh besar adalah rentang usia 16 sampai 24 tahun senilai 0.099. Berdasarkan tabel 3
juga dapat dilihat korelasi antar variabel bernilai positif atau negatif. Hasil hubungan dari semua
variabel terdapat pada Lampiran 2.
3.3 Faktor yang Mempengaruhi Kriminalitas
Seperti yang telah disebutkan sebelumnya, terdapat banyak faktor yang mempengaruhi
kriminalitas. Kendati demikian, agar lebih mudah diinterpretasi, maka faktor-faktor tersebut
direduksi sehingga yang harus diperhatikan hanyalah beberapa faktor yang sudah mewakili.
Reduksi faktor tersebut dilakukan menggunakan analisis faktor karena dapat digunakan untuk
menganalisis interrelationship diantara sejumlah variabel dengan cara mengelompokkan variabel
yang sejenis. Proses reduksi dilakukan dengan menggunakan piranti lunak SPSS. Sebelum
dilakukan analisis faktor, maka dilakukan pengecekan terhadap data menggunakan KMO. Nilai

5
 KMO > 0.5 mengindikasikan peneliti memiliki cukup data sehingga dapat dilakukan analisis
lanjutan.

Tabel 4 KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .700
Approx. Chi-Square 18069.672
Bartlett's Test of Sphericity df 28
Sig. .000

Berdasarkan Tabel 4 dapat dilakukan karena nilai KMO adalah 0.7 yang
mengindikasikan data cukup. Selain menggunakan KMO, kecukupan data dapat dilihat dari anti-
image, seperti yang terlihat pada Lampiran 3. Setelah itu dari software SPSS muncul output
berupa komunalitis yang mengindikasikan jumlah variansi yang dapat dijelaskan oleh variabel.
Selain itu, outputnya adalah tabel variansi seperti pada tabel di bawah.
Tabel 5 Total Variance Explained
Comp Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
onent Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulativ
e%
1 3.201 40.013 40.013 3.201 40.013 40.013 2.941 36.757 36.757
2 2.290 28.624 68.638 2.290 28.624 68.638 2.546 31.826 68.582
3 1.149 14.357 82.995 1.149 14.357 82.995 1.153 14.412 82.995
4 .854 10.678 93.672
5 .235 2.933 96.605
6 .212 2.655 99.260
7 .053 .665 99.926
8 .006 .074 100.000

Extraction Method: Principal Component Analysis.

Berdasarkan tabel 5, dapat dilihat eigen value serta variansi yang dapat dibawa oleh
faktor tersebut. Selanjutnya untuk memilih faktor, dapat dilihat dari persen kumulatif variansi dari
data. Dari tabel tersebut, dapat dilihat bahwa variansi yang dijumlahkan hanya dari faktor dengan
eigen value lebih besar dari 1, artinya faktor tersebut setidaknya dapat menjelaskan dengan baik
hubungan dari dalam faktor tersebut. Berdasarkan data, karena terdapat 3 komponen yang
memiliki eigen value lebih besar dari 1, maka didapatkan 3 faktor baru. Selain itu, jumlah faktor
juga dapat dilihat dari scree plot, yang menyediakan visualisasi lonjakan variansi seperti yang
terdapat pada Lampiran 4.
Setelah ditentukan terdapat 3 faktor yang dapat mewakili semua variabel,maka dilakukan
pengelompokan variabel seperti yang ditunjukkan pada Tabel 6. Terdapat penyaringan data pada
saat pengolahan, yaitu menghapus data bila bernilai < 0.3karena asumsi bahwa variabel tersebut
tidak dapat terjelaskan secara baik oleh faktor yang dituju. Berdasarkan tabel tersebut, dapat
dilihat bahwa pada component matrix, masih terdapat beberapa variabel yang berjumlah dominan
di dua faktor. Oleh sebab itu, untuk mempermudah interpretasi, dilakukan rotasi matrix. Setelah
dilakukan rotasi, terlihat bahwa setiap komponen hampir semuanya dipetakan khusus ke satu
faktor. Oleh sebab itu dapat terlihat bahwa terdapat tiga faktor:
Faktor 1 : Population, NumbUrban, NumUnderPov
Faktor 2 : PctNotHSGrad, PctUnemployed,perCapInc

6
 Faktor 3 : Age16to24,PctWorkMom
Selain itu, terdapat koefisien skor yang berasal dari setiap variabel untuk setiap faktor, seperti
yang terdapat pada Lampiran 6. Misalnya adalah untuk variabel populasi didapatkan persamaan:
0.345A-0.048B+0.017C, dimana A adalah faktor 1, B adalah faktor 2 dan C adalah faktor 3.
Tabel 6 Pengelompokan Variabel

a a
Component Matrix Rotated Component Matrix
Component Component
1 2 3 1 2 3

Population 0.852 0.51 Population 0.994

Age16to24 0.641 Age16to24 0.655

NumbUrb NumbUrb
0.833 0.538 0.992
an an
NumUnde NumUnde
0.914 0.357 0.964
rPov rPov
PctNotHS PctNotHS
0.496 -0.734 0.892
Grad Grad
PctUnemp PctUnemp
0.592 -0.684 0.903
loyed loyed
PctWorkM PctWorkM
0.768 -0.313 0.756
om om
perCapInc -0.471 0.723 -0.311 perCapInc -0.845 -0.356
Extraction Method: Principal Component Extraction Method: Principal Component
Analysis. Analysis.
Rotation Method: Varimax with Kaiser
a. 3 components extracted.
Normalization.
a. Rotation converged in 4 iterations.

3.4 Identifikasi Perbedaan Populasi

Setelah pengecekan hubungan antar variabel dan mereduksi faktor,maka diidentifikasi perbedaan
antara rata-rata populasi masyarakat yang berada di bawah garis kemiskinan dan tidak. Pengecekan
perbedaan populasi dilakukan menggunakan uji one way ANOVA. Uji ini dilakukan untuk mengetahui
ada tidaknya perbedaan rata-rata dari kelompok sampel atau lebih yang tidak berhubungan serta
memberikan informasi tentang rata-rata yang lebih tinggi.
Sebelumnya, dilakukan pemberian kode untuk setiap kelompok untuk mempermudah interpretasi
data. Angka 1 adalah komunitas dengan kategori Poor (persentase<0.4) dan angka 2 adalah
komunitas dengan kategori Not-Poor (persentase>0.4). Oleh sebab itu digunakan uji statistic one way
ANOVA. Uji statistic ini menggunakan p-value sebesar 0.1 dan menggunakan hipotesis sebagai
berikut.
H0 : =
H1 : Ada perbedaan signifikan antar rata-rata kategori

7
 Tabel 7 Deskripsi Kategori

N Mean Std. Std. Error 95% Confidence Interval for Mean Minimum Maximum
Deviation Lower Bound Upper Bound
Poor 1942 .0572 .12784 .00290 .0515 .0629 .00 1.00
NotPoor 52 .0731 .08422 .01168 .0496 .0965 .00 .35
Total 1994 .0576 .12691 .00284 .0520 .0632 .00 1.00
Berdasarkan tabel 7, dapat dilihat bahwa terdapat 1994 data,dengan 1942 data tergolong
pada ketegori Poor (rata-rata sebesar 0.0572) dan 52 data tergolong pada kategori Not Poor (rata-
rata sebesar 0.0731).
Tabel 8 Test of Homogeneity of Variances
Populasi

Levene Statistic df1 df2 Sig.

.051 1 1992 .822

Setelah itu dilakukan pengecekan terhadap variansi data, seperti yang terlihat pada tabel
di atas. Uji hipotesisnya adalah sebagai berikut.
H0 : Tidak ada perbedaan variansi kategori
H1 : Terdapat perbedaan variansi kategori
Kemudian dilakukan pengecekan terhadap p-value. Berdasarkan perhitungan, didapatkan p-value
sebesar 0.822, artinya peneliti memiliki cukup bukti untuk menerima H0, artinya tidak ada
perbedaan variansi kategori sehingga dapat dilakukan analisis lanjutan.
Tabel 9 ANOVA
Populasi
Sum of Squares df Mean Square F Sig.
Between Groups .013 1 .013 .795 .373
Within Groups 32.085 1992 .016
Total 32.097 1993
Tabel di atas menunjukkan hasil dari uji ANOVA. Karena P-value bernilai 0.373, artinya peneliti
memiliki cukup bukti untuk menerima H0, yaitu tidak ada perbedaan rata-rata antara kategori
Poor dan Not Poor.

4. Keluaran
4.1. Pencarian Solusi
Rumusan masalah yang telah dijabarkan pada bagian 1 diselesaikan dengan
menggunakan metodologi yang telah dijabarkan, antara lain dengan menggunakan analisis
Regresi-Multilinear, Korelasi Pearson, Analisis Faktor, serta ANOVA. Setiap uji tersebut
menghasilkan nilai signifikansi (P-value) yang nantinya akan dibandingkan dengan level of
significance data, yaitu 10%. Bila p-value hitung < 0.1, maka peneliti memiliki cukup bukti
untuk menolak H0.

8
 Pada regresi multi-linear dihasilkan angka-angka koefisien dari faktor yang
mengindikasikan besar kontribusi mereka terhadap variabel dependen, yaitu persentase
komunitas yang berada di bawah garis kemiskinan. Hasil dari regresi multi linear adalah sebagai
berikut.
Tabel 10 Interpretasi Regresi Multi Linear

No Variabel Hubungan Interpretasi

1 Populasi Populasi berpengaruh signifikan terhadap Populasi makin meningkat, tingkat UPL meningkat
jumlah di bawah garis kemiskinan
2 Usia 16-24 Usia berpengaruh signifikan terhadap Usia makin meningkat, maka tingkat UPL
tahun jumlah di bawah garis kemiskinan meningkat, namun tidak tinggi (hampir tidak ada
pengaruh)
3 Jumlah tidak Jumlah tidak lulus berpengaruh signifikan Jumlah tidak lulus makin meningkat, maka tingkat
lulus sekolah terhadap jumlah di bawah garis kemiskinan UPL meningkat, namun tidak tinggi (hampir tidak
ada pengaruh)
4 Jumlah tidak Jumlah tidak bekerja berpengaruh Jumlah tidak bekerja makin meningkat, maka
bekerja signifikan terhadap jumlah di bawah garis tingkat UPL meningkat, namun tidak tinggi
kemiskinan (hampir tidak ada pengaruh)
5 Work Mom Jumlah work mom berpengaruh signifikan Jumlah work makin meningkat, maka tingkat UPL
terhadap jumlah di bawah garis kemiskinan menurun
6 Pendapatan Jumlah pendapatan berpengaruh signifikan Jumlah pendapatan makin meningkat, maka tingkat
Perkapita terhadap jumlah di bawah garis kemiskinan UPL menurun

Selanjutnya pada saat menguji korelasi Pearson, dilakukan pengecekan terhadap p-value
dan mengidentifikasi besar hubungan antar variabel. Hubungan antar variabel dapat berupa
hubungan positif, dimana kenaikan pada variabel yang satu menyebabkan kenaikan pada
variabel lainnya, serta hubungan negatif, dimana kenaikan pada variabel yang satu menyebabkan
penurunan pada variabel yang lain. Berikut merupakan hasil korelasi Pearson.
Tabel 11 Interpretasi Korelasi Pearson

No Variabel Besar Interpretasi

1 Populasi
2 Rentang usia 16 sampai 24
3 Jumlah masyarakat di perkotaan
4 Jumlah masyarakat yang berada
di bawah garis kemiskinan
5 Jumlah masyarakat yang tidak
lulus pendidikan menengah
6 Jumlah masyarakat
pengangguran
7 Jumlah work mom
Korelasi
21.636 Semakin tinggi populasi maka semakin tinggi tingkat
kriminalitas
7.681 Semakin tinggi jumlah masyarakat dengan rentang usia
16 sampai 24 maka semakin tinggi tingkat kriminalitas
21.612 Semakin tinggi jumlah masyarakat perkotaan maka
semakin tinggi tingkat kriminalitas
26.590 Semakin tinggi jumlah masyarakat yang berada di
bawah garis kemiskinan maka semakin tinggi tingkat
kriminalitas
45.452 Semakin tinggi jumlah masyarakat yang tidak lulus
pendidikan menengah maka semakin tinggi tingkat
kriminalitas
47.336 Semakin tinggi jumlah masyarakat pengangguran maka
semakin tinggi tingkat kriminalitas
-12.251 Semakin tinggi jumlah work mom maka semakin

9
No Variabel Besar Interpretasi
Korelasi
rendah tingkat kriminalitas
8 Pendapatan perkapita -31.244 Semakin tinggi pendapatan perkapita maka semakin
rendah tingkat kriminalitas
Setelah itu untuk menyelesaikan masalah kriminalitas,dilakukan analisis terhadap faktor-
faktor terkait. Namun bila terlalu banyak variabel, maka akan sulit bila dilakukan pencarian
solusi. Oleh sebab itu dilakukan reduksi faktor sehingga didapatkan faktor yang dapat mewakili
keseluruhan faktor tersebut.
Yang terakhir, untuk menganalisis apakah ada perbedaan populasi antar kategori poor
dan not-poor, yang dikategorikan berdasarkan tingkat persentase di bawah garis kemiskinan,
dilakukan analisis one way ANOVA. Hasilnya adalah tidak ditemukan perbedaan populasi yang
signifikan antara komunitas dengan kategori poor dan not poor.
4.2. Rekomendasi Solusi
Berdasarkan data yang telah diolah tersebut, didapatkan penanganan masalah kriminalitas
adalah dengan mengkombinasikan solusi dari setiap analisis yang dilakukan. Seperti yang
diketahui, kriminalitas selalu dikaitkan dengan kemiskinan (Sugiarti,2014). Dengan
berkembangnya globalisasi, maka masyarakat atau proses dituntut untuk semakin cepat sehingga
tenaga manusia digantikan dengan robot. Oleh sebab itu pendapatan perkapita akan turun
sehingga menyebabkan tingkat kesejahteraan masyarakat juga semakin menurun.
Penurunan kesejahteraan masyarakat tentunya dipengaruhi oleh berbagai variabel. Pada
sub bab sebelumnya telah disebutkan variabel-variabel tersebut. Berdasarkan analisis regresi
juga dilihat bahwa variabel yang paling berpengaruh adalah jumlah pengangguran, diikuti
dengan jumlah yang belum tamat sekolah. Kedua variabel ini tentu akan saling mempengaruhi,
yaitu bila seseorang tidak mengenyam bangku pendidikan, maka beliau tidak akan mempunyai
keahlian sehingga tidak ada industri yang mau memperkerjakan mereka, terutama karena pada
jaman sekarang dibutuhkan optimasi dari semua elemen industri. Hal ini tentu akan
menyebabkan masyarakat yang tidak punya keahlian itu menjadi pengangguran, yang tentunya
mempengaruhi pendapatan perkapita mereka. Pendapatan perkapita yang rendah akan
menyebabkan tingkat kesejahteraan yang menurun.
Setelah mengetahui penyebab dan korelasi antar variabel terhadap masyarakat yang
berada di bawah garis kemiskinan, maka dilakukan pencarian hubungan antar setiap variabel
tersebut terhadap tingkat kriminalitas. Didapatkan bahwa yang paling mempengaruhi tingkat
kriminalitas adalah jumlah masyarakat yang belum lulus sekolah menengah dan juga
pengangguran, kemudian diikuti dengan pendapatan perkapita. Variabel-variabel tersebut,
seperti yang telah disebutkan sebelumnya, juga berhubungan dengan tingkat masyarakat yang
berada di bawah garis kemiskinan, sehingga dapat disimpulkan bahwa kriminalitas berkaitan
dengan masyakarat yang berada di bawah garis kemiskinan dan berhubungan dengan jumlah
masyarakat pengangguran dan masyarakat yang berada di bawah garis kemiskinan. Variabel ini
adalah yang utama dibandingkan dengan variabel lainnya, sehingga treatment yang dilakukan
mengutamakan variabel ini, namun tidak mengabaikan variabel lainnya.
Kendati demikian, terdapat banyak variabel yang mempengaruhi kriminalitas sehingga
tidak efektif bila melihat dan menyelesaikan permasalahan dengan merujuk pada satu per satu

10
 variabel. Oleh sebab itu dikelompokkan variabel ke dalam 3 faktor yang dapat mewakilinya,
faktor tersebut antara lain tingkat kelahiran, tingkat pendidikan, dan tingkat produktivitas.
Solusi yang ditawarkan atas permasalahan tersebut antara lain membuat wajib belajar
bagi masyarakat dan melakukan penyuluhan tentang urgensi pendidikan bagi masyarakat. Selain
itu karena pendidikan berhubungan jumlah pekerjaan, maka pemerintah dapat
mengkoordinasikan agar terdapat kerjasama antara penyedia layanan pendidikan dan layanan
pekerjaan sehingga masyarakat yang mengenyam bangku pendidikan dapat memiliki tujuan yang
jelas ke depannya. Solusi ini menjawab permasalahan yang berkaitan dengan masyarakat yang
belum lulus sekolah dan jumlah pengangguran.
Selain itu untuk kelahiran, maka direkomendasikan solusi berupa penyuluhan tentang
tingkat pertumbuhan penduduk serta bahaya seks bebas karena merupakan salah satu pemicu
tingginya populasi masyarakat. Seks bebas di negara Amerika Serikat merupakan sesuatu yang
sangat biasa sehingga perlu adanya treatment terhadap hal ini. Beberapa diantaranya adalah
penekanan terhadap norma agama, menetapkan wajib nikah dan batas minimal menikah serta
memberikan sanksi pada masyarakat yang melanggar norma.
Setelah itu, solusi yang ditawarkan untuk tingkat tingkat produktivitas adalah
memberikan kesempatan bagi masyarakat dengan rentang usia 16 sampai 24 tahun untuk
bekerja. Berdasarkan permasalahan yang telah dijabarkan, dapat disimpulkan bahwa masyarakat
dengan rentang usia demikian bekerja dengan motif untuk mencari uang, bukan sekadar mengisi
waktu luang. Oleh sebab itu dengan adanya kesempatan bekerja, maka akan mengurangi
kesempatan bagi para remaja melakukan kejahatan untuk mendapatkan uang. Selain itu solusi
untuk ibu yang dipaksa melakukan tindak kejahatan dengan motif keuangan adalah dengan
membuat lembaga swadaya yang membekali mereka dengan keahlian sehingga dapat bekerja
dan menghasilkan uang.
Kendati demikian, dari analisis one way ANOVA didapatkan bahwa tidak ada perbedaan
populasi antara komunitas dengan kategori poor dan not poor, walaupun jumlah kategori not
poor sangat sedikit. Hal ini mengindikasikan bahwa komunitas dengan kategori yang not poor
memiliki populasi yang lebih besar. Artinya yang harus dilakukan adalah mengurangi komunitas
yang besar karena lebih berbahaya (rata-rata menghasilkan persentase kejahatan yang lebih
tinggi sesuai dengan tingkatan kategorinya) serta menghilangkan komunitas yang tidak
signifikan atau berjumlah kecil.

5. Analisis
Berdasarkan solusi yang telah direkomendasikan di atas, tidak semuanya dapat
diimplementasikan dengan mudah di dalam masyarakat, terutama karena Amerika Serikat merupakan
negara yang liberal. Solusi yang pertama adalah terkait dengan tingkat pendidikan. Wajib belajar
merupakan sesuatu yang sulit diimplementasikan. program sejenis telah diimplementasikan di
Amerika Serikat. Terdapat 14.000 sekolah di Amerika Serikat dan setiap tahunya pemerintah
Amerika Serikat mengalokasikan dana pendidikan sebesar $500 triliun untuk digunakan keperluan
sekolah dasar dan menengah. Namun hambatannya adalah kondisi ekonomi dari siswa, contohnya
tidak mampu memenuhi perlengkapan sekolahnya, seperti membeli tas, buku, dan lain sebagainya.
Keterbatasan financial sering kali menjadi bahan bullying bagi para siswa sehingga mengurungkan

11
 niat untuk sekolah. Padahal, dengan adanya wajib pendidikan, maka terdapat peningkatan taraf hidup
masyarakat karena mereka memiliki keahlian dan dapat diperkerjakan sesuai dengan bidangnya.
Begitu juga dengan menekan jumlah kelahiran. Menekan jumlah kelahiran dapat berdampak
mengurangi jumlah komunitas. Kendati demikian, dengan gaya hidup yang bebas di Amerika, maka
hal ini akan sulit diimplementasikan. Sosialisasi sangat sulit dilakukan di Amerika Serikat. Di
Amerika Serikat pernah diadakan pelatihan tentang pencegahan terhadap kekerasan seksual selama 5
tahun, namun hal ini gagal dilakukan. Selain itu banyak masyarakat yang tergolong masyarakat
marginal, yang merupakan kaum minoritas sehingga sulit bila diberikan pencerdasan.
Kemudian solusi untuk tingkat produktivitas berhubungan dengan menekan jumlah pengangguran
dengan membuka lapangan pekerjaan. Amerika Serikat yang termasuk negara maju akan sulit
melakukan hal ini karena tergantikannya peran manusia dengan robot yang bekerja lebih efisien. Hal
ini dibuktikan dengan pengambil alihan ratusan ribu pekerjaan di Amerika Serikat oleh robot industri
sejak 1990. Padahal, bila ada lapangan pekerjaan, maka jumlah pengangguran dapat ditekan, serta
meningkatkan pendapatan perkapita, yang tentunya akan mengurangi tingkat kriminalitas.
Selain itu untuk solusi mengurangi jumlah komunitas kecil yang tidak berdampak signifikan sulit
karena mereka tergolong masyarakat marginal. Disamping itu, mengurangi jumlah komunitas besar
juga sulit karena mereka sudah mempunyai pengaruh besar dan mempunyai modal (financial)
sehingga terkadang sulit untuk diprediksi gerak-geriknya. Pengurangan komunitas yang lebih kecil
terlebih dahulu lebih mudah karena biasanya kejahatan yang dilakukan mereka berhubungan dengan
financial dan kejahatan kecil sehingga dengan adanya keterampilan dan lapangan kerja membantu
mengurangi kejahatan tersebut.

6. Kesimpulan dan Saran

Kesimpulan dari paper ini adalah sebagai berikut.
1.Gambaran umum masyarakat yang berada dibawah garis kemiskinan berhubungan dengan populasi,
rentang usia 16 sampai 24, masyarakat yang tidak lulus pendidikan menengah, masyarakat
pengangguran, wanita yang bekerja, serta pendapatan perkapita.
2. Hubungan antar variabel pada data kriminalitas dapat dilihat pada bagian 3.2.Variabel yang
berpengaruh besar terhadap kejahatan adalah pengangguran, yang bernilai 0.534, dilanjutkan dengan
tidak lulus sekolah sejumlah 0.483 dan masyarakat yang berada di bawah garis kemiskinan senilai
0.448. Sedangkan variabel yang tidak berpengaruh besar adalah rentang usia 16 sampai 24 tahun
senilai 0.099.
3. Faktor yang dapat mewakili semua faktor penyebab kriminalitas adalah sebanyak tiga, antara lain
faktor kelahiran yang mewakili Population, NumbUrban, NumUnderPov ; faktor pendidikan yang
mewakili PctNotHSGrad, PctUnemployed, perCapInc, serta faktor tingkat produktivitas yang
mewakili Age16to24, PctWorkMom .
4. Solusi yang dapat diberikan kepada pemerintah untuk menyelesaikan kasus kriminalitas antara lain
dengan mengadakan sosialisasi untuk menekan tingkat kelahiran, menggalakkan program wajib
belajar, menyediakan lapangan pekerjaan, serta menekan jumlah komunitas (yang dimulai dari
komunitas yang berada di daerah kecil).
5. Tidak ada perbedaan populasi yang signifikan antara kategori poor dan not poor.

12
 Saran dari paper ini adalah.
1. Sebaiknya dilakukan uji validitas dan realibilitas data untuk memastikan data dapat dilakukan
analisis lanjutan
2. Globalisasi merupakan sesuatu yang tidak dapat dihindari sehingga yang harus dilakukan adalah
mengadopsi nilai yang baik dan mengabaikan dampak yang buruk. Terutama untuk negara Amerika
yang terdiri dari berbagai kategori manusia, peran pemerintah sangat penting. Pemerintah seharusnya
dapat berperan sebagai pengontrol masyarakat tersebut. Berbagai rekomendasi solusi telah disebutkan
pada paper ini disertai dengan analisisnya. Baiknya bila pemerintah mengkaji ulang solusi yang
ditawarkan beserta batasannya sehingga nantinya dapat menanggulangi batasan tersebut dan akhirnya
dapat mengaplikasikan solusi tersebut untuk mengurangi tingkat kriminalitas.
3. Analis berasal dari negara yang berbeda nilai dengan negara Amerika Serikat. Oleh sebab itu ada
beberapa hasil interpretasi atau rekomendasi solusi yang kurang sesuai bila diaplikasikan ke negara
terkait. Oleh sebab itu harus ada kajian lebih lanjut untuk menyesuaikan nilai tersebut sehingga pesan
peneliti tersampaikan.
Daftar Pustaka
[1] Atdikbut USA. (2016). Sistem Pendidikan di Amerika Serikat.[online] Tersedia :
http://education.embassyofindonesia.org/sistem-pendidikan-di-amerika-serikat/, diakses
pada tanggal 22 Desember 2017
[2] E.H, Lidwina. (2014). Dampak Pertumbuhan Penduduk terhadap Peningkatan Kenakalan
Remaja. [online] Tersedia : https://www.kompasiana.com/lidwinaeka/dampak-
pertumbuhan-penduduk-terhadap-peningkatan-kenakalan-
remaja_54f38329745513972b6c7986, diakses pada tanggal 23 Desember 2017.
[3] Hair, J.F. (2006) Multivariate Data Analysis. Edisi 9. New Jersey : Pearson Education
[4] Kaiser, Henry F. Mar. (1974). An Index of Factorial Simplicity. Psychometrika, Vol 39, pp.
31–36.
[5] Newswire. (2017). Robot Mulai Gantikan Pekerjaan Manusia di Amerika Serikat.[online]
Tersedia : http://kabar24.bisnis.com/read/20170711/19/670351/robot-mulai-gantikan-
pekerjaan-manusia-di-amerika-serikat, diakses pada tanggal 23 Desember 2017.
[6] Purwoko, Krisman. (2011). Amerika Serikat, Negeri dengan 20 Juta Kriminal!. [online]
Tersedia : http://www.republika.co.id/berita/internasional/global/11/04/19/ljwc1z-amerika-
serikat-negeri-dengan-20-juta-kriminal, diakses pada tanggal 22 Desember 2017.
[7] Siadari, Ray. (2012). Teori Penyebab Terjadinya Kejahatan dan Upaya Penanggulangan
Kejahatan. [online] Tersedia : http://raypratama.blogspot.co.id/2012/02/upaya-
penanggulangan-kejahatan.html, diakses pada tanggal 22 Desember 2017
[8] Sugiarti, Yayuk. (2014). Kemiskinan sebagai Salah Satu Penyebab Timbulnya Tingkat
Kejahatan. Madura : Fakultas Hukum Universitas Wiraraja Sumenep

13
[9] Tempo.co. (2013). Militer AS Dinilai Gagal Tangani Kekerasan Seksual [online] Tersedia
: https://dunia.tempo.co/read/481590/militer-as-dinilai-gagal-tangani-kekerasan-seksual,
diakses pada tanggal 23 Desember 2017
[10] Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (1993). Probability and statistics for
engineers and scientists (Vol. 5). New York: Macmillan.
[11] Zeithaml, V.A., Parasuraman, A. and Berry, L.L. (1990), Delivering Quality Service;
Balancing Customer Perceptions and Expectations. New York: The Free Press.

14
 LAMPIRAN
Lampiran 1 Uji Kolmogorov Smirnov

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 1994

a,b
Mean 0E-7
Normal Parameters
Std. Deviation .18080736
Absolute .134
Most Extreme Differences Positive .134
Negative -.069
Kolmogorov-Smirnov Z 5.996
Asymp. Sig. (2-tailed) .000

Lampiran 2 Uji Korelasi Pearson

Population Age16to24 NumbUrban NumUnder PctNotHS PctUnem PctWork perCapInc ViolentCrimes

Pov Grad ployed Mom PerPop

Pearson ** ** ** * ** ** * **
1 .076 .993 .948 .057 .145 -.090 -.056 .367
Correlation

Sig. (2-tailed) .001 .000 .000 .011 .000 .000 .013 .000

Sum of
Population
Squares and
32.097 3.184 32.216 30.664 2.921 7.427 -3.997 -2.690 21.636
Cross-
products

Covariance .016 .002 .016 .015 .001 .004 -.002 -.001 .011

1
 N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** * ** ** ** ** **
.076 1 .055 .136 .064 .201 .033 -.342 .099
Correlation
Sig. (2-tailed) .001 .015 .000 .004 .000 .139 .000 .000
Sum of
Age16to24 Squares and
3.184 55.253 2.323 5.760 4.286 13.502 1.925 -21.694 7.681
Cross-
products
Covariance .002 .028 .001 .003 .002 .007 .001 -.011 .004
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** * ** ** ** **
.993 .055 1 .936 .033 .117 -.091 -.021 .363
Correlation
Sig. (2-tailed) .000 .015 .000 .136 .000 .000 .352 .000
Sum of
NumbUrban Squares and
32.216 2.323 32.784 30.613 1.731 6.024 -4.079 -1.018 21.612
Cross-
products
Covariance .016 .001 .016 .015 .001 .003 -.002 -.001 .011
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** ** ** ** ** ** ** **
.948 .136 .936 1 .193 .291 -.147 -.179 .448
Correlation
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000
Sum of
NumUnderPov Squares and
30.664 5.760 30.613 32.623 9.985 15.022 -6.573 -8.740 26.590
Cross-
products
Covariance .015 .003 .015 .016 .005 .008 -.003 -.004 .013
N 1994 1994 1994 1994 1994 1994 1994 1994 1994

2
 Pearson * ** ** ** ** ** **
.057 .064 .033 .193 1 .744 -.207 -.699 .483
Correlation
Sig. (2-tailed) .011 .004 .136 .000 .000 .000 .000 .000
Sum of
PctNotHSGrad Squares and
2.921 4.286 1.731 9.985 81.732 60.677 -14.667 -53.901 45.452
Cross-
products
Covariance .001 .002 .001 .005 .041 .030 -.007 -.027 .023
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** ** ** ** ** ** ** **
.145 .201 .117 .291 .744 1 -.347 -.655 .504
Correlation
Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000
Sum of
PctUnemployed Squares and
7.427 13.502 6.024 15.022 60.677 81.460 -24.511 -50.461 47.336
Cross-
products
Covariance .004 .007 .003 .008 .030 .041 -.012 -.025 .024
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** ** ** ** ** **
-.090 .033 -.091 -.147 -.207 -.347 1 -.041 -.151
Correlation
Sig. (2-tailed) .000 .139 .000 .000 .000 .000 .070 .000
Sum of
PctWorkMom Squares and
-3.997 1.925 -4.079 -6.573 -14.667 -24.511 61.204 -2.710 -12.251
Cross-
products
Covariance -.002 .001 -.002 -.003 -.007 -.012 .031 -.001 -.006
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson * ** ** ** ** **
perCapInc -.056 -.342 -.021 -.179 -.699 -.655 -.041 1 -.352
Correlation

3
 Sig. (2-tailed) .013 .000 .352 .000 .000 .000 .070 .000
Sum of
Squares and
-2.690 -21.694 -1.018 -8.740 -53.901 -50.461 -2.710 72.789 -31.244
Cross-
products
Covariance -.001 -.011 -.001 -.004 -.027 -.025 -.001 .037 -.016
N 1994 1994 1994 1994 1994 1994 1994 1994 1994
Pearson ** ** ** ** ** ** ** **
.367 .099 .363 .448 .483 .504 -.151 -.352 1
Correlation

Sig. (2-tailed) .000 .000 .000 .000 .000 .000 .000 .000

Sum of
ViolentCrimesPerPop Squares and
21.636 7.681 21.612 26.590 45.452 47.336 -12.251 -31.244 108.184
Cross-
products

Covariance .011 .004 .011 .013 .023 .024 -.006 -.016 .054

N 1994 1994 1994 1994 1994 1994 1994 1994 1994

**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).

4
Lampiran 3 Matriks Anti Image

Anti-image Matrices

Population Age16to24 NumbUrban NumUnderPov

Population .011 -.003 -.011 -.010

Age16to24 -.003 .790 .008 -.030

NumbUrban -.011 .008 .012 .000

NumUnderPov -.010 -.030 .000 .075

Anti-image Covariance
PctNotHSGrad .004 .149 -.002 -.018

PctUnemployed -.001 -.036 .005 -.028

PctWorkMom -.005 .010 .003 .018

perCapInc .006 .175 -.009 .007
a
Population .657 -.032 -.930 -.348
a
Age16to24 -.032 .456 .076 -.125
a
NumbUrban -.930 .076 .678 -.005
a
NumUnderPov -.348 -.125 -.005 .912
Anti-image Correlation
PctNotHSGrad .067 .292 -.025 -.112

PctUnemployed -.022 -.071 .078 -.181

PctWorkMom -.053 .013 .031 .077

perCapInc .102 .337 -.130 .046

Anti-image Matrices

PctNotHSGrad PctUnemployed PctWorkMom perCapInc

Population .004 -.001 -.005 .006

Age16to24 .149 -.036 .010 .175

NumbUrban -.002 .005 .003 -.009

NumUnderPov -.018 -.028 .018 .007
Anti-image Covariance
PctNotHSGrad .330 -.139 .042 .158

PctUnemployed -.139 .323 .180 .099

PctWorkMom .042 .180 .741 .180

perCapInc .158 .099 .180 .344

a
Population .067 -.022 -.053 .102
a
Age16to24 .292 -.071 .013 .337
a
Anti-image Correlation NumbUrban -.025 .078 .031 -.130
a
NumUnderPov -.112 -.181 .077 .046

PctNotHSGrad .688 -.427 .086 .468

1
 PctUnemployed -.427 .737 .368 .298

PctWorkMom .086 .368 .422 .357

perCapInc .468 .298 .357 .650

a. Measures of Sampling Adequacy(MSA)

Lampiran 4 Komunalitas

Communalities

Initial Extraction

Population 1.000 .988

Age16to24 1.000 .528
NumbUrban 1.000 .984
NumUnderPov 1.000 .963
PctNotHSGrad 1.000 .804
PctUnemployed 1.000 .848
PctWorkMom 1.000 .682
perCapInc 1.000 .842

Lampiran 5 Scree Plot Analisis Faktor

2
Lampiran 6 Matriks Koefisien Score

Component Score Coefficient Matrix

Component

1 2 3

Population .345 -.048 .017

Age16to24 .026 .099 .564
NumbUrban .346 -.060 .003
NumUnderPov .325 .020 .011
PctNotHSGrad -.043 .360 -.103
PctUnemployed -.007 .359 -.129
PctWorkMom -.010 -.138 .663
perCapInc .035 -.331 -.290

Extraction Method: Principal Component Analysis.

Rotation Method: Varimax with Kaiser Normalization.
Component Scores.