Bab 4

Deteksi Kelompok Kejahatan Terorganisir

Pada bab ini, kami mengusulkan pendekatan komputasi yang baru untuk deteksi kelompok
kejahatan terorganisir berdasarkan perspektif analisis jejaring sosial. Aspek yang menantang
terlihat dari kebutuhan akan definisi yang tepat tentang apa yang sebenarnya dimaksud dengan
organisasi kejahatan. Dihadapkan dengan keragaman karakteristik yang membingungkan dalam
definisi kejahatan terorganisir dan organisasi kejahatan, model konseptual dari kejahatan
terorganisir tampaknya tidak ditampilkan dengan jelas dalam kepustakaan—setidaknya tidak
untuk tujuan analisis komputasi [3, 6, 8, 10, 18, 20].
Mengupayakan suatu untuk definisi yang umum dan terbuka, sumber alami adalah
hukum pidana, meskipun ini tergantung pada negara tertentu. Mulai dari definisi organisasi
kejahatan dalam Criminal Code of Canada [10], kami fokus pada aspek metodis dan analitis
dalam memanfaatkan metode analisis jejaring sosial untuk deteksi kelompok kejahatan
terorganisir. Tujuan utamanya adalah untuk mendorong analisis jaringan kejahatan bersama
sebagai sarana yang efektif untuk menggali informasi tentang organisasi kejahatan dari data
kejahatan yang dilaporkan polisi. Kami berpendapat bahwa hampir tidak mungkin untuk
mendapatkan informasi tersebut dengan menggunakan metode analisis kejahatan tradisional.
Pendekatan yang dijelaskan di sini terdiri dari tiga unsur pokok utama: (1) metode
deteksi kelompok, perluasan dari metode perkolasi kelompok kecil [14], untuk mencocokkan
definisi kerja kelompok pelaku pelanggaran; (2) metode penilaian kejahatan yang mencakup dan
memformalkan karakteristik umum dari kejahatan terorganisir yang ditemukan di kepustakaan
kriminologi; (3) model evolusi kelompok untuk menganalisis perilaku kelompok pelaku
pelanggaran selama siklus hidup kelompok yang dapat diamati.
Bagian 4.1 membahas pekerjaan terkait. Bagian 4.2 memperkenalkan konsep dan
terminologi, serta definisi masalah. Bagian 4.3 menyajikan kerangka deteksi kelompok kejahatan
terorganisir. Selanjutnya, Bagian 4.4 membahas hasil eksperimen kami terhadap kumpulan data
kejahatan British Columbia. Bagian 4.5 menyimpulkan bab ini.
4.1 Latar Belakang
Studi penelitian sejarah yang terkemuka tentang bagaimana kejahatan terorganisir berkembang di
New York City, Block [3] menyimpulkan bahwa “kejahatan terorganisir tidak hanya lebih
terpotong-potong dan kacau dari yang dipercaya, tetapi juga melibatkan jaringan pengaruh yang
menghubungkan penjahat dengan mereka yang memegang kekuasaan di dunia politik dan
ekonomi.” Dia berpendapat bahwa pola afiliasi dan pengaruh ini jauh lebih penting daripada
struktur formal mana pun, karena memungkinkan penjahat memaksimalkan peluang, dan harus
dianggap sebagai sistem sosial.
Sistem sosial kejahatan terorganisir [3]:

. . . mengacu pada gagasan bahwa kejahatan terorganisir adalah sebuah fenomena yang dikenal sebagai
balas jasa oleh penjahat profesional, politisi, dan klien. Sehingga, kejahatan terorganisir dipahami terletak
pada hubungan yang mengikat anggota dari individu dan institusi dunia atas (upperworld) hingga dunia
bawah (underworld). Kejahatan terorganisir bukanlah fenomena modern, perkotaan, atau kelas bawah;
melainkan perubahan historis yang mencerminkan perubahan dalam masyarakat sipil, ekonomi politik.
Oleh sebab itu, secara alami, kejahatan terorganisir semakin dianggap mewakili serangkaian hubungan
antara penjahat profesional, klien dan politis dunia atas . . .

Dihadapkan dengan keragaman karakteristik yang membingungkan yang dirujuk dalam

definisi yang ada dari kejahatan terorganisir dan organisasi kejahatan, model konseptual tersebut
tampaknya tidak muncul dengan jelas dalam kepustakaan. Mengupayakan suatu definisi yang
umum dan terbuka, sumber yang berpotensi adalah Kitab Undang-Undang Hukum Pidana
(KUHP – the criminal code), meskipun hal ini bergantung pada negara tertentu. Sebagai
contohnya, definisi dasar dari organisasi kejahatan ditetapkan oleh the Criminal Code of Canada
[10, hlm. 49]:
Di Kanada, organisasi kejahatan adalah sebuah kelompok, bagaimanapun mengaturnya: (a) terdiri dari
tiga atau lebih orang di dalam atau di luar Kanada; dan (b) memiliki salah satu tujuan atau kegiatan
utamanya memfasilitasi atau melakukan satu atau lebih pelanggaran yang berat, yang, jika dilakukan,
kemungkinan besar akan mengakibatkan penerimaan langsung atau tidak langsung dari keuntungan
materiil, termasuk keuntungan finansial, oleh kelompok atau oleh salah satu dari orang-orang yang
terlibat dalam kelompok tersebut. Definisi tersebut selanjutnya menetapkan bahwa undang-undang
tersebut mengecualikan kelompok yang terdiri dari tiga atau lebih orang yang telah terbentuk secara acak
untuk langsung melakukan satu pelanggaran. Bagian 467.1(1) dari the Criminal Code of Canada.
 Melihat definisi kuantitatif, dalam upaya untuk mengukur kejahatan terorganisir, van der
Heijden mengajukan sejumlah karakteristik umum [18]:
1. Kerja sama oleh lebih dari dua orang;
2. Melakukan tindak pidana berat (dicurigai);
3. Bertekad mengejar keuntungan dan/atau kekuasaan;
4. Masing-masing memiliki tugasnya sendiri;
5. Untuk jangka waktu yang lama dan tidak terbatas;
6. Menggunakan beberapa bentuk disiplin dan kontrol;
7. Beroperasi lintas batas;
8. Menggunakan kekerasan atau cara lain yang cocok untuk mengintimidasi intimidation;
9. Menggunakan struktur komersial atau bisnis;
10. Terlibat dalam pencucian uang;
11. Memberikan pengaruh pada politik, media, administrasi publik, otoritas peradilan, atau
ekonomi
Menurut [18], bagi setiap kelompok kejahatan yang dapat dikategorikal sebagai kejahatan
terorganisir, diperlukan paling sedikit enam ciri-ciri d atas, dimana butir 1, 2, dan 3 wajib,
sehingga tiga ciri-ciri lagi yang perlu ditambahkan.
Studi penting di Belanda [8] menyebutkan variasi besar dalam bentuk kerja sama
kejahatan terorganisir, dan menyimpulkan bahwa “kerangka kerja tidak perlu menunjukkan
struktur hierarki atau pembagian kerja yang cermat yang sering dikaitkan dengan sindikat mafia.
Persimpangan jejaring sosial dengan pembagian kerja yang belum sempurna juga telah
dimasukkan sebagai kelompok dalam sub-laporan tentang peran kelompok kejahatan di Belanda,
di mana mereka disebut sebagai kelompok kecil. Seperti yang ditunjukkan. . . ada perbedaan
yang cukup besar dalam pola kerja sama dalam kelompok-kelompok kecil ini dan antara
kelompok kecil dan jaringan yang lebih besar dari orang-orang yang bekerja dengan mereka
secara kebetulan.”
Kumpulan definisi yang impresif dari kejahatan terorganisir khusus untuk berbagai
negara, yang terdiri lebih dari 150 catatan individu secara keseluruhan, telah dikumpulkan oleh
von Lampe [20]. Selain itu, kumpulan ini juga mencakup komentar tentang cara mendefinisikan
kejahatan terorganisir, dan definisi oleh individu terkemuka dan lembaga pemerintah, misalnya,
seperti Biro Investigasi Federal (FBI–the Federal Bureau of Investigation). Meskipun demikian,
tidak termasuk definisi istilah "kelompok kejahatan terorganisir". Mengingat sifat abstrak dan
bahasa informal dari definisi ini, tidak jelas sama sekali bagaimana dan sejauh mana seseorang
dapat memanfaatkan sumber daya ini untuk mendefinisikan kejahatan terorganisir dalam istilah
komputasi dan/atau matematika yang tepat.
Dalam kebanyakan kasus, definisi yang ada dalam kepustakaan terkait dengan kejahatan
terorganisir berkonsentrasi pada tiga perspektif penting untuk mengkarakterisasi sifat bentuk
kejahatan ini [19]: Dalam pandangan pertama, kejahatan terorganisir pada pokoknya berkaitan
dengan kejahatan. Kejahatan terorganisir dipandang sebagai jenis aktivitas kriminal tertentu yang
memiliki karakteristik khusus seperti kontinuitas yang berbeda dengan perilaku kejahatan yang
tidak biasa. Dalam pandangan kedua, kejahatan terorganisir lebih berkaitan dengan konsentrasi
kekuasaan, baik dalam struktur ekonomi maupun politik masyarakat. Dan dalam pandangan
ketiga, penekanannya ada pada keteraturan. Artinya, aspek penting dari kejahatan terorganisir
adalah bagaimana para pelaku pelanggaran terhubung satu sama lain lebih dari apa yang mereka
lakukan.
Berdasarkan pandangan ketiga, kami merumuskan aspek sentral dari jaringan kriminal
dalam kerangka formal yang koheren dan konsisten untuk memberikan dasar semantik yang
tepat yang konsisten dengan penelitian kriminologi, analisis jejaring sosial, dan operasi
penegakan hukum. Hasil kerja kami bertujuan untuk menjembatani kesenjangan konseptual
antara tingkat data, tingkat penggalian, dan tingkat interpretasi, dan ditujukkan untuk
mengembangkan metode komputasi yang mutakhir untuk menganalisis jaringan kejahatan
bersama untuk mendeteksi dan menggali struktur kejahatan terorganisir dan bagaimana mereka
berkembang dari waktu ke waktu untuk membantu penegak hukum dan badan intelijen dalam
penyelidikan mereka.

4.2 Deteksi Komunitas di Jejaring Sosial

Bagian ini membahas konsep komunitas di jejaring sosial, dan mengeksplorasi metode deteksi
komunitas. Kelompok kejahatan dalam jaringan kejahatan bersama dapat dipandang sebagai
komunitas di jejaring sosial, sehingga dapat diidentifikasi menggunakan metode deteksi yang
ada.
Deteksi komunitas di jejaring sosial telah menarik banyak perhatian, dan banyak definisi
konsep komunitas telah diusulkan. Dalam kajian ilmu sosial, jejaring sosial dianggap sebagai
dasar perilaku dan aktivitas sosial. Studi jaringan sosial yang berbeda menunjukkan bahwa
struktur komunitas mempengaruhi transfer informasi, komunikasi, dan kerjasama. Arti
komunitas secara umum dijelaskan sebagai perasaan bahwa anggota suatu kelompok berarti bagi
satu sama lain dan bagi kelompok, dan keyakinan umum bahwa kebutuhan anggota akan
terpenuhi melalui komitmen mereka untuk bersama [12].
Deteksi Komunitas di Jaringan Statis Algoritme untuk deteksi komunitas dalam grafik
statis biasanya mencari pembagian node yang "baik". Masalah utamanya adalah "apa sebenarnya
arti 'baik'?". Metode deteksi komunitas dapat dibagi menjadi tiga jenis:
Metode Berbasis Node. Dalam metode ini, setiap node dalam kelompok perlu memiliki
ciri-ciri yang khusus, artinya dua node dianggap sebagai anggota komunitas yang sama jika
posisinya di jaringan memenuhi beberapa batasan tertentu. Kelompok kecil (clique) adalah
contoh untuk jenis komunitas ini, yang bekerja berdasarkan kebersamaan lengkap dalam
kelompok. Kelompok kecil adalah sub-grafik lengkap yang maksimal dari node di mana setiap
dua node dihubungkan oleh sebuah edge.
NP-lengkap mengidentifikasi kelompok kecil yang maksimum dalam sebuah grafik.
Salah satu pendekatan serangan brutal untuk menemukan kelompok kecil yang maksimal adalah
dengan memindai semua node dalam jaringan. Kemudian, untuk setiap node, kelompok kecil
yang maksimal termasuk node tersebut terdeteksi. Setiap node dihapus dari jaringan ketika
dilintasi sekali. Metode ini berfungsi dalam jaringan skala kecil, tetapi tidak praktis untuk
jaringan skala besar. Strategi utama untuk mengatasi masalah ini adalah dengan memangkas
node tersebut secara efisien yang tidak mungkin disertakan dalam kelompok kecil yang
maksimal.
Dalam pendekatan yang diusulkan oleh Abello dkk. [1], di setiap langkah, sebagian
jaringan diambil sampelnya. Dalam bagian ini, kelompok kecil yang maksimal diidentifikasi
menggunakan pendekatan pencarian serakah. Kelompok kecil yang terdeteksi digunakan sebagai
batas bawah pemangkasan pada langkah berikutnya. Jika kelompok kecil yang maksimal terbesar
hingga langkah ini memiliki node p, node dengan derajat kurang dari p akan dihapus pada
langkah berikutnya.
Terdapat metode berbasis node lain yang mempertimbangkan jangkauan antar node.
Misalnya, k-kelompok kecil adalah sub-grafik yang panjang jalur terpendek di antara dua node-
nya tidak lebih dari k, atau k-klan didefinisikan sebagai k-kelompok kecil yang merupakan
panjang jalur terpendek antara dua node dalam sub-grafik, yang tidak lebih dari k. Perbedaan
antara k-kelompok kecil dan k-klan adalah panjang jalur terpendek di k-kelompok kecil
ditentukan di jaringan asli, tetapi untuk k-klan berada di sub-grafik
Ada juga pendekatan berbasis node yang mengharuskan setiap anggota komunitas
berdekatan dengan jumlah anggota lain yang ditentukan. Misalnya, k-plex adalah sub-grafik
dengan n node, yang setiap node memiliki setidaknya n – k terdekat. Umumnya, metode seperti
itu tidak cocok untuk ekstraksi komunitas dari jaringan sosial dunia nyata di mana distribusi
derajat node biasanya power-law.
Batasan lain untuk komunitas dapat didefinisikan memiliki lebih banyak koneksi ke node
lain di dalam komunitas daripada yang ada di luar komunitas. Sebagai contoh, kumpulan LS [4]
didefinisikan sebagai kumpulan node C yang salah satu sub-setnya yang tepat memiliki lebih
banyak tautan ke komplemennya di dalam C daripada di luar C.
Metode berbasis kelompok. Pada metode kelas kedua untuk deteksi komunitas, fokusnya
adalah pada struktur koneksi di dalam grup. Berlawanan dengan metode berbasis node, dalam
metode berbasis kelompok, node dalam kelompok dapat memiliki konektivitas rendah selama
semua node memenuhi beberapa kriteria yang ditentukan. Salah satu contoh kriteria tersebut
adalah kepadatan edge. Dalam kelompok berbasis kepadatan, jika kepadatan edge dalam
kelompok node lebih besar dari ambang batas, maka kelompok node tersebut disebut komunitas.
Metode berbasis jaringan. Metode berbasis jaringan bertujuan untuk membagi jaringan
menjadi beberapa kelompok yang terpisah dengan mengoptimalkan beberapa kriteria. Untuk
mengatasi masalah ini, beberapa ukuran kualitas telah ditetapkan memberikan skor pada
pembagian. Dalam metode berbasis jaringan, pembagian yang baik adalah salah satu yang
memaksimalkan ukuran kualitas ini. Salah satu ukuran kualitas yang paling umum digunakan
adalah modularitas [13], dan memaksimalkan modularitas dengan cara serakah merupakan salah
satu metode utama untuk deteksi komunitas. Modularitas Q didefinisikan sebagai

dimana adalah pecahan edge yang menghubungkan node dalam komunitas i ke node dalam

komunitas j, dan = . Tetapi telah ditunjukkan bahwa maksimisasi modularitas adalah

masalah NP-lengkap [5], dan dengan demikian sebagian besar solusi untuk masalah ini
didasarkan pada algoritme aproksimasi.

Pelacakan Evolusi Komunitas Dalam studi tentang bagaimana komunitas berevolusi dari waktu
ke waktu, dua pendekatan utama telah digunakan: (1) menerapkan informasi temporal secara
langsung dalam proses deteksi komunitas, dan (2) melacak komunitas melalui sejumlah potret
dalam waktu.
Untuk memperhitungkan informasi yang sementara, saat ini, jenis pengelompokan baru,
yang disebut pengelompokan evolusioner, yang menangkap proses evolusi pengelompokan
dalam data yang dicap waktu telah diperkenalkan. Chakrabarti dkk. [7] membahas masalah ini
dalam penelitian mereka dengan mengusulkan kerangka kerja yang disebut kehalusan sementara.
Hasil dari kerangkan ini adalah urutan pengelompokan, satu untuk setiap langkah waktu dengan
mempertimbangkan dua aspek yang berbeda: pertama, harus memiliki kualitas sejarah yang
rendah, yang artinya harus serupa dengan pengelompokan sebelumnya dalam urutan tersebut,
dan, kedua, harus memiliki kualitas potret yang tinggi yang artinya memiliki akurasi yang tinggi
dalam pengelompokan data yang diterima saat ini. Algoritme pengelompokan evolusioner

mengambil matriks kemiripan dan menghasilkan pengelompokan .

Pengelompokan evolusioner menggunakan fungsi biaya untuk menukar kualitas sejarah dan
kualitas potret. Fungsi biaya terdiri dari dua bagian yaitu biaya potret dan biaya sementara.

dimana, parameter α (0 < α < 1) digunakan untuk menyesuaikan tingkat preferensi untuk
masing-masing dari kedua biaya tersebut.

Dalam ukuran biaya, biaya potret mengukur SC, kualitas pengelompokan pada waktu

t, sehubungan dengan dan biaya sementara TC, menentukan seberapa kemiripan

pengelompokan saat ini dibandingkan dengan pengelompokan sebelumnya. Untuk biaya

potret dan sementara, hubungannya adalah semakin kecil nilainya, semakin baik kualitasnya.

Kerangka kerja kehalusan sementara mencoba menemukan pengelompokan yang

meminimalkan persamaan (4.2).

 Beberapa metode pengelompokan grafik evolusioner telah diusulkan pada kerangka
kehalusan sementara, misalnya FacetNet [11], yang memperluas algoritme pengelompokan lunak
[21] dari grafik statis ke grafik dinamis.
Metode lain untuk mengidentifikasi hubungan antar komunitas adalah membangun
jaringan untuk setiap langkah waktu. Pertama, komunitas diidentifikasi dalam masing-masing
jaringan ini, kemudian hubungan antar komunitas pada potret berikutnya dikenali. Karenanya,
algoritme semacam itu beroperasi dalam dua langkah: (1) deteksi komunitas statis pada setiap
potret; dan (2) menerapkan fungsi pencocokan untuk mengenali bagaimana komunitas statis ini
berkembang selama beberapa langkah waktu. Kami menggunakan pendekatan ini untuk
mengidentifikasi jejak evolusi kelompok kejahatan terorganisir, seperti yang digambarkan dalam
Bagian 4.3.2.

4.3 Konsep dan Definisi

Bagian ini memperkenalkan konsep dasar dan definisi yang digunakan pada bagian berikut [17].
Kami mendefinisikan konsep kelompok pelaku pelanggaran sebagai sub-struktur dasar dari
jaringan pelaku pelanggaran, dan menjelaskan metode analitik untuk melacak bagaimana
kelompok pelaku pelanggaran berevolusi selama "siklus hidup" mereka. Terakhir, kami
mendefinisikan konsep kelompok kejahatan terorganisir dalam hal karakteristik yang
membedakan kemungkinan organisasi kejahatan dari kelompok pelaku pelanggaran yang biasa.
Dasar pemikiran dari karakteristik yang diterapkan harus sejalan dengan definisi masing-masing
dalam the Criminal Code of Canada

Kelompok Pelaku Pelanggaran Suatu kelompok pelaku pelanggaran terdiri dari tiga atau lebih
pelaku yang bekerja sama dalam melakukan tindak kejahatan. Hal ini tidak berarti bahwa setiap
anggota kelompok berpartisipasi (berperan aktif) dalam semua pelanggaran yang dilakukan.
Kelompok-kelompok ini tidak serta merta terbentuk sebagai hasil dari rencana yang telah
ditetapkan, dan juga tidak perlu aktif terus menerus. Anggota mereka umumnya memiliki
pengelompokan lokal dalam jaringan yang lebih besar dan terhubung secara longgar, sehingga
mengangkat kelompok kecil dengan berbagai tingkat koneksi ke kelompok lain yang lebih besar.

Dalam model kami, mengacu pada kelompok pelaku pelanggaran n dalam jaringan

kejahatan bersama pada periode waktu t.

Aktivitas Kelompok Untuk kelompok pelaku pelanggaran , aktivitas menyatakan

seberapa sering anggota kelompok ini melakukan pelanggaran selama periode dibandingkan

dengan periode waktu .

Kriminalitas Kelompok Kriminalitas kelompok menunjukkan ukuran untuk tingkat

keseriusan pelaku pelanggaran yang dilakukan oleh anggota kelompok pelaku pelanggaran

selama periode waktu t.

Kelompok Pelaku Pelanggaran yang Aktif Kelompok pelaku pelanggaran aktif memiliki

riwayat aktivitas kejahatan yang terus berlanjut selama periode waktu yang lebih lama.

menunjukkan kelompok pelaku pelanggaran yang aktif, yang aktif pada jangka waktu , dan

masih aktif pada jangka waktu .

Kelompok Pelaku Pelanggaran yang Berat Kelompok pelaku pelanggaran yang keseluruhan
aktivitas kejahatan pada periode waktu t menunjukkan tingkat tindak pidana berat yang tinggi

disebut kelompok pelaku pelanggaran yang berat, dan disebut sebagai dengan .

Secara teori, dua konsep kelompok kejahatan terorganisir dan kelompok pelaku
pelanggaran berbeda, setidaknya dalam tiga aspek dasar: (1) Skala dan motivasi kelompok; (2)
Interval waktu kerja sama; dan (3) Jenis tindak kejahatan. Namun dalam praktiknya, perbedaan
antara kelompok kejahatan terorganisir dan kelompok pelaku pelanggaran tidak selalu jelas, dan
dapat menjadi tantangan. Untuk memenuhi persyaratan sebagai organisasi kriminal, syarat yang
diperlukan (tetapi tidak cukup) adalah melakukan pelanggaran serius yang dimotivasi oleh
keuntungan materiil. Sementara arti dari "pelanggaran yang serius" dapat didefinisikan secara
jelas dalam istilah pelanggaran yang diklasifikasikan sebagai pelanggaran yang dapat didakwaan
atau tindak pelanggaran campuran atau tindak pelanggaran berat undang-undang dalam
KUHP/Undang-Undang Narkoba dan Zat Terkendali, yang artinya manfaat materiil dapat
ditafsirkan secara sempit, atau dalam arti yang lebih luas.
4.4 Definisi Masalah

Masalah 1: Organized Crime Group Detection. Mengingat , jaringan kejahatan

bersama yang digali untuk interval waktu , dan α dan β sebagai aktivitas kelompok

dan batas kriminalitas, tujuannya adalah untuk mendeteksi kelompok kejahatan terorganisir

yang tertanam dalam jaringan kejahatan bersama pada periode waktu .

Masalah 2: Organized Crime Group Evolution Trace Mengingat kelompok kejahatan

terorganisir yang terdeteksi dalam interval waktu , tujuannya adalah untuk

mengidentifikasi jejak evolusi , yang merupakan urutan dari

kelompok kejahatan terorganisir yang terkait selama periode waktu t berurutan yang

menunjukkan transformasi dinamis, atau evolusi, dari kelompok kejahatan terorganisir sejak

periode waktu t.

4.5 Pendekatan yang Diusulkan

Pada bagian ini, kami pertama kali menyajikan pendekatan yang diusulkan untuk deteksi
kelompok kejahatan terorganisir, dan kedua, kami menjelaskan model untuk melacak evolusi
kelompok kejahatan terorganisir [17].

4.6 Deteksi Kelompok Kejahatan Terorganisir

Deteksi komunitas adalah topik penelitian yang menojol di jejaring sosial. Sifat kelompok
kejahatan terorganisir, bagaimanapun, berbeda dari jenis kelompok lain seperti kelompok
persahabatan atau kepenulisan bersama. Kelompok kejahatan terorganisir biasanya
berkedudukan kuat dengan keanggotaan kelompok yang didefinisikan secara eksplisit dan ketat.
Tidak seperti persahabatan atau komunitas kepenulisan bersama, kelompok pelaku pelanggaran
juga memiliki ciri-ciri hubungan antar anggotanya yang lebih sistematis dan terorganisir dalam
mencapai keuntungan materiil dari tindak kejahatan. Oleh karena itu, mendeteksi kelompok
kejahatan terorganisir membutuhkan definisi komunitas yang lebih ketat.
Berdasarkan pembahasan mendasar dalam kajian kriminologi, dapat diringkas bahwa
karakteristik penting dari kelompok kejahatan terorganisir sebagai: (1) Kelompok ini memiliki
setidaknya tiga anggota, dan dapat dikategorikan sebagai kelompok terpusat atau terdistribusi
atau hierarkis. Terlepas dari klasifikasi ini, fokus kami adalah pada kelompok pelaku
pelanggaran yang kepadatan kolaborasi intra-kelompoknya lebih tinggi daripada kepadatan
kolaborasi antarkelompok; (2) Kelompok kejahatan terorganisir ditandai oleh distribusi peran
dan derajat yang berbeda dari badan di antara individu, di mana kelompok dapat tumpang tindih
dan mungkin memiliki anggota yang sama; (3) Kelompok-kelompok ini melakukan kejahatan
yang berat dengan perspektif memperoleh keuntungan materiil; (4) Aktivitas mereka lebih
berkelanjutan dibandingkan dengan kelompok pelaku pelanggaran biasa.
Untuk tujuan deteksi kelompok kejahatan terorganisir, dalam setiap potret dari jaringan
kejahatan bersama, tugas-tugas berikut dilakukan secara berurutan: (1) Menemukan kelompok
pelaku pelanggar dalam jaringan saat ini; (2) Menghitung aktivitas dan tindak kejahatan
kelompok-kelompok ini dalam jangka waktu antara jaringan saat ini dan jaringan sebelumnya
berdasarkan pelanggaran yang dilakukan oleh anggotanya; (3) Menilai manfaat materiil yang
terkait dengan setiap pelanggaran yang dipertimbangkan dalam Langkah 2; (4) Mengidentifikasi
kelompok-kelompok yang memenuhi kemungkinan syarat sebagai organisasi kejahatan: (5)
Memperbaharui jejak evolusi kelompok untuk periode saat ini. Selanjutnya masing-masing
langkah ini dijelaskan secara lebih rinci.

Deteksi Kelompok Pelaku Pelanggaran Pada langkah pertama dari metode yang diusulkan,
kelompok pelaku pelanggaran dibangun dari k-kelompok kecil. Sebuah kelompok terdiri dari k-
kelompok kecil yang berdekatan, berbagi setidaknya k − 1 node satu sama lain. Karena
kelompok pelaku pelanggaran harus memiliki setidaknya tiga anggota, kami asumsikan k = 3.
Setiap kelompok kecil uniknya dimiliki oleh satu komunitas, tetapi mereka dalam komunitas
yang berbeda dapat berbagi node. Oleh karena itu, kami memiliki kelompok yang tumpang

tindih dengan anggota biasa. Untuk setiap kelompok pelaku , para anggota ini ditugaskan

sebagai kernel mereka. Kernel (inti) adalah anggota utama kelompok pelaku pelanggaran,

dan sepenuhnya terlibat dalam aktivitas kelompok. Pada langkah kedua, node orang terdekat
yang terhubung langsung ke kernel ditambahkan ke kelompok pelaku pelanggaran. Node ini

disebut periferal. Pinggiran dari kelompok pelaku pelanggaran dilambangkan dengan .

Deteksi Kelompok Kejahatan Terorganisir Aktivitas dan tindak kriminal kelompok pelaku
pelanggaran terdiri merupakan dua karakteristik utama untuk memahami struktur kelompok. Di
bawah ini, kami menyajikan bagaimana kedua ukuran ini dihitung. Kriminalitas kelompok

pelaku pelanggaran pada langkah waktu t, dilambangkan dengan , didefinisikan sebagai

dimana menunjukkan keseriusan suatu pelanggaran yang dilakukan oleh anggota

kelompok pada langkah waktu t. Misalkan menjadi pelanggaran di mana anggota

yang terlibat pada langkah waktu t. Aktivitas kelompok pelaku pada waktu sehubungan

dengan waktu , dilambangkan dengan , yang dihitung sebagai berikut:

dimana dan menunjukkan jumlah hubungan biner (kejahatan bersama) dalam

kelompok pelaku pelanggaran pada langkah waktu dan , masing-masing.

Untuk menentukan apakah kelompok pelaku pelanggaran yang terdeteksi memenuhi

syarat sebagai kelompok kejahatan terorganisir, aktivitas dan kriminalitas kelompok tersebut
dipertimbangkan. Untuk tujuan ini, kami mendefinisikan dua ambang α-aktivitas dan β-

kriminalitas. Kelompok pelaku pelanggaran tertentu dianggap sebagai kelompok aktif , jika

, dan sebagai kelompok serius, jika . Kami menganggap kelompok pelaku

pelanggaran sebagai kelompok kejahatan terorganisir, jika serius dan aktif. Nilai yang berarti
untuk α dan β harus ditentukan secara eksperimental. Algoritme 1 menguraikan pseudo-code dari
pendekatan ini.

Algoritme 1 Deteksi kelompok kejahatan terorganisir

Syarat: (1) Kumpulan data peristiwa kejahatan
(2) Indeks keseriusan kejahatan
(3) Batas aktivitas dan kriminalitas α, β
Memastikan:
Organized crime groups

1: /* Persiapan D */
2:
Untuk setiap rangkaian insiden kejahatan dalam interval
3: Menggali jaringan kejahatan bersama
4:
Mendeteksi kelompok pelaku pelanggaran
5:
Untuk setiap kelompok pelaku pelanggaran
6:
Menghitung aktivitas kelompok
7:
Menghitung kriminalitas kelompok
8: Mengidentifikasi kemungkinan kelompok kejahatan terorganisir
9:
Untuk setiap kemungkinan kejahatan terorganisir
10: Menilai manfaat materiil kelompok secara keseluruhan
11:
Menerapkan model jejak evolusi pada

4.7 Model Evolusi Kelompok Kejahatan Terorganisir

Seperti komunitas lainnya, kelompok kejahatan terorganisir biasanya berkembang seiring waktu.
Kelompok kejahatan terorganisir dapat tumbuh dengan menerima anggota baru, menyusut
dengan kehilangan anggota, terpecah menjadi kelompok yang lebih kecil, atau kelompok baru
dapat terbentuk dengan menggabungkan kelompok yang ada. Oleh karena itu, kami merancang
model yang membahas semua aspek evolusi kelompok kejahatan terorganisir ini.
Model tersebut perlu menentukan kelompok mana yang pada waktu sebelumnya telah
berkembang menjadi kelompok pada saat ini. Lima fenomena dapat terjadi pada kelompok
dalam satu potret: komunitas dapat bertahan, terpecah, bergabung, muncul, atau berhenti [16].
Untuk tujuan ini kami memperkenalkan fungsi pencocokan (matching function)
dimana menunjukkan rangkaian kelompok merupakan powerset dari . Untuk kelompok

kejahatan terorganisir tertentu dan kumpulan kelompok kejahatan terorganisir , Misalkan

menghasilkan kelompok sehingga kelompok ini memiliki persimpangan

terbesar dengan di atas ambang batas yang diberikan λ, sebagaimana didefinisikan secara

formal di bawah ini.

dimana, untuk dua kelompok kejahatan terorganisir , kami mendefinisikan

Dengan fungsi pencocokan, kami menerapkan aturan berikut untuk mengikuti jejak evolusi
kelompok kejahatan terorganisir:

 bertahan di slot waktu berikutnya sebagai , jika dan untuk

setiap , .

 terbagi menjadi kelompok , jika ada cukup banyak tumpang tindih antara

masing-masing kelompok yang dipecah ini dan , dan juga

berada di atas ambang batas minimum yang ditentukan sebelumnya.

 bergabung dengan beberapa kelompok lain menjadi , jika dan

: .

 berhenti,, jika tidak ada skenario di atas yang terjadi.

 muncul, jika : .

Aturan-aturan ini intuitif dan mudah diamati dalam siklus hidup kelompok, tetapi belum
cukup ketat. Masalah utama terletak pada penentuan ambang λ. Ambang batas ini perlu
ditentukan berdasarkan eksperimen dan observasi, misalnya dengan mempelajari sejarah yang
ada untuk kelompok kejahatan terorganisir di dunia nyata.

4.8 Eksperimen dan Hasil

Bagian ini menjelaskan evaluasi eksperimental dari metode yang diusulkan untuk deteksi
kelompok kejahatan terorganisir pada dataset kejahatan British Columbia [9]. Prinsip dasar
dalam karakterisasi “organisasi kejahatan” yang didefinisikan dalam the Criminal Code adalah
“fasilitasi atau pelaksanaan satu atau lebih pelanggaran berat, yang, jika dilakukan, kemungkinan
besar akan mengakibatkan penerimaan keuntungan materiil secara langsung atau tidak
langsung. . . oleh kelompok atau oleh salah satu dari orang-orang yang merupakan kelompok. "
Akibatnya, jenis tertentu dari kejahatan yang dilakukan memainkan peran penting dalam
menentukan apakah suatu kelompok kejahatan yang teridentifikasi dianggap sebagai kelompok
kejahatan terorganisir atau tidak. Dalam istilah komputasi abstrak, aspek ini secara efektif
membatasi ruang pencarian untuk dianalisis oleh algoritme data penggalian yang diterapkan,
sehingga semua pelanggaran yang tidak memenuhi syarat sebagai pelanggaran serius dengan
keuntungan materiil yang terkait diabaikan. Secara umum, penemuan pengetahuan dalam
kumpulan data dan data penggalian pada akhirnya dibatasi pada informasi yang dikodekan dalam
kumpulan data yang mendasarinya. Eksperimen ini dijalankan pada data historis yang
dianonimkan dengan batasan kualitas (mengacu pada atribut seperti kelengkapan, konsistensi,
dan kebisingan) seperti di semua kumpulan data kepolisian yang historis di mana verifikasi
terhadap "kebenaran besar" sering tidak layak atau bahkan tidak mungkin sehingga seseorang
harus mengerjakannya dengan data yang apa adanya. Dalam praktiknya, algoritme penambangan
data, bila digunakan dengan kumpulan data kejahatan saat ini, dan yang ditingkatkan,
memberikan dukungan keputusan untuk menjelajahi data yang dimasukkan secara manual.

4.9 Karakteristik Kelompok Pelaku Pelanggaran

Pada bagian ini, kami mengeksplorasi karakteristik kelompok pelaku pelanggaran yang
diekstraksi dan kelompok pelaku pelanggaran aktif. Data kejahatan dibagi menjadi lima cuplikan
waktu berikut, yang masing-masing mewakili interval waktu 12 bulan: Pertengahan 2001–
Pertengahan 2002; Pertengahan 2002–Pertengahan 2003; Pertengahan 2003–Pertengahan 2004;
Pertengahan 2004–Pertengahan 2005; dan Pertengahan 2005–Pertengahan 2006. Gambar 4.1
menunjukkan jumlah kelompok pelaku pelanggaran untuk berbagai ukuran kelompok k. Seperti
yang diharapkan, jumlah kelompok pelaku menurun dengan bertambahnya jumlah kelompok
kecil. Semua eksperimen yang dibahas di bawah ini didasarkan pada ukuran kelompok kecil k
yang sama atau lebih besar dari 3, ukuran kelompok minimum yang disyaratkan untuk organisasi
kriminal menurut the Criminal Code.

Sebagai contoh sederhana, kami mengasumsikan kelompok pelaku pelanggaran yang

terdiri dari tujuh anggota dengan sepuluh tautan kejahatan bersama yang terdeteksi pada saat
potret t = 2. Kami mengikuti perilaku kelompok ini pada saat potret t = 3, t = 4 dan t = 5, dan
selanjutnya mengasumsikan bahwa dalam potret 3–5, kami telah mengamati 2, 5, dan 9

kejahatan bersama, masing-masing, di antara anggota kelompok . Kemudian, aktivitas yang

dihitung untuk potret ini adalah , , dan . Aktivitas mengukur

aktivitas relatif dari kelompok kejahatan bersama seperti yang diamati dalam potret waktu
tertentu, dibandingkan dengan jumlah kejahatan bersama yang berbeda dari kelompok kejahatan
bersama yang serupa dalam potret kelompok ini pertama kali terdeteksi. Nilai ambang
diperkenalkan sebagai cara yang fleksibel untuk menyesuaikan tingkat aktivitas yang diamati di
mana perilaku penyimpangan sebenarnya diperhitungkan untuk analisis. Secara implisit, tingkat
aktivitas yang lebih tinggi yang diamati selama beberapa potret waktu yang berurutan
menunjukkan tingkat stabilitas yang lebih tinggi dari kelompok yang melakukan kejahatan.
Gambar 4.2 mengilustrasikan jumlah kelompok pelaku pelanggaran di setiap potret waktu untuk
ambang aktivitas α yang berbeda. Ambang batas aktivitas α menjelaskan persentase struktur
kelompok pelaku pelanggaran yang tetap tidak berubah di antara potret waktu.

Gambar 4.1 Jumlah kelompok pelaku pelanggaran menggunakan ukuran kelompok kecil
minimal yang berbeda

Gambar 4.2 Jumlah kelompok pelaku pelanggaran yang diamati dengan ambang batas aktivitas
yang berbeda
Bahkan dengan 60% dari struktur kelompok pelaku pelanggaran tetap utuh di antara potret-potret
(α = 0,6) masih sekitar 1% dari semua kelompok pelaku tetap dalam daftar kelompok pelaku
pelanggaran aktif, yang berarti bahwa beberapa kelompok pelaku pelanggaran menjaga kerja
sama mereka utuh dan tidak berubah dalam jangka waktu yang lebih lama .

Gambar 4.3 Jumlah kelompok pelaku pelanggaran yang aktif selama rentang waktu potret (yang
mungkin termasuk potret tidak aktif selain potret pertama dan terakhir dalam rentang tersebut

Kelompok pelaku pelanggaran aktif dapat lebih lanjut dicirikan secara berkelanjutan aktif selama
beberapa potret berturut-turut atau sebagai sporadis, dengan aktivitas mereka yang terjadi pada
interval waktu yang tidak teratur dengan potret perantara yang tidak aktif. 1 Dalam menilai
kelangsungan aktivitas kelompok pelaku pelanggaran, kami mempelajari aktivitas kriminal
mereka dalam beberapa cuplikan waktu, dengan menerapkan ambang batas aktivitas. Misalnya,

asumsikan skenario berikut ini. Grup terdeteksi pada potret t = 3, dan kelompok ini memiliki

empat anggota dan empat tautan yang menyinggung. Tidak ada aktivitas yang diamati dalam
potret waktu t = 4. Pada potret t = 5, tiga pelanggaran teramati. Untuk setiap ambang aktivitas

1
Kami menyadari kemungkinan aktivitas sporadis yang tampak dapat disebabkan oleh aktivitas kelompok yang
tidak menjadi perhatian polisi selama periode waktu tertentu, bukan dari kurangnya aktivitas kejahatan yang
sebenarnya selama periode waktu tersebut.
yang sama dengan atau kurang dari 0,75, kita dapat menganggap perbedaan potret waktu untuk

grup sama dengan dua.

Gambar 4.3 menunjukkan jumlah kelompok pelaku yang diamati selama periode waktu
dengan perbedaan satu, dua, tiga, dan empat tahun. Poin yang penting di sini adalah bahwa
dengan meningkatnya perbedaan waktu, jumlah kelompok yang diamati berkurang secara
eksponensial. Bahkan dengan nilai yang sangat rendah untuk α, hanya beberapa kelompok yang
dapat diamati selama empat potret, dan dengan nilai tinggi untuk α, tidak ada kelompok yang
dapat diamati selama empat potret. Namun, kami juga dapat melihat bahwa dari satu potret ke
potret berikutnya, aktivitas kelompok lanjutan lebih umum, bahkan untuk nilai α yang lebih
tinggi. Hasil temuan ini mendukung teori kolaborasi waktu singkat dari sebagian besar kelompok
pelaku.
Menurut [2], banyak organisasi kejahatan berumur pendek, dan terdiri dari pelaku
pelanggaran dengan keterampilan yang diinginkan yang membentuk jaringan sementara untuk
memanfaatkan peluang kejahatan. Disimpulkan [2] bahwa kelompok-kelompok ini sering bubar
setelah memanfaatkan peluang, mencari peluang baru yang mungkin memerlukan kerja sama
keterampilan lain.

Gambar 4.4 Jumlah kelompok pelaku pelanggaran dengan jumlah total potret waktu yang
diamati di mana suatu kelompok dianggap aktif
Aspek penting lainnya dari kelompok pelaku pelanggaran aktif adalah jumlah potret di mana

kelompok tersebut sedang aktif. Asumsikan kelompok pelaku pelanggaran memiliki 4

anggota dan 5 tautan kejahatan bersama yang terdeteksi pada saat potret t = 1. Kami telah
mengamati 1, 0, 4, dan 5 kejahatan bersama, masing-masing, di antara anggota kelompok ini
dalam potret waktu dari t = 2 hingga t = 5. Aktivitas kelompok ini untuk masing-masing foto ini

adalah, masing-masing, , , , dan . Kemudian kami

menyimpulkan bahwa kelompok pelaku pelanggaran c1 1 aktif pada tiga potret untuk setiap
ambang aktivitas yang sama dengan atau kurang dari 0,2. Statistik fenomena ini diilustrasikan
pada Gambar 4.4. Bahkan dengan ambang aktivitas kecil α, kami tidak memiliki kelompok
pelaku pelanggaran yang aktif di semua potret waktu. Dengan median α, kami mengamati hanya
beberapa kelompok pelaku pelanggaran yang aktif dalam tiga kali potret. Hal ini mungkin
menunjukkan bahwa, karena alasan seperti penahanan atau perubahan taktik dan tren pelaku
kejahatan, kelompok pelaku pelanggaran umumnya tidak mempertahankan aktivitas kejahatan
bersama mereka untuk jangka waktu yang lama.
Untuk mempertimbangkan kelompok aktif, kami menerapkan ambang aktivitas α = 0,3.
Hal ini menunjukkan bahwa sebuah kelompok dianggap aktif jika mempertahankan setidaknya
30% dari strukturnya tidak berubah di potret waktu berikutnya.
Ukuran Kelompok Pelaku Pelanggaran disimpulkan [2] bahwa kebanyakan organisasi
kriminal berukuran cukup kecil. Studi kami menguatkan hasil ini. Gambar 4.5 menunjukkan
distribusi ukuran untuk kelompok pelaku pelanggaran yang diketahui dan kelompok pelaku
pelanggaran yang aktif, dan Gambar 4.6 menunjukkan frekuensi pelanggaran yang dilakukan per
kelompok. Sebagian besar kelompok melakukan kurang dari 10 pelanggaran, tetapi ada beberapa
kelompok yang bahkan melakukan lebih dari 100 pelanggaran selama periode siklus hidup
mereka.
Rata-rata ukuran kelompok untuk kelompok pelaku pelanggaran adalah 4,2, dan untuk
kelompok pelaku pelanggaran yang aktif adalah sekitar 6,5. Ketika membandingkan kelompok
pelaku pelanggaran yang aktif dengan kelompok pelaku pelanggaran, persentase yang lebih besar
dari kelompok pelaku yang aktif memiliki anggota perifer, dan jumlah rata-rata anggota perifer
lebih besar, yang mungkin menunjukkan bahwa anggota perifer memainkan peran yang lebih
penting dalam struktur kelompok pelaku pelanggaran yang aktif. Jumlah maksimum anggota
kernel dan periferal dalam kelompok pelaku pelanggaran yang aktif, dibandingkan dengan
kelompok pelaku pelanggaran, jauh lebih kecil. 7% dari kelompok pelaku pelanggaran memiliki
lebih dari 10, dan hanya 0,1% yang memiliki lebih dari 50 anggota. Dalam kumpulan kelompok
pelaku pelanggaran yang aktif, 8% dari mereka memiliki lebih dari 10 anggota, dan tidak ada
kelompok dengan lebih dari 50 anggota. Tentu saja, ukuran kelompok-kelompok ini
kemungkinan besar akan lebih besar jika semua pelanggaran (tidak hanya pelanggaran yang
diketahui) tersedia.

Gambar 4.5 Ukuran kelompok pelaku pelanggaran, kelompok pelaku pelanggaran yang aktif
 Gambar 4.6 Frekuensi kejahatan yang dilakukan oleh kelompok

Evolusi Kelompok Pelaku Pelanggaran Kelompok pelaku pelanggaran, mirip dengan bentuk
komunitas sosial lainnya, biasanya berkembang seiring waktu. Sebuah kelompok pelaku
pelanggaran dapat tumbuh dengan menerima anggota baru, menyusut dengan kehilangan
anggota, terpecah menjadi dua atau lebih kelompok, atau membentuk kelompok baru dengan
menggabungkan dua atau lebih kelompok yang sudah ada. Mengingat rentang waktu yang dapat
diamati terbatas, sulit untuk mengukur seluruh siklus hidup kelompok pelaku pelanggaran, tidak
mengetahui sejarah mereka sebelum langkah pertama kali, dan sejarah masa depan mereka
setelah langkah terakhir kali. Gambar 4.7 menunjukkan statistik dari skenario evolusi yang
berbeda dalam lima potret yang dipelajari. Untuk fungsi pencocokan, nilai ambang 0,3 berlaku
untuk mempertimbangkan kelompok yang bertahan (yaitu, terus ada di potret waktu berikutnya)
dan nilai yang lebih besar dari 0,2 dan lebih kecil dari 0,3 untuk pemisahan dan penggabungan.
Kelompok dengan batas kecocokan yang lebih kecil dari 0,2 dianggap sebagai Kelompok yang
dihentikan (yaitu, tidak terlihat dalam potret waktu berikutnya). Selama 5 tahun data, sekitar 4%
dari semua Kelompok pelaku pelanggaran bertahan, tetapi peristiwa pemisahan dan
penggabungan jarang terjadi, kurang dari 1% dari Kelompok. Sekitar 96% dari kelompok pelaku
pelanggaran dianggap berhenti, karena kami tidak mengamati aktivitas mereka di langkah waktu
berikutnya, dan 95% dari semua kelompok adalah yang baru muncul.

Gambar 4.7 Jejak evolusi kelompok pelaku pelanggaran

Gambar 4.8 Jumlah anggota bersama untuk pelaku kejahatan bersama yang tumpang tindih dan
kelompok pelaku pelanggaran yang aktif dengan jumlah pasangan individu yang tumpang tindih

Tumpang tindih Kelompok Pelaku Pelanggaran Tumpang tindih Kelompok Pelanggar

Gambar 4.8 menyajikan distribusi ukuran tumpang tindih untuk kelompok pelaku pelanggaran
dan untuk kelompok pelaku pelanggaran yang aktif. Untuk kedua jenis kelompok, hasilnya
hampir sama. Kami melihat jumlah yang lebih tinggi untuk ukuran tumpang tindih yang lebih
kecil, yang dapat diprediksi karena metode terapan yang dirancang berdasarkan definisi
komunitas dalam jaringan yang ketat. Dengan menggunakan definisi yang tidak terlalu ketat
tentang kelompok pelaku pelanggaran berarti banyak dari kelompok yang tumpang tindih saat ini
bergabung menjadi kelompok yang lebih besar. Dalam beberapa kasus, kami mengamati
beberapa pasang kelompok dengan lebih banyak tumpang tindih. Hal ini juga disebabkan oleh
metode yang diterapkan, bahkan membedakan antara grup yang memiliki anggota periferal yang
sama tetapi anggota kernel yang sama sekali berbeda. Berkaitan dengan kelompok serius, ada
sedikit tumpang tindih yang dapat diamati, yang sekali lagi menegaskan struktur mereka yang
sangat berbeda dibandingkan dengan kelompok pelaku pelanggaran dan kelompok pelaku
pelanggaran yang aktif.

Table 4.1 Hierarki dan nilai keseriusan kejahatan (sampel)

Jenis kejahatan Tingkat hierarki Keseriusan

Pembunuhan tingat 1 1 1
Penculikan anak di bawah usia 14 tahun 18 0,89
Produksi heroin 41 0,74
Membobol dan memasuki tempat tinggal 58 0,62
Pencurian mobil 75 0,52
Pencurian lebih dari $5000-sepeda 83 0,46

4.10 Kelompok Kejahatan Terorganisir

Untuk menghitung kriminalitas kelompok pelaku pelanggaran, kami menerapkan indeks
keseriusan kejahatan RCMP sebagaimana tergambar dalam Sistem Pelaporan Statistik
Operasional (OSR – the Operational Statistics Reporting System). Indeks ini menggunakan
hierarki keseriusan dengan 151 kelompok, dimana setiap jenis kejahatan termasuk dalam salah
satu kelompok tersebut. Untuk setiap jenis kejahatan dalam kumpulan data, tingkat kelompok
keseriusan yang sesuai diskalakan secara linier, dan nilai-nilai yang dinormalisasi ini
diinterpretasikan sebagai indikator keseriusan pelanggaran. Tabel 4.1 menunjukkan contoh kecil
hierarki keseriusan kejahatan OSR dan nilai keseriusan yang sesuai.
Gambar 4.9 dan 4.10 menggambarkan jumlah kelompok pelaku pelanggaran sehubungan
dengan batasan kriminalitas yang berbeda β, di mana β sama dengan penjumlahan keseriusan
pelanggaran yang dilakukan oleh anggota kelompok kejahatan bersama dibagi dengan jumlah
total pelanggaran tersebut. Sekitar 30% dari semua kelompok pelaku pelanggaran melewati
ambang batas β = 0,6, yang berarti persentase yang lebih besar dari kelompok pelaku
pelanggaran melakukan kejahatan ringan, yang bersifat intuitif. Terakhir, β = 0,8
mengidentifikasi kurang dari 6% kelompok, yang berarti bahwa sebagian kecil kelompok pelaku
pelanggaran secara konsisten terlibat dalam kejahatan berat.
Akhirnya, kelompok kejahatan terorganisir yang mungkin diambil dari kelompok pelaku
pelanggaran yang aktif. Dengan menerapkan ambang batas aktivitas 0,3, total 313 kelompok
dianggap kelompok pelaku pelanggaran yang aktif. Gambar 4.10 menunjukkan jumlah kelompok
pelaku pelanggaran yang aktif untuk batas kriminalitas yang berbeda. Dari 313 kelompok pelaku
pelanggaran yang aktif 89, 39, 18, 8, dan 5 kelompok menghasilkan ambang batas kriminalitas
masing-masing 0,5, 0,6, 0,7, 0,8, dan 0,9. Tidak ada kelompok pelaku pelanggaran yang aktif
yang memiliki kriminalitas setara dengan 1.
Pertanyaan penting adalah tentang ambang batas kriminalitas yang diterapkan untuk
mendeteksi kemungkinan kelompok kejahatan terorganisir. Untuk tujuan tersebut, kami
menggunakan keseriusan rata-rata dari semua pelanggaran berat (didefinisikan dalam daftar
kejahatan berat PS), yaitu 0,6. Secara total, 39 kelompok memiliki kriminalitas lebih tinggi dari
0,6 yang dianggap sebagai kelompok kejahatan terorganisir.
Gambar 4.9 Jumlah kelompok pelaku pelanggaran berkenaan dengan ambang batas kriminalitas
yang berbeda

Gambar 4.10 Jumlah kelompok pelaku pelanggaran yang aktif berkenaan dengan ambang batas
kriminalitas yang berbeda
Sebagai pendekatan alternatif untuk menghitung kriminalitas kelompok, kami juga menguji
penggunaan keseriusan kejahatan seperti yang ditentukan dalam daftar the Crime Severity Index
(CSI). Bobot yang digunakan dalam CSI dikembangkan oleh the Canadian Centre for Justice
Statistics, Statistics Canada, dan komunitas penegak hukum Kanada untuk membandingkan
secara empiris keseriusan relatif dari pelanggaran pidana. Dalam CSI, pelanggaran pidana
ditimbang oleh keseriusan relatif di mana mereka diperlakukan oleh pengadilan Kanada.
Eksperimen kami menemukan bahwa menerapkan CSI untuk menganalisis kriminalitas
kelompok menggunakan metode kami saat ini menghasilkan temuan yang banyak miring, dan
kami tidak melihat kriminalitas kelompok yang terdistribusi seperti untuk pendekatan lain (daftar
keseriusan kejahatan OSR). Alasannya, dalam daftar OSR (dipetakan ke daftar OSR), kejahatan
diberi nilai keseriusan antara 1 dan 151. Namun dalam daftar CSI, nilai maksimum dan
minimum adalah 7041,45 dan 1,16, dan 90% dari keseriusan kejahatan memiliki nilai kurang
dari 500. Oleh karena itu, kriminalitas kelompok menghasilkan distribusi miring ke kiri, dengan
sangat sedikit kelompok pelaku pelanggaran aktif yang diidentifikasi sebagai kelompok pelaku
pelanggaran serius. Penelitian selanjutnya perlu mengembangkan pendekatan yang efisien untuk
menormalkan keseriusan kejahatan agar kriminalitas kelompok lebih terdistribusi.
Dalam data kriminalitas selama kurun waktu 5 tahun, dengan menggunakan pendekatan
soft constraint, terdapat 39 kelompok yang aktif dan serius sehingga dianggap memungkinkan
kelompok kejahatan terorganisir. Menariknya, sebagian besar kelompok ini memiliki aktivitas
yang tinggi, yang menunjukkan kedekatan hubungan antar anggota kelompoknya. Ukuran rata-
rata dalam kelompok ini adalah 4,7, jauh lebih kecil dari ukuran kelompok pelaku pelanggaran
yang aktif. Hal ini mendukung teori bahwa dengan meningkatnya jumlah kelompok pelaku
pelanggaran kriminalitas, kelompok semakin berkurang. Memiliki lebih sedikit jumlah
kemungkinan kelompok pelaku pelanggaran terorganisir dengan anggota pinggiran dibandingkan
dengan kelompok pelaku pelanggaran yang aktif juga menyiratkan bahwa dalam kemungkinan
kelompok kejahatan terorganisir, anggota kernel tidak ingin bekerja sama dengan pelaku
kejahatan di luar inti kelompok.

Pendekatan Hard Constraint “Pendekatan hard constraint” adalah tes yang paling dasar untuk
menentukan kemungkinan kelompok kejahatan terorganisir dalam kumpulan data karena
pendekatan tersebut paling cocok dengan definisi the Criminal Code tentang organisasi
kejahatan [9]. Dalam pendekatan hard constraint, semua kejahatan dikategorikan ke dalam
klasifikasi biner dari dua kelas: (1) kejahatan berat dengan keuntungan materiil; dan (2)
kejahatan non-berat atau kejahatan berat yang tampaknya tidak memberikan keuntungan materiil
bagi kelompok pelaku pelanggaran.
Kami menggunakan daftar pelanggaran berat yang disiapkan dan disediakan oleh
pegawai the Public Safety Canada (PS – Keamanan Publik Kanada). Daftar tersebut
dikembangkan sebagai berikut [15]:
 Pertama, daftar semua pelanggaran dalam the Criminal Code yang diambil sebagai
setelan awal. Kriteria keseriusan—pelanggaran yang dapat didakwa dan dijatuhi
hukuman lima tahun atau lebih penjara — kemudian diterapkan pada seluruh pelanggaran
di the Criminal Code, dengan semua pelanggaran yang tidak memenuhi persyaratan ini
dihapus dari setelannya. Karena beberapa pelanggaran (biasanya disebut sebagai
pelanggaran campuran) dapat diproses baik dengan dakwaan atau proses ringkasan,
semua pelanggaran yang dakwaannya merupakan pilihan dimasukkan seperti dalam
daftar bagian 467.1 "kejahatan berat".
 Rangkaian pelanggaran yang dihasilkan oleh keputusan ini kemudian diperiksa lebih
lanjut untuk menggali pelanggaran tersebut dengan "keuntungan materiil". Berdasarkan
pasal 467.1 dan hukum kasus saat ini, "keuntungan materiil" dapat mencakup tindakan
yang menghasilkan keuntungan tidak berwujud seperti reputasi kriminal serta keuntungan
finansial seseorang. Undang-undang tentang poin ini masih berkembang sehingga daftar
kejahatan keuntungan materiil saat ini merupakan perkiraan pelanggaran keuntungan
material berdasarkan pemeriksaan kepustakaan dan informasi lain yang berkaitan dengan
kriminalitas terorganisir di Eropa dan Amerika Serikat. Pada dasarnya, daftar tersebut
mencakup pelanggaran di mana setidaknya satu kasus yang diketahui dari keuntungan
materiil langsung (misalnya, pembayaran tunai) atau manfaat tidak berwujud (misalnya,
meningkatkan reputasi kriminal seseorang) ada di salah satu dari dua yurisdiksi yang
disebutkan.
Kumpulan data kejahatan di British Columbia yang digunakan dalam penelitian ini yang
diambil dari Sistem Pengambilan Informasi Polisi (PIRS - Police Information Retrieval System)
milik RCMP yang mengidentifikasi kelompok jenis kategori pelanggaran yang sangat besar.
Daftar PIRS adalah klasifikasi panggilan untuk layanan polisi dan berisi informasi tentang
pelanggaran dan kekerasaan banyak undang-undang federal dan provinsi serta pelanggaran the
Criminal Code. Kategori peristiwa kriminal PIRS cocok dengan daftar PS terkait kejahatan
keuntungan materiil yang serius pada tingkat yang substansial tetapi tidak lengkap: 112 dari 192
kategori PS memiliki kategori kejahatan PIRS yang sesuai. Pelanggaran yang diidentifikasi PS
yang tidak memiliki kecocokan kategori PIRS tidak dapat digunakan dalam penelitian ini karena
kami tidak dapat menghubungkan salah satu pelanggaran yang diteliti dengan kategori PS
tersebut. Semua pelanggaran PIRS yang tidak memenuhi syarat sebagai pelanggaran serius yang
menghasilkan keuntungan materiil akan diabaikan dalam analisis kami atas kejahatan yang
dilakukan oleh kelompok pelaku pelanggaran.
Perlu dicatat bahwa penelitian ini menguji kelayakan teknik analisis terbaru untuk
mengeksplorasi jaringan dalam organisasi kriminal dengan menggunakan database historis.
Pekerjaan masa depan dapat menggunakan data saat ini daripada data historis. Data saat ini akan
memberi kemungkinan untuk menentukan bagaimana kategori kejahatan polisi diterjemahkan ke
dalam bagian the Criminal Code dalam proses mengajukan tuntutan dan mengadili kasus dengan
menghubungkan catatan polisi dengan catatan pengadilan. Hal ini tidak mungkin untuk saat ini
di British Columbia dengan data historis. Penelitian di masa depan juga dapat menggunakan
modifikasi masa depan dalam klasifikasi the Public Safety Canada atau dalam metode
pengumpulan data Pusat Statistik Keadilan Kanada (CCJS – Canadian Centre for Justice
Statistics). Seperti yang ditunjukkan oleh penelitian ini, terdapat nilai dalam meningkatkan
teknik analisis seiring dengan kemajuan dalam pengumpulan data dan perubahan skema
klasifikasi informasi.
Analisis yang disajikan pada bagian ini menggunakan klasifikasi biner dari jenis-jenis
pelanggaran berdasarkan pada apakah suatu pelanggaran merupakan pelanggaran yang serius
atau tidak yang menimbulkan potensi keuntungan materiil bagi kelompok pelaku pelanggaran
yang melakukan pelanggaran tersebut. Semua pelanggaran yang tidak termasuk sebagai
pelanggaran berat yang menghasilkan keuntungan materiil dikesampingkan dalam analisis
kejahatan yang dilakukan oleh kelompok pelaku pelanggaran. Analisis ini menggunakan skema
klasifikasi biner yang menggunakan kategori pelanggaran dalam data historis PIRS dan membagi
pelanggaran ini sedekat mungkin dengan daftar kejahatan berat yang menghasilkan keuntungan
materiil yang digunakan oleh the Public Safety Canada [15]. Daftar dari the Public Safety
Canada adalah kejahatan yang didefinisikan di bawah KUHP yang relevan yang berhubungan
langsung dengan pelanggaran yang dituntut di pengadilan Kanada. Daftar PIRS adalah
klasifikasi panggilan untuk layanan polisi dan berisi beberapa kategori yang tidak disediakan
secara rinci di bawah the Criminal Code. Selain itu, kategori PIRS tidak memuat semua kategori
dalam daftar dari the Public Safety Canada. Tetapi klasifikasi yang digunakan tentunya membagi
klasifikasi polisi berdasarkan keseriusan yang menghasilkan keuntungan materiil.
Presentasi dan pembahasan hasil analisis berikut ini secara teliti berbasis pada klasifikasi
biner dari pendekatan hard constraint. Kami dapat mengidentifikasi kelompok serius
berdasarkan dua aspek: (1) rasio pelanggaran berat yang dilakukan terhadap total kejahatan yang
dilakukan, dan (2) jumlah pelanggaran berat yang dilakukan. Dalam pendekatan pertama,
kelompok pelaku pelanggaran dianggap serius, jika P% dari semua pelanggaran yang dilakukan
oleh kelompok ini dianggap serius dalam pengertian di atas. Dalam pendekatan kedua, kami
menganggap suatu kelompok serius jika ada dua atau lebih anggota kelompok ini yang terlibat
dalam lebih dari N pelanggaran berat (di mana P% dan N mengacu pada nilai ambang batas yang
dapat disesuaikan untuk persentase dan jumlah pelanggaran berat yang dilakukan oleh suatu
kelompok, diperkenalkan. untuk tujuan mengontrol analisis). Lebih jauh ke pendekatan
keseluruhan yang diambil di sini, cara lain yang mungkin dilakukan adalah dengan menghitung
rasio kejahatan berat terhadap jumlah individu dalam kelompok tersebut.

Gambar 4.11 Jumlah kelompok pelaku pelanggaran yang diamati berkenaan dengan proporsi
kejahatan berat yang dilakukan
 Gambar 4.12 Jumlah kelompok pelaku pelanggaran aktif yang diamat berkenaan dengan
proporsi kejahatan berat yang dilakukan

Dalam pendekatan hard constraint untuk mendeteksi kemungkinan kelompok kejahatan

terorganisir, kami mempertimbangkan rasio dari suatu kelompok yang melakukan kejahatan
berat dengan total kejahatan yang dilakukan. Gambar 4.11 dan 4.12 masing-masing
menunjukkan jumlah kelompok pelaku pelanggaran dan kelompok pelaku pelanggaran yang
aktif sehubungan dengan persentase pelaku kejahatan berat yang dilakukan. Mempertimbangkan
ambang batas persentase yang berbeda, P = 30, P = 60, dan P = 90, masing-masing, 25, 10, dan
8% dari kelompok pelaku dan 33, 9, dan 4% dari kelompok pelaku aktif tetap dalam daftar.
Gambar 4.13 dan 4.14, masing-masing, menunjukkan jumlah kelompok pelaku
pelanggaran dan kelompok pelaku pelanggaran yang aktif sehubungan dengan jumlah kejahatan
berat yang telah dilakukan kelompok-kelompok ini selama siklus hidup mereka. Dalam
kelompok pelaku pelanggaran, sekitar 59% tidak melakukan kejahatan serius; 91% dari mereka
terlibat dalam kurang dari lima kejahatan berat, dan hanya 0,02% dari kelompok pelaku
pelanggaran yang melakukan lebih dari 10 kejahatan berat.
 Gambar 4.13 Jumlah kelompok pelaku pelanggaran berkenaan dengan jumlah kejahatan berat
yang dilakukan oleh mereka

Gambar 4.14 Jumlah kelompok pelaku pelanggaran yang aktif berkenaan dengan jumlah
kejahatan berat yang dilakukan oleh mereka

Jumlah rata-rata kejahatan berat per kelompok pelaku pelanggaran adalah 1,2. Secara total, 25%
dari kelompok pelaku pelanggaran yang aktif tidak melakukan kejahatan berat, sedangkan 73%
dari kelompok ini melakukan kurang dari lima kejahatan berat selama siklus hidupnya, dan
hanya 0,09% dari kelompok yang aktif melakukan lebih dari 10 kejahatan berat. Rata-rata, setiap
kelompok pelaku pelanggaran yang aktif telah melakukan 3,7 pelanggaran berat. Hasil ini
menunjukkan bahwa, dibandingkan dengan kelompok pelaku, kelompok pelaku pelanggaran
yang aktif lebih sering melakukan tindak kejahatan berat.
Dalam pendekatan hard constraint, berdasarkan definisi kejahatan terorganisir dalam the
Criminal Code, kami menganggap setiap kelompok pelaku pelanggaran aktif yang melakukan
setidaknya satu pelanggaran berat. Dalam kasus ini, dari 313 kelompok pelaku pelanggaran aktif,
kami mendapatkan daftar 236 kelompok. 236 kelompok ini memenuhi ambang analitik minimum
untuk kemungkinan dianggap sebagai kelompok kejahatan terorganisir. Secara keseluruhan, 49
dari kelompok ini hanya terlibat dalam satu tindak kejahatan berat dan salah satunya melakukan
24 tindak kejahatan berat.

4.11 Kesimpulan
Pengendalian kejahatan memerlukan investigasi jaringan kejahatan, organisasi kejahatan, dan
aktivitas ilegal mereka, yang merupakan perbuatan yang serius untuk penegakan hukum dan
sistem peradilan pidana. Di sini, kami mengusulkan pendekatan analisis jaringan kejahatan
bersama secara komputasi untuk mendeteksi kemungkinan kelompok kejahatan terorganisir.
Kami mengevaluasi metode yang diusulkan dengan memeriksa kumpulan data kejahatan dunia
nyata yang besar. Pemeriksaan kami menunjukkan bahwa meskipun aktivitas kelompok
kejahatan tidak terjadi secara rutin seperti aktivitas kejahatan lainnya, yang intuitif, terdapat
kolaborasi kejahatan yang berkelanjutan di dalam kelompok kejahatan. Namun, bagi sebagian
besar kelompok, perilaku kejahatan bersama semacam itu tidak bertahan dalam waktu yang lebih
lama. Penelitian kami juga menunjukkan bahwa kelompok pelaku pelanggaran yang aktif
biasanya memiliki lebih banyak anggota periferal yang berbeda dengan kelompok serius yang
cenderung memiliki lebih sedikit anggota perifer dan kernel yang terhubung erat. Penemuan ini
menunjukkan bahwa kelompok yang serius beroperasi terutama dari dalam keanggotaan inti
mereka.
 Berawal dari kumpulan data kejahatan dengan 4,4 juta catatan, dan jaringan kejahatan
bersama dengan 150.000 aktor, kami dapat mendeteksi lebih dari 18.000 kelompok pelaku
pelanggaran, termasuk lebih dari 300 kelompok yang aktif dan 39 kemungkinan kelompok
kejahatan terorganisir. Dengan menggunakan pendekatan batasan keras, penelitian kami
mengidentifikasi 236 kemungkinan kelompok kejahatan terorganisir yang melakukan satu atau
lebih dari satu pelanggaran serius selama kurun waktu yang diamati.
Pendekatan analitik kami memberikan wawasan penting yang berpotensi mengenai cara-
cara jaringan kejahatan bersama membentuk dan memengaruhi perilaku kejahatan. Walaupun,
perlu dicatat bahwa jaringan kejahatan bersama tidak selalu mengidentifikasi semua individu
dari suatu organisasi, hanya karena mereka yang beroperasi di balik layar, yang sering
mengarahkan aktivitas orang lain, mungkin tidak terlihat dalam data. Kemungkinan lain adalah
bahwa beberapa kelompok kejahatan terorganisir yang terdeteksi mewakili komponen fungsional
tertentu dari organisasi kejahatan yang lebih besar yang tidak muncul secara langsung dalam
kejahatan yang dilaporkan kepolisian. Untuk mendapatkan gambaran yang lebih holistik tentang
organisasi kejahatan, seseorang harus menggabungkan data kejahatan yang dilaporkan kepolisian
dengan data dari badan intelijen. Jenis analisis ini dapat mengidentifikasi kemungkinan individu
atau pelaku pelanggaran untuk penyelidikan lebih lanjut atau sebagai bagian dari strategi
gangguan. Lebih lanjut, pendekatan yang diambil ini pada pokoknya berkonsentrasi pada
kelompok kejahatan terorganisir dengan hubungan anggota yang padat, yang tidak selalu terjadi,
terutama tidak untuk beberapa bentuk jaringan kriminal tertentu.
Sebuah kemajuan yang besar dapat mengalir dari pelaksaanaan penelitian dengan data
kepolisian saat ini yang terkait dengan data pengadilan saat ini. Hal ini memungkinkan untuk
menggunakan definisi yang secara tegas berdasarkan the Criminal Code dengan
mengembangkan kesesuaian probabilistik kejahatan dengan kategori polisi terkait panggilan
untuk layanan kepolisian. Selain itu, hal tersebut memungkinkan untuk menggabungkan
kumpulan data asosiasi antara orang-orang yang tidak didasarkan pada ckejahatan bersama.

Referensi

1. J. Abello, M.G.C. Resende, S. Sudarsky, Massive quasi-clique detection. in LATIN 2002:

Theoretical Informatics (Springer, Berlin, 2002), pp. 598–612
2. J.S. Albanese, North American organised crime. Glob. Crime 6(1), 8–18 (2004)
3. A.A. Block, East Side-West Side: Organizing Crime in New York City, 1930–1950 (Transaction
Publishers, New Brunswick, 1994)
4. S.P. Borgatti, M.G. Everett, P.R. Shirey, LS sets, lambda sets and other cohesive subsets. Soc.
Networks 12(4), 337–357 (1990)
5. U. Brandes, D. Delling, M. Gaertler, R. Gorke, M. Hoefer, Z. Nikoloski, D. Wagner, On modularity
clustering. IEEE Trans. Knowl. Data Eng. 20(2), 172–188 (2008)
6. M. Carlo, Inside Criminal Networks (Springer, Berlin, 2009)
7. D. Chakrabarti, R. Kumar, A. Tomkins, Evolutionary clustering, in Proceedings of the 12th ACM
SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’06), pp. 554–
560, 2006
8. C. Fijnaut, F. Bovenkerk, G. Bruinsma, H. van de Bunt, Organized Crime in the Netherlands
(Kluwer Law International, The Hague, 1998)
9. U. Glässer, M.A. Taybei, P.L. Brantingham, P.J. Brantingham, Estimating possible criminal
organizations from co-offending data. Public Safety Canada, 2012
10. International report on crime prevention and community safety: Trends and perspectives, 2010.
Retrieved from http://www.crime-prevention-intl.org/fileadmin/user_upload/
Publications/Crime_Prevention_and_Community_Safety_ANG.pdf, April 2010
11. Y. Lin, Y. Chi, S. Zhu, H. Sundaram, B.L. Tseng, Facetnet: a framework for analyzing communities
and their evolutions in dynamic networks, in Proceedings of the 17th international conference on
World Wide Web (WWW’08) (ACM, New York, 2008), pp. 685–694
12. D.W. McMillan, D.M. Chavis, Sense of community: a definition and theory. J. Community Psychol.
14(1), 6–23 (1986)
13. M.E.J. Newman, Fast algorithm for detecting community structure in networks. Phys. Rev. E 69(6),
066133 (2004)
14. G. Palla, I. Derényi, I. Farkas, T. Vicsek, Uncovering the overlapping community structure of
complex networks in nature and society. Nature 435(7043), 814–818 (2005)
15. M. Saunders, Personal communication with public safety Canada. Public Safety Canada,May, 2012
16. M. Spiliopoulou, I. Ntoutsi, Y. Theodoridis, R. Schult, Monic: modeling and monitoring cluster
transitions. in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge
Discovery and Data Mining (KDD’06), pp. 706–711, 2006
17. M.A. Tayebi, U. Glässer, Investigating organized crime groups: a social network analysis
perspective, in Proceedings of the 2012 International Conference on Advances in Social Networks
Analysis and Mining (ASONAM’12), pp. 565–572, 2012
18. T. van der Heijden, Measuring organized crime in Western Europe. Retrieved from https://
www.ncjrs.gov/policing/mea313.htm, 1996
19. K. von Lampe, Organized crime in Europe: conceptions and realities. Policing J. Policy Pract. 2(1),
7–17 (2008)
20. K. von Lampe, Definitions of organized crime. Retrieved from http://www.organized-crime.
de/organizedcrimedefinitions.htm, February 2015
21. K. Yu, S. Yu, V. Tresp, Soft clustering on graphs, in Advances in Neural Information Processing
Systems (NIPS’05), pp. 1553–1560, 2005