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 . . .
dimana adalah pecahan edge yang menghubungkan node dalam komunitas i ke node dalam
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
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
potret dan sementara, hubungannya adalah semakin kecil nilainya, semakin baik kualitasnya.
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
seberapa sering anggota kelompok ini melakukan pelanggaran selama periode dibandingkan
keseriusan pelaku pelanggaran yang dilakukan oleh anggota kelompok pelaku pelanggaran
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
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
bersama yang digali untuk interval waktu , dan α dan β sebagai aktivitas kelompok
dan batas kriminalitas, tujuannya adalah untuk mendeteksi kelompok kejahatan terorganisir
kelompok kejahatan terorganisir yang terkait selama periode waktu t berurutan yang
menunjukkan transformasi dinamis, atau evolusi, dari kelompok kejahatan terorganisir sejak
periode waktu t.
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
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
yang terlibat pada langkah waktu t. Aktivitas kelompok pelaku pada waktu sehubungan
kriminalitas. Kelompok pelaku pelanggaran tertentu dianggap sebagai kelompok aktif , jika
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.
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
terbesar dengan di atas ambang batas yang diberikan λ, sebagaimana didefinisikan secara
Dengan fungsi pencocokan, kami menerapkan aturan berikut untuk mengikuti jejak evolusi
kelompok kejahatan terorganisir:
setiap , .
terbagi menjadi kelompok , jika ada cukup banyak tumpang tindih antara
: .
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.
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
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
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
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
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 4.10 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
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