Kategori: Edukasi Statistik

Beberapa tahun terakhir, saya makin sering mendengar kalimat seperti ini di rapat: “Kemarin kita polling di Instagram, 80% pengikut setuju.” Atau: “Grup WhatsApp pelanggan bilang mereka suka produk baru.” Polling semacam itu cepat, murah, dan terasa demokratis. Siapa saja boleh ikut.

Masalahnya justru di situ. Karena siapa saja boleh ikut, kita tidak tahu siapa yang sebenarnya ikut. Dan dalam survei, siapa yang menjawab hampir selalu lebih penting daripada berapa banyak yang menjawab.

Artikel ini membahas perbedaan mendasar antara polling media sosial dan survei acak, contoh sejarah yang terkenal, serta panduan praktis memilih metode yang tepat untuk keputusanmu.

Perbedaan mendasar: siapa yang memilih responden

Di polling media sosial, responden memilih dirinya sendiri. Hanya orang yang melihat postingan, tertarik dengan topiknya, dan mau meluangkan waktu yang akan menjawab. Dalam metodologi, ini disebut sampel swapilih (self-selected sample).

Beberapa karakter sampel swapilih yang perlu disadari:

• Cakupannya terbatas pada pengikut. Pengikut sebuah akun tidak mewakili masyarakat. Mereka cenderung punya minat, usia, atau pandangan yang mirip dengan pemilik akun.
• Yang punya pendapat kuat lebih mungkin ikut. Orang yang sangat suka atau sangat tidak suka lebih termotivasi menjawab daripada yang biasa saja.
• Algoritma ikut menentukan. Siapa yang melihat postingan ditentukan oleh algoritma platform, bukan oleh peneliti.
• Satu orang bisa menjawab lebih dari sekali lewat beberapa akun.

Di survei acak, peneliti yang memilih responden dengan prosedur peluang. Setiap anggota populasi punya peluang terpilih yang diketahui. Karena peluangnya diketahui, kita bisa menghitung seberapa jauh hasil sampel mungkin meleset dari kenyataan, yaitu margin of error.

Kenapa jumlah besar tidak menyelamatkan sampel yang bias

Banyak orang mengira polling dengan 10.000 suara pasti lebih akurat daripada survei dengan 400 responden. Logikanya terdengar masuk akal: makin banyak, makin mewakili.

Logika itu hanya benar untuk sampel acak. Menambah jumlah responden memang memperkecil galat acak (random error). Tapi kalau cara memilih respondennya bias, menambah responden tidak memperkecil galat sistematis (bias). Hasilnya justru salah dengan lebih yakin.

Analogi sederhana: kalau timbanganmu selisih 2 kg, menimbang seratus kali tidak membuat hasilnya lebih akurat. Rata-ratanya tetap selisih 2 kg, hanya saja kamu makin yakin dengan angka yang salah.

Pelajaran sejarah: Literary Digest 1936

Contoh paling terkenal dalam sejarah survei terjadi pada pemilihan presiden Amerika Serikat tahun 1936. Majalah Literary Digest yang sangat populer saat itu mengirimkan jutaan kartu suara kepada pembacanya dan kepada orang-orang yang ada di daftar alamat seperti pemilik telepon dan kendaraan. Lebih dari dua juta kartu dikembalikan.

Berdasarkan jawaban itu, Literary Digest meramalkan bahwa Alf Landon akan mengalahkan Franklin D. Roosevelt. Hasil sebenarnya: Roosevelt menang telak.

Apa yang salah? Para analis kemudian menunjuk dua masalah. Pertama, daftar alamat yang dipakai lebih banyak menjangkau kelompok yang relatif berada pada masa krisis ekonomi itu. Kedua, yang mengembalikan kartu bukan sampel acak dari yang dikirimi, sehingga ada bias nonrespons. Di tahun yang sama, beberapa penyurvei yang memakai sampel jauh lebih kecil tapi dipilih dengan lebih cermat berhasil memprediksi kemenangan Roosevelt.

Pelajarannya bertahan hampir seabad: besar tidak sama dengan benar.

Margin of error: yang bisa dan tidak bisa dihitung

Untuk sampel acak sederhana, margin of error untuk persentase dengan tingkat keyakinan 95% bisa dihitung dengan rumus dasar. Dengan asumsi paling hati-hati (proporsi 50%) dan populasi besar, kira-kira hasilnya seperti ini:

Jumlah sampel acak	Margin of error (keyakinan 95%)
100	sekitar ±9,8%
400	sekitar ±4,9%
1.068	sekitar ±3%
2.401	sekitar ±2%
Polling swapilih, berapa pun jumlahnya	tidak bisa dihitung secara bermakna

Perhatikan dua hal. Pertama, untuk menyempitkan margin dari sekitar ±5% menjadi ±2,5%, sampel harus kira-kira empat kali lipat. Presisi itu mahal. Kedua, polling swapilih tidak punya margin of error yang bermakna, karena tidak ada dasar peluang pemilihannya.

Satu catatan penting: margin of error hanya mengukur galat sampling. Survei acak pun bisa terkena galat lain, seperti cakupan yang tidak lengkap, responden yang menolak, dan pertanyaan yang menggiring. Survei yang baik tidak bebas galat, tapi tahu galatnya di mana dan berusaha memperkecilnya.

Jadi, apakah polling media sosial tidak berguna?

Tidak juga. Polling media sosial berguna untuk tujuan tertentu:

• Mengukur suasana di antara pengikut sendiri, misalnya topik konten apa yang mereka sukai.
• Memancing diskusi dan interaksi.
• Mencari ide awal sebelum merancang survei yang lebih serius.

Yang keliru adalah memakai hasilnya untuk mengklaim “mayoritas masyarakat” atau “pasar menginginkan”, lalu mengambil keputusan besar berdasarkan itu.

Panduan memilih metode

Sebelum memutuskan memakai polling atau survei, ajukan tiga pertanyaan:

1. Siapa populasi yang ingin saya ketahui pendapatnya? Kalau jawabannya “pengikut akun saya”, polling cukup. Kalau “konsumen di kota X” atau “karyawan di seluruh cabang”, butuh sampel yang mewakili populasi itu.
2. Seberapa besar keputusan yang akan diambil? Untuk keputusan kecil dan mudah dibatalkan, data kasar mungkin cukup. Untuk investasi produksi, peluncuran produk, atau kebijakan, butuh data yang bisa dipertanggungjawabkan.
3. Apakah saya perlu tahu seberapa yakin hasilnya? Kalau ya, hanya sampel berbasis peluang yang bisa memberi jawaban.

Bagaimana dengan survei daring?

Pertanyaan yang sering muncul berikutnya: apakah semua survei daring sama buruknya dengan polling media sosial? Tidak. Survei daring bisa dirancang dengan cukup baik, misalnya dengan mengirim tautan hanya kepada responden yang dipilih acak dari daftar pelanggan atau karyawan, memakai panel responden yang direkrut dengan prosedur peluang, atau memberi bobot pada hasil supaya komposisinya sesuai populasi.

Yang membedakan bukan mediumnya, daring atau tatap muka, melainkan prosedur pemilihan respondennya. Survei daring kepada sampel acak dari daftar karyawan jauh lebih bisa dipercaya daripada survei tatap muka yang respondennya dipilih seenaknya oleh pewawancara di pinggir jalan.

Penutup

Di era serba digital, mengumpulkan ribuan jawaban menjadi sangat mudah. Justru karena mudah, kita perlu makin kritis. Ribuan jawaban dari orang yang memilih dirinya sendiri bisa kalah akurat dari ratusan jawaban dari orang yang dipilih dengan benar.

Pertanyaan yang paling berharga sebelum percaya pada hasil survei apa pun tetap sama: bagaimana respondennya dipilih?

Baca juga: butuh merancang survei pelanggan, riset pasar, atau jajak pendapat yang metodologinya valid dan bebas bias? Pelajari layanan Riset Pasar & Survei dari Datalytics.

---

Ada satu grafik yang hampir pasti muncul setiap BPS merilis data ketenagakerjaan: grafik batang tingkat pengangguran menurut pendidikan. Grafik ini sering dibagikan dengan judul yang provokatif, misalnya “Sarjana lebih banyak menganggur dari lulusan SD” atau “Sekolah tinggi tidak menjamin kerja”.

Datanya benar. Kesimpulannya hampir selalu salah. Hari ini kita bedah kenapa, sekaligus belajar cara menyajikan data perbandingan kelompok dengan jujur.

Datanya

Tingkat pengangguran terbuka (TPT) Februari 2026 menurut pendidikan tertinggi yang ditamatkan, berdasarkan Sakernas BPS:

Pendidikan tertinggi	TPT Februari 2026	TPT Mei 2026
SMK	7,74%	7,68%
SMA	6,23%	6,17%
Diploma IV, S1, S2, S3	6,13%	6,09%
Diploma I/II/III	4,80%	4,75%
SMP	4,19%	4,16%
SD ke bawah	2,32%	2,31%

Polanya konsisten di dua periode: SMK tertinggi, SD ke bawah terendah, dan lulusan perguruan tinggi berada di atas lulusan SMP.

Kalau angka ini dibuat grafik batang dan diurutkan dari tertinggi ke terendah, kesan visualnya kuat: makin rendah pendidikan, makin kecil pengangguran. Kesan itu yang perlu kita luruskan.

Jebakan pertama: tingkat pengangguran bukan ukuran kualitas pekerjaan

Ingat definisi survei: seseorang dihitung bekerja kalau dalam seminggu terakhir bekerja paling sedikit satu jam untuk memperoleh penghasilan. Definisi ini sengaja longgar.

Orang dengan pendidikan rendah sering tidak punya kemewahan untuk menunggu pekerjaan yang ideal. Kebutuhan sehari-hari mendesak, sehingga mereka langsung mengambil pekerjaan apa saja yang tersedia: buruh harian, pekerja keluarga, pedagang kecil, atau pekerjaan informal lain dengan upah rendah dan tanpa perlindungan. Dalam statistik, mereka bekerja. Dalam kenyataan, banyak yang bekerja dalam kondisi rentan.

Sebaliknya, lulusan perguruan tinggi lebih mungkin ditopang keluarga untuk sementara waktu dan bisa menunggu tawaran yang sesuai bidangnya. Selama menunggu, mereka tercatat menganggur.

Jadi TPT yang rendah di kelompok pendidikan rendah sebagian mencerminkan ketidakmampuan untuk menganggur, bukan keberhasilan mendapat pekerjaan yang layak.

Jebakan kedua: persentase bukan jumlah orang

TPT 7,74% untuk lulusan SMK dihitung dari angkatan kerja lulusan SMK saja. Angka itu menjawab pertanyaan: “Dari lulusan SMK yang bekerja atau mencari kerja, berapa persen yang menganggur?”

Angka itu tidak menjawab pertanyaan: “Dari seluruh penganggur di Indonesia, kelompok pendidikan mana yang paling banyak?” Untuk pertanyaan kedua, kita butuh jumlah absolut atau komposisi penganggur menurut pendidikan.

Kedua pertanyaan itu sah dan penting, tapi butuh angka yang berbeda. Kesalahan paling umum adalah menjawab pertanyaan komposisi dengan angka tingkat.

Jebakan ketiga: mengabaikan perbedaan usia antarkelompok

Lulusan perguruan tinggi umumnya masuk pasar kerja lebih lambat, di usia sekitar 22–23 tahun. Lulusan SD ke bawah di angkatan kerja didominasi kelompok umur yang lebih tua, yang sudah lama bekerja. Kita sudah tahu dari data kemarin bahwa pengangguran usia muda jauh lebih tinggi daripada usia dewasa.

Artinya, sebagian perbedaan antarkelompok pendidikan bisa disebabkan oleh perbedaan struktur umur, bukan pendidikannya sendiri. Perbandingan yang lebih adil adalah membandingkan kelompok pendidikan pada umur yang sama.

Cara menyajikan grafik ini dengan jujur

Kalau kamu analis, jurnalis, atau peneliti yang perlu menyajikan data seperti ini, beberapa prinsip berikut bisa membantu.

1. Tulis penyebut di judul. Bukan “Pengangguran menurut pendidikan”, tapi “Tingkat pengangguran terbuka (persen dari angkatan kerja tiap kelompok pendidikan), Februari 2026”. Judul yang panjang sedikit lebih baik daripada judul yang menyesatkan.

2. Tampilkan tingkat dan jumlah berdampingan. Dua panel kecil, satu berisi persentase dan satu berisi jumlah orang, langsung menjawab dua pertanyaan yang berbeda.

3. Beri catatan definisi. Satu kalimat di bawah grafik: “Bekerja = bekerja minimal satu jam dalam seminggu terakhir untuk memperoleh penghasilan.” Catatan ini menjelaskan kenapa kelompok pendidikan rendah terlihat “baik”.

4. Tambahkan indikator kualitas bila tersedia. Persentase pekerja informal atau rata-rata upah per kelompok pendidikan akan melengkapi cerita. Tanpa itu, grafik hanya menyampaikan setengah kebenaran.

5. Mulai sumbu dari nol. Untuk grafik batang, sumbu yang tidak dimulai dari nol membesar-besarkan perbedaan. Selisih 6,13% dan 6,23% akan terlihat dramatis kalau sumbunya dimulai dari 6%.

6. Hati-hati dengan pengurutan. Mengurutkan batang dari tertinggi ke terendah memudahkan perbandingan, tapi juga mengundang interpretasi peringkat. Kalau jenjang pendidikan punya urutan alami, pertimbangkan mempertahankan urutan jenjang agar pola yang tidak linier terlihat jelas.

Pelajaran untuk laporan kantor

Pola yang sama muncul di banyak laporan perusahaan. Grafik “tingkat keluhan per cabang” bisa membuat cabang kecil terlihat buruk karena penyebutnya kecil. Grafik “rata-rata penjualan per sales” bisa membuat sales baru terlihat lemah padahal masa kerjanya baru tiga bulan. Grafik “tingkat absensi per divisi” bisa menyesatkan kalau definisi absensi berbeda antardivisi.

Setiap grafik perbandingan kelompok sebaiknya lolos tiga pertanyaan sebelum masuk ke slide rapat:

• Penyebutnya apa, dan apakah sudah tertulis jelas?
• Apakah ada faktor lain yang berbeda antarkelompok, misalnya umur atau masa kerja?
• Apakah grafik ini menjawab pertanyaan yang sebenarnya ingin dijawab rapat?

Satu latihan kecil untuk tim analis

Kalau kamu memimpin tim data, coba latihan sederhana ini di rapat berikutnya. Ambil satu grafik perbandingan kelompok yang sudah pernah dipakai di laporan, lalu minta setiap anggota tim menuliskan satu kalimat kesimpulan dari grafik itu tanpa berdiskusi. Setelah itu, bandingkan kalimat-kalimatnya.

Hampir selalu, kalimatnya berbeda-beda. Ada yang membaca tingkat sebagai jumlah, ada yang melupakan penyebut, ada yang menyimpulkan sebab dari perbandingan sederhana. Perbedaan itu bukan tanda timmu kurang pintar. Itu tanda grafiknya belum cukup jelas.

Dari latihan itu, perbaiki grafiknya: tambahkan penyebut di judul, catatan definisi, dan angka jumlah bila perlu. Lalu ulangi latihan dengan grafik yang sudah diperbaiki. Biasanya kalimat kesimpulan menjadi jauh lebih seragam. Grafik yang baik adalah grafik yang membuat orang berbeda menarik kesimpulan yang sama.

Penutup

Grafik pengangguran menurut pendidikan adalah contoh bagus bagaimana data yang benar bisa melahirkan kesimpulan yang salah. Bukan karena ada yang berbohong, tapi karena kita membebankan pertanyaan yang tidak bisa dijawab oleh grafik itu.

Tingginya TPT lulusan SMK tetap sinyal yang perlu diperhatikan, karena sekolah ini dirancang untuk menyiapkan lulusan yang langsung bekerja. Tapi rendahnya TPT lulusan SD bukan kabar baik yang perlu dirayakan. Keduanya perlu dibaca bersama data kualitas pekerjaan.

Grafik yang jujur tidak selalu yang paling menarik. Tapi grafik yang jujur adalah yang paling bisa dipertanggungjawabkan.

Baca juga: butuh bantuan mengolah dan memvisualisasikan data survei atau laporan berkala kantormu? Pelajari Jasa Analisis Data Statistik dari Datalytics.

---

Setiap kali BPS merilis data ketenagakerjaan, ada satu angka yang langsung beredar di grup percakapan dan media sosial. Untuk Februari 2026, angka itu adalah tingkat pengangguran terbuka (TPT) usia 15–24 tahun: 16,36%. Bandingkan dengan angka nasional yang hanya 4,68%. Tiga bulan kemudian, pada Mei 2026, kelompok muda naik lagi ke 17,37%, sementara angka nasional turun tipis ke 4,65%.

Kalimat yang paling sering menyertai angka itu: “16% anak muda Indonesia menganggur.” Kalimatnya terdengar wajar, padahal keliru. Dan kekeliruan kecil seperti ini bisa melahirkan kebijakan yang salah sasaran.

Artikel ini membahas cara membaca TPT dengan benar: apa definisinya, apa penyebutnya, dan jebakan apa saja yang sering terjadi saat kita membandingkannya.

Rumusnya sederhana, penyebutnya yang sering dilupakan

TPT dihitung dengan rumus yang sangat sederhana:

TPT = jumlah penganggur ÷ jumlah angkatan kerja × 100%

Yang sering dilupakan adalah penyebutnya: angkatan kerja. Angkatan kerja adalah penduduk usia kerja yang bekerja ditambah yang sedang mencari kerja atau menyiapkan usaha. Penduduk yang sedang sekolah, kuliah, mengurus rumah tangga, atau tidak mencari kerja karena alasan lain tidak termasuk angkatan kerja.

Di kelompok umur 15–24 tahun, sebagian besar penduduk masih sekolah atau kuliah. Akibatnya, penyebut TPT untuk kelompok ini jauh lebih kecil daripada jumlah seluruh anak muda.

Jadi kalimat yang benar bukan “16% anak muda menganggur”, melainkan: dari anak muda usia 15–24 tahun yang bekerja atau sedang mencari kerja, sekitar 16 dari 100 belum mendapat pekerjaan.

Bedanya terasa kecil, tapi dampaknya besar. Kalimat pertama memberi kesan krisis massal yang menimpa seluruh generasi. Kalimat kedua menunjuk masalah yang lebih spesifik: sempitnya pintu masuk ke dunia kerja bagi mereka yang sudah siap bekerja.

Definisi “bekerja” yang sering mengejutkan

Angka pengangguran resmi berasal dari Survei Angkatan Kerja Nasional (Sakernas). Petugas BPS mendatangi rumah tangga sampel dan menanyakan kegiatan setiap anggota rumah tangga dalam seminggu terakhir.

Dalam definisi survei, seseorang dihitung bekerja kalau dalam seminggu terakhir ia bekerja paling sedikit satu jam untuk memperoleh penghasilan. Definisi satu jam ini mengikuti standar internasional, dan memang sengaja dibuat longgar supaya semua bentuk kegiatan ekonomi tertangkap.

Konsekuensinya: orang yang bekerja serabutan beberapa jam seminggu, membantu usaha keluarga, atau bekerja paruh waktu dengan upah sangat kecil tetap dihitung bekerja. Mereka tidak masuk hitungan penganggur.

Ini sebabnya TPT yang rendah tidak otomatis berarti kondisi kerja yang baik. Untuk melihat kualitas pekerjaan, kita perlu indikator lain seperti jam kerja, setengah pengangguran, status pekerjaan formal atau informal, dan upah.

Tabel ringkas: angka yang perlu dibaca berpasangan

Berikut beberapa angka TPT menurut kelompok umur dari Sakernas, sebagaimana dipublikasikan BPS dan diberitakan media nasional:

Kelompok	November 2025	Februari 2026	Mei 2026
Nasional	4,74%	4,68%	4,65%
Usia 15–24 tahun	16,26%	16,36%	17,37%
Usia 25–59 tahun	2,98%	2,93%	2,56%
Usia 60 tahun ke atas	1,44%	1,89%	2,35%

Pola yang terlihat: angka nasional cenderung stabil dan sedikit menurun, sementara angka kelompok muda justru naik. Kalau kita hanya membaca angka nasional, kita akan melewatkan cerita yang paling penting.

Empat jebakan saat membaca TPT

Jebakan 1: menyamakan TPT dengan persentase seluruh penduduk. Sudah dibahas di atas. Selalu tanyakan: persen dari apa?

Jebakan 2: membandingkan periode yang berbeda tanpa catatan. Sakernas dilaksanakan beberapa kali setahun. Pola kerja punya unsur musiman: musim panen, musim liburan, masa kelulusan sekolah. Membandingkan Februari dengan Agustus tanpa catatan bisa menyesatkan. Cara paling aman adalah membandingkan periode yang sama antartahun, atau menyebut jelas periode yang dibandingkan.

Jebakan 3: mengabaikan ukuran kelompok. Survei mewakili kelompok besar dengan baik, tapi makin kecil kelompoknya, makin lebar margin of error-nya. Angka TPT anak muda di satu kabupaten jauh lebih tidak pasti dibanding angka nasional. Perubahan kecil di kelompok kecil belum tentu bermakna.

Jebakan 4: menyimpulkan sebab dari satu angka. TPT anak muda yang tinggi bisa dijelaskan oleh banyak hal: masa transisi dari sekolah ke kerja, ketidakcocokan keterampilan, informasi lowongan yang tidak merata, syarat pengalaman untuk pekerjaan pertama, atau lapangan kerja yang memang terbatas. Setiap penjelasan membutuhkan data yang berbeda untuk dibuktikan. Satu angka tidak bisa memilih penjelasan mana yang benar.

Kenapa angka anak muda hampir selalu lebih tinggi

Di banyak negara, pengangguran muda hampir selalu berada di atas rata-rata nasional. Ini bukan khas Indonesia. Beberapa alasan yang sering dibahas dalam kajian ketenagakerjaan:

1. Transisi sekolah ke kerja. Lulusan baru belum punya pengalaman dan jaringan. Mencari pekerjaan pertama butuh waktu.
2. Mencari kecocokan. Sebagian anak muda masih ditopang keluarga sehingga bisa menunggu tawaran yang sesuai bidangnya. Secara statistik, masa menunggu ini tercatat sebagai menganggur.
3. Terakhir masuk, pertama keluar. Ketika perusahaan mengurangi pegawai, karyawan dengan masa kerja pendek biasanya terdampak lebih dulu.

Karena polanya umum, yang lebih penting dipantau bukan apakah angka anak muda lebih tinggi dari rata-rata, melainkan arahnya. Dan untuk paruh pertama 2026, arahnya naik.

Pelajaran yang bisa dibawa ke kantor

Konsep penyebut dan pemecahan kelompok ini tidak hanya berlaku untuk data ketenagakerjaan nasional. Di kantor, pola yang sama muncul setiap hari.

Angka turnover 12% bisa terlihat wajar, padahal turnover karyawan baru di bawah satu tahun jauh lebih tinggi. Tingkat kepuasan pelanggan 85% bisa terlihat bagus, padahal satu segmen pelanggan penting justru sangat kecewa. Angka rata-rata menenangkan; angka yang dipecah per kelompok memperlihatkan di mana masalahnya.

Tiga kebiasaan yang saya sarankan:

• Tulis penyebutnya di judul grafik atau tabel. “Persen dari angkatan kerja tiap kelompok umur” jauh lebih jelas daripada sekadar “persen”.
• Pecah dulu sebelum menyimpulkan. Minimal per kelompok umur, wilayah, dan periode.
• Pasangkan dengan indikator kualitas. Angka pengangguran sebaiknya dibaca bersama data jam kerja, status pekerjaan, atau upah.

Penutup

Angka 16,36% bukan angka yang menakutkan karena besarnya, melainkan karena arah dan artinya. Ia memberi tahu kita bahwa pintu masuk dunia kerja bagi anak muda yang siap bekerja masih sempit, dan tiga bulan kemudian makin sempit.

Membaca angka itu dengan benar adalah langkah pertama untuk membicarakan solusi yang tepat. Bukan ceramah tentang etos kerja, tapi pembenahan jalan dari sekolah ke pekerjaan pertama.

Pekan ini saya akan membahas data ketenagakerjaan anak muda dari beberapa sudut: menurut pendidikan, klaim tentang generasi, dan cara mengujinya dengan data.

Baca juga: butuh pendampingan olah data survei atau analisis statistik? Pelajari layanan kami di Jasa Analisis Data Statistik.

---

Beberapa pekan lalu saya menulis bahwa hanya sekitar seperlima korban kejahatan yang melapor ke polisi. Setelah itu banyak yang bertanya hal yang sama: “Oke, saya paham angkanya. Lalu apa yang bisa dilakukan?”

Pertanyaan yang bagus, dan jujur saja, lebih sulit dijawab daripada memahami angkanya. Hari Minggu ini, sebagai penutup pekan, saya coba jawab dalam tiga lapis: apa yang perlu dipahami, siapa yang bisa berbuat apa, dan apa yang perlu dihindari.

Pertama, ingat lagi angkanya

Menurut Susenas 2024, 20,28% korban kejahatan melapor ke polisi. Setahun sebelumnya 23,36%. Artinya sekitar empat dari lima korban memilih tidak melapor, dan proporsi yang melapor justru menurun.

Dampaknya pada cara kita membaca statistik cukup besar. Data kepolisian yang kita lihat di berita hanyalah bagian yang masuk catatan. Sebagai ilustrasi hitungan yang sangat kasar: kalau satu jenis kejahatan tercatat 1.000 kasus dan hanya 20% korbannya yang melapor, perkiraan korban sebenarnya bisa sekitar 5.000. Angka ini bukan temuan, hanya gambaran skala, karena tingkat pelaporan berbeda-beda antarjenis kejahatan dan antarwilayah.

Kedua, kenapa orang tidak melapor?

Sebelum membahas tindakan, kita perlu paham penyebabnya. Dari literatur kriminologi, alasan yang paling sering muncul antara lain:

• Menganggap kerugiannya kecil atau urusannya terlalu remeh untuk dilaporkan.
• Tidak percaya laporan akan ditindaklanjuti, atau khawatir prosesnya berbelit.
• Takut atau malu, terutama pada kejadian yang sensitif atau melibatkan orang dekat.
• Biaya dan waktu: jarak ke kantor polisi, antrean, dan kebutuhan kembali untuk pemeriksaan.

Menariknya, ketika kita menaruh data ini berdampingan dengan data infrastruktur, gambarnya makin unik. Data Podes menunjukkan 89,14% desa dan kelurahan belum punya pos polisi, tetapi sekitar 85% di antaranya menilai akses ke polisi mudah. Kalau jarak bukan hambatan utama, maka yang perlu dikaji lebih dalam adalah kepercayaan dan pengalaman saat melapor.

Ketiga, siapa bisa berbuat apa

Pihak	Tindakan yang masuk akal
Lembaga statistik dan peneliti	Terus menerbitkan survei korban dan mengaitkannya dengan data registrasi
Aparat dan layanan pengaduan	Mempermudah dan mempercepat proses melapor, memberi kabar perkembangan kasus, melatih petugas agar ramah kepada pelapor
Pemerintah daerah	Menyediakan kanal pelaporan alternatif (daring, lewat layanan komunitas) dan memantau tingkat pelaporan, bukan hanya jumlah laporan
Media	Menyertakan konteks angka gelap ketika memberitakan naik atau turunnya angka kriminal
Pembaca	Menimbang angka kriminal bersama sumber pembanding sebelum membagikannya

Beberapa penjelasan singkat.

Untuk peneliti dan lembaga statistik, kunci jawabannya adalah triangulasi. Satu sumber tidak pernah cukup. Survei korban memotret pengalaman, data registrasi memotret respons sistem, dan survei persepsi memotret rasa aman. Menaruh ketiganya dalam satu kerangka memberi gambaran yang jauh lebih jujur.

Untuk aparat dan pembuat kebijakan, ada satu jebakan yang perlu diwaspadai. Kalau program meningkatkan kepercayaan warga berhasil, jumlah laporan bisa naik di tahap awal, karena orang yang tadinya diam mulai berani melapor. Kalau keberhasilan hanya diukur dari penurunan jumlah laporan, program yang sebenarnya berhasil justru bisa tampak gagal. Pantau tingkat pelaporan, bukan hanya jumlah laporan.

Untuk media dan pembaca, tindakan paling realistis adalah kebiasaan sederhana: setiap kali ada berita bahwa kejahatan “naik” atau “turun”, tanyakan apakah yang berubah adalah kejadiannya atau kemauan orang untuk melapor.

Keempat, hal yang perlu dihindari

Ada tiga kesalahan yang sering muncul ketika orang membahas angka gelap.

Menyalahkan korban yang tidak melapor. Keputusan untuk tidak melapor biasanya masuk akal dari sudut pandang orang yang mengalaminya. Menyebutnya “tidak peduli” atau “tidak sadar hukum” tidak membantu dan hanya memperburuk jarak antara korban dan sistem.

Mengubah angka ilustrasi menjadi fakta. Hitungan “1.000 dibagi 0,20 sama dengan 5.000” itu sengaja disederhanakan. Jangan mengutipnya seolah-olah itu estimasi resmi.

Menyimpulkan bahwa angka kriminal tidak berguna. Data registrasi tetap penting, terutama untuk memahami beban kerja aparat dan membandingkan antarwaktu dengan definisi yang konsisten. Yang kita perlukan adalah membacanya dengan benar, bukan membuangnya.

Contoh penerapan di organisasi: dari angka gelap ke budaya pelaporan

Konsep angka gelap tidak hanya milik kriminologi. Bayangkan sebuah perusahaan yang mencatat dua laporan insiden kerja dalam sebulan. Manajemen senang: “Bagus, kantor kita aman.” Padahal ada dua kemungkinan yang sangat berbeda di balik angka itu. Mungkin memang hanya dua insiden yang terjadi. Mungkin juga karyawan enggan melapor karena prosedurnya rumit, takut dicap pembuat masalah, atau tidak yakin laporannya akan dipakai.

Cara membedakannya mirip dengan cara BPS melengkapi data polisi dengan survei: lakukan survei anonim yang menanyakan apakah karyawan pernah mengalami atau menyaksikan insiden dalam tiga bulan terakhir dan apakah mereka melaporkannya. Bandingkan hasilnya dengan jumlah laporan resmi. Selisih antara keduanya adalah angka gelap di organisasimu. Dan angka itu, seperti di statistik kriminal, justru informasi paling berharga.

Kebijakan yang bagus tidak berhenti di “turunkan jumlah insiden”. Ia bertanya “apakah orang merasa aman untuk melapor?” lebih dulu, karena tanpa itu angka insiden tidak bisa dipercaya sebagai ukuran keberhasilan.

Pertanyaan penelitian yang layak digali

Bagi mahasiswa dan peneliti yang mencari topik, angka gelap membuka banyak arah. Faktor apa yang berhubungan dengan keputusan melapor menurut jenis kejahatan? Apakah ada perbedaan tingkat pelaporan antara perkotaan dan perdesaan, dan apakah selisihnya berkaitan dengan persepsi terhadap aparat? Bagaimana tingkat pelaporan berubah setelah sebuah layanan pengaduan baru diperkenalkan? Pertanyaan-pertanyaan ini bisa dijawab dengan data survei yang tersedia, dengan kehati-hatian pada keterbatasan dan etika penelitiannya.

Pelajaran bagi pembaca data

Kalau kita tarik ke luar kriminologi, pola ini muncul di mana-mana. Jumlah keluhan pelanggan yang sedikit belum tentu berarti pelanggan puas; mungkin saluran keluhannya sulit dipakai. Laporan insiden kerja yang sedikit belum tentu berarti kantor aman; mungkin orang takut dicap pembuat masalah. Data yang “bersih” kadang berarti tidak ada yang berani mencatat.

Itulah kenapa pertanyaan favorit saya setiap melihat angka yang kecil adalah: siapa yang sebenarnya punya kesempatan untuk muncul dalam data ini?

Penutup

Angka gelap tidak bisa dihilangkan, tapi bisa dikecilkan dan dipahami. Langkah pertama adalah mengakui bahwa catatan resmi bukan seluruh kenyataan. Langkah berikutnya adalah membangun sistem yang membuat orang merasa aman dan percaya untuk melapor, dan mengukurnya dengan indikator yang tepat.

Besok kita mulai pekan baru dengan topik pemuda dan dunia kerja. Terima kasih sudah mengikuti rangkaian bahasan pekan ini. Kalau ada topik kriminologi atau data sosial yang ingin dibahas, tulis di komentar.

Minggu pagi adalah waktu yang enak untuk berhenti sebentar dan bertanya: apa sebenarnya yang kita pelajari sepekan ini? Sejak Senin 19 Oktober, kita membongkar angka dari tujuh arah yang berbeda: ringkasan variabel, kejahatan lingkungan, pemilihan uji statistik, pos polisi, model prediksi, kejahatan terhadap nyawa, kuesioner, sampai checklist membaca angka kriminal. Terakhir, dua hari ini, kita membuka seri baru tentang salah paham angka resmi dan sesi tanya jawab.

Kalau semuanya diperas, ada tujuh pelajaran yang menurut saya paling berguna dibawa pulang. Bukan rumusnya, tapi kebiasaan berpikirnya.

1. Banyak variabel belum tentu banyak informasi

Hari Senin kita membahas dua puluh lima variabel yang sebenarnya saling tumpang tindih. Analisis faktor dan PCA membantu meringkasnya menjadi beberapa dimensi tanpa membuang cerita. Pelajarannya: sebelum menambah variabel, tanyakan dulu apakah variabel-variabel itu benar-benar mengukur hal yang berbeda. Meringkas dengan benar sering lebih berguna daripada mengumpulkan lebih banyak.

2. Angka penindakan mengukur aktivitas sistem

Kejahatan lingkungan hidup tercatat 4.149 kejadian pada 2024, dan sekitar 32% terkonsentrasi di satu provinsi. Menyimpulkan bahwa provinsi itu “paling rusak” terlalu cepat. Kejahatan jenis ini baru tercatat ketika aparat menemukan dan menindaknya, jadi angka itu juga mencerminkan seberapa aktif penegakan di sana. Pelajaran: bedakan antara apa yang terjadi dan apa yang ditemukan.

3. Metode mengikuti pertanyaan, bukan sebaliknya

Hari Selasa, lima pertanyaan memandu kita memilih uji statistik: apa tujuan analisisnya, bagaimana skala ukurnya, berapa kelompok dan apakah berpasangan, apakah asumsi terpenuhi, dan seberapa besar sampelnya. Mahasiswa yang memilih metode dulu baru mencari pertanyaan hampir selalu berakhir dengan revisi bab hasil.

4. Akses bukan satu-satunya hambatan

Sebanyak 89,14% desa dan kelurahan belum punya pos polisi, sementara sekitar 85% menilai aksesnya mudah, tetapi hanya sekitar 20% korban yang melapor. Kalau akses fisik bukan hambatan utama, mungkin yang perlu dibangun adalah kepercayaan. Pelajaran: jangan menyamakan ketersediaan fasilitas dengan pemanfaatannya.

5. Akurasi tinggi bisa menyesatkan

Model prediksi karyawan resign dengan akurasi 85% terdengar hebat, sampai kita sadar bahwa jika hanya 15% karyawan yang resign, menebak “tidak ada yang resign” saja sudah 85% akurat, dengan recall 0%. Pelajaran: selalu minta ukuran pelengkap (presisi dan recall) dan bandingkan dengan patokan sederhana.

6. Angka besar dan angka kecil sama-sama perlu konteks

Kasus pembunuhan tercatat 1.106 pada 2024, turun dari 1.129. Angka sekecil itu membuat fluktuasi kecil tampak besar secara persentase. Sementara kejadian kelalaian yang mengakibatkan orang mati turun dari 875 menjadi 563. Pelajaran: untuk kategori yang jumlahnya kecil, hati-hati menyimpulkan tren dari satu tahun.

7. Kualitas data dimulai dari pertanyaan

Hari Kamis kita melihat tujuh jebakan kuesioner: pertanyaan ganda, menggiring, istilah kabur, kata mutlak, pilihan jawaban yang tumpang tindih, urutan yang memengaruhi, dan kuesioner yang terlalu panjang. Analisis secanggih apa pun tidak bisa menyelamatkan kuesioner yang buruk. Pelajaran: kualitas analisis ditentukan di hulu, saat pertanyaan ditulis.

Peta ringkas pekan ini

Hari	Topik	Pelajaran
Senin	Analisis faktor dan PCA	Ringkas variabel yang tumpang tindih
Senin	Kejahatan lingkungan	Statistik penindakan mengukur aktivitas sistem
Selasa	Memilih uji statistik	Lima pertanyaan sebelum memilih alat
Selasa	Pos polisi dan pelaporan	Akses bukan satu-satunya hambatan
Rabu	Model prediksi resign	Akurasi saja tidak cukup
Rabu	Kejahatan terhadap nyawa	Angka kecil perlu kehati-hatian
Kamis	Kuesioner dan checklist	Kualitas data dimulai dari pertanyaan
Jumat dan Sabtu	Angka resmi dan tanya jawab	Angka benar, tafsir yang sering keliru

Cara memakai tujuh pelajaran ini di pekerjaan

Pelajaran hanya berguna kalau berubah menjadi kebiasaan. Beberapa cara sederhana untuk memulainya pekan depan.

Di rapat: sebelum menerima angka dari presentasi, ajukan satu pertanyaan klarifikasi, misalnya “ini dihitung dari apa?” atau “pembandingnya apa?”. Jangan retoris; tanyakan dengan rasa ingin tahu, dan biasanya presenter justru senang karena merasa angkanya dibaca serius.

Di laporan: tambahkan satu baris di bawah setiap angka penting yang menyebut sumber, periode, dan batasannya. Kebiasaan ini memakan waktu dua menit tapi mencegah salah tafsir berminggu-minggu.

Di penelitian: tulis daftar asumsi dan keterbatasan sebelum menulis kesimpulan, bukan sesudahnya. Kesimpulan yang ditulis setelah kita jujur pada keterbatasan hampir selalu lebih kokoh.

Di rumah dan di media sosial: sebelum membagikan grafik atau angka yang mengejutkan, berhenti sepuluh detik dan cari tahu sumber aslinya. Mayoritas angka yang viral tidak salah; ia hanya kehilangan konteksnya di perjalanan.

Catatan tentang sumber dan cara membaca rangkuman ini

Angka-angka kriminal dalam rangkuman ini berasal dari Statistik Kriminal BPS 2024 dan sudah saya cek kembali ke publikasinya saat artikel masing-masing ditulis. Contoh akurasi model 85%, gaji, dan kuesioner bersifat ilustrasi untuk menjelaskan konsep, bukan data dari kasus nyata atau klien tertentu. Kalau kamu mengutip angka dari rangkuman ini, ambil dari sumber aslinya dan baca definisinya, persis seperti yang kita bahas.

Apa yang akan kita buka pekan depan

Pekan depan temanya bergeser ke pemuda dan dunia kerja, menjelang Hari Sumpah Pemuda 28 Oktober. Kita akan melihat bagaimana angka pengangguran pada usia muda dibandingkan dengan angka nasional, bagaimana pengangguran terbagi menurut pendidikan, dan bagaimana klaim populer tentang satu generasi bisa diuji dengan data. Di tengah pekan kita juga akan membahas satu pertanyaan metode yang penting: kenapa polling di media sosial dan survei acak bisa menghasilkan angka yang jauh berbeda.

Seperti biasa, kita mulai dari angka resmi, lalu dari pertanyaan. Kalau ada angka tentang anak muda atau pekerjaan yang membingungkan kamu, kirimkan. Saya akan masukkan ke bahan pembahasan.

Lima pertanyaan refleksi untuk akhir pekan

1. Angka apa yang paling sering kamu kutip pekan ini, dan apakah kamu tahu cara menghitungnya?
2. Adakah keputusan di tempatmu yang diambil dari satu rata-rata tanpa melihat sebarannya?
3. Siapa yang tidak muncul di data yang kamu pakai?
4. Metode analisis apa yang kamu pilih karena “biasanya begitu”, bukan karena cocok dengan pertanyaan?
5. Kalau angkamu salah, siapa yang akan paling dirugikan, dan bagaimana kamu bisa tahu lebih awal?

Kalau hanya boleh membawa satu pelajaran

Kalau saya paksa memilih satu, pilihan saya sama dengan pekan-pekan sebelumnya: sebelum percaya sebuah angka, tanyakan apa yang dihitung dan apa yang tidak ikut terhitung. Tujuh pelajaran di atas hanyalah variasi dari pertanyaan itu, diterapkan pada data yang berbeda.

Besok kita mulai pekan baru dengan topik yang dekat dengan banyak dari kita: pemuda dan dunia kerja, menjelang Hari Sumpah Pemuda. Polanya sama: angka resmi dulu, lalu pertanyaan.

Dari tujuh pelajaran di atas, mana yang paling terasa relevan untuk pekerjaan atau penelitianmu? Tulis di komentar. Saya selalu senang membaca contoh dari lapangan.

Baca juga: butuh bantuan mengolah dan menafsirkan data penelitian atau bisnismu? Lihat layanan analisis data dan statistik kami.

---

Pagi tadi saya menjawab pertanyaan seputar sampel, normalitas, dan nilai p. Sore ini giliran pertanyaan-pertanyaan yang muncul setiap kali orang membaca statistik kriminal. Latar belakang saya di kriminologi membuat saya sering dihubungi justru oleh orang yang tidak sedang kuliah kriminologi: wartawan, mahasiswa lintas jurusan, pegawai pemerintah daerah, bahkan orang tua yang sedang memilih tempat tinggal.

Empat pertanyaan berikut mewakili hampir semua yang pernah saya dengar. Jawabannya saya ambil dari Statistik Kriminal BPS 2024.

1. “Kota atau polda mana yang paling aman?”

Pertanyaan ini terdengar sederhana, tapi jawabannya bergantung pada apa yang kamu maksud dengan “aman”.

Kalau yang dilihat jumlah kejadian, Polda Metro Jaya tertinggi dengan 77.261 kejadian pada 2024, disusul Sumatera Utara (60.724) dan Jawa Timur (60.102). Tapi jumlah itu belum memperhitungkan penduduk. Dengan crime rate (kejahatan per 100.000 penduduk), urutan risikonya menjadi Sulawesi Utara 540, Papua Barat 501, dan Sulawesi Selatan 440, sementara Metro Jaya ada di urutan ke-8 dengan 316.

Jadi untuk membandingkan wilayah, pakai rasio per penduduk, bukan jumlah mentah. Dan ingat bahwa crime rate itu sendiri dihitung dari kejadian yang tercatat, jadi tingkat pelaporan di tiap wilayah ikut memengaruhinya. Wilayah dengan layanan pelaporan yang mudah bisa tampak “lebih rawan” justru karena warganya lebih sering melapor.

2. “Kasus narkotika naik 12%. Berarti peredaran narkoba meningkat?”

Kasus narkotika tercatat naik dari 39.496 menjadi 44.295. Fakta itu benar. Kesimpulan “peredarannya meningkat” belum tentu.

Narkotika termasuk kejahatan tanpa korban pelapor. Tidak ada orang yang datang ke kantor polisi untuk melaporkan dirinya sebagai pembeli. Kasus tercatat ketika aparat menemukan, menangkap, atau menyelidiki. Karena itu angkanya sangat bergantung pada intensitas penindakan. Kalau operasi digencarkan, angka naik. Kalau operasi dikurangi, angka turun, sementara peredarannya mungkin sama saja.

Pertanyaan penelitian yang lebih menarik adalah: apa yang mengubah intensitas penindakan itu, dan apakah ada data pembanding seperti survei penyalahgunaan atau data layanan rehabilitasi yang bisa dipakai untuk menguji tafsir kita. Untuk mahasiswa, ini topik skripsi yang kaya.

3. “Kenapa data polisi dan data survei bisa berbeda jauh?”

Contoh paling jelas adalah Jawa Barat. Data kepolisian menempatkannya sebagai provinsi dengan crime rate terendah (89 per 100.000), tetapi survei Susenas menunjukkan 1,30% penduduknya mengaku pernah menjadi korban kejahatan, urutan ketiga tertinggi dan jauh di atas rata-rata nasional 0,73%.

Dua angka itu tidak saling membatalkan. Keduanya mengukur hal berbeda dengan satuan berbeda. Data polisi menghitung kejadian yang dilaporkan. Survei menghitung persentase penduduk yang mengaku jadi korban, terlepas dari apakah mereka melapor. Selisihnya adalah informasi penting, bukan kesalahan: ia menunjukkan seberapa jauh catatan resmi dari pengalaman warga.

Cara praktis membandingkannya adalah memakai peringkat, bukan angka mentah, lalu menghitung korelasi peringkat antara kedua ukuran. Kalau peringkatnya searah, kedua sumber “sepakat” tentang mana wilayah yang lebih rawan. Kalau berlawanan, ada sesuatu yang perlu dijelaskan, misalnya perbedaan tingkat pelaporan.

4. “Apa itu angka gelap kejahatan?”

Angka gelap (dark figure of crime) adalah selisih antara kejahatan yang benar-benar terjadi dan kejahatan yang tercatat secara resmi. Istilah ini sudah lama dipakai kriminolog, karena sejak awal disadari bahwa catatan polisi hanya melihat sebagian dari kenyataan.

Datanya hadir di Statistik Kriminal 2024: hanya sekitar 20,28% korban kejahatan yang melapor ke polisi, turun dari 23,36% setahun sebelumnya. Kalau, sebagai ilustrasi yang sangat kasar, sebuah jenis kejahatan tercatat 1.000 kasus dan hanya 20% korbannya yang melapor, perkiraan jumlah korban sebenarnya bisa sekitar 5.000. Hitungan itu bergantung pada banyak asumsi, misalnya tingkat pelaporan yang sama di semua wilayah, dan itu jelas tidak benar. Tapi ia cukup untuk memperlihatkan skalanya.

Ringkasan jawaban

Pertanyaan	Jawaban singkat
Wilayah mana yang paling aman?	Bandingkan per 100.000 penduduk, bukan jumlah mentah
Narkotika naik berarti peredaran naik?	Belum tentu: angkanya juga mengukur gencarnya penindakan
Kenapa polisi dan survei beda?	Beda yang diukur: kejadian dilaporkan vs pengalaman warga
Apa itu angka gelap?	Selisih kejadian nyata dan yang tercatat; sekitar 80% korban tidak melapor menurut survei 2024

Pertanyaan tambahan: “Apakah kota besar pasti lebih rawan?”

Pertanyaan ini sering menyusul. Jawaban kriminologinya berlapis. Kota besar memang punya lebih banyak peluang kejahatan: lebih banyak orang, kendaraan, dan barang bernilai di tempat yang sama, serta pengawasan sosial yang lebih longgar dibandingkan lingkungan kecil tempat semua orang saling kenal. Di sisi lain, kota besar juga cenderung punya layanan pelaporan yang lebih mudah diakses, sehingga sebagian kejadian lebih sering tercatat.

Akibatnya, angka registrasi di kota besar bisa tinggi karena dua alasan sekaligus: kejadian yang lebih banyak, dan pelaporan yang lebih mudah. Menguraikan porsi masing-masing adalah salah satu tantangan penelitian terbesar di bidang ini, dan itulah kenapa peneliti jarang puas dengan satu sumber data.

Mini latihan: hitung crime rate sendiri

Crime rate itu sebenarnya hitungan sederhana: jumlah kejadian dibagi jumlah penduduk, lalu dikali 100.000. Berikut contoh ilustrasi dengan angka rekaan, hanya untuk menunjukkan logikanya.

Misalkan Wilayah A mencatat 3.000 kejadian dengan penduduk 600.000 orang, dan Wilayah B mencatat 6.000 kejadian dengan penduduk 2.000.000 orang. Wilayah B punya kasus dua kali lebih banyak. Tapi crime rate Wilayah A adalah 3.000 ÷ 600.000 × 100.000 = 500, sedangkan Wilayah B 6.000 ÷ 2.000.000 × 100.000 = 300. Per penduduk, Wilayah A justru lebih berisiko.

Coba ulangi dengan data wilayahmu sendiri. Jangan lupa menuliskan tahun, sumber jumlah penduduknya, dan apakah semua jenis kejadian ikut dihitung.

Kalau kamu ingin menelusuri datanya sendiri

Publikasi Statistik Kriminal tersedia di situs BPS. Cara paling praktis untuk memulai: buka edisi terbaru, baca bagian pengantar dan catatan teknis dulu (di sanalah definisi dan sumber data dijelaskan), baru kemudian lihat tabelnya. Bandingkan satu tabel dari data registrasi kepolisian dengan satu tabel dari survei (Susenas), lalu tuliskan tiga hal: apa yang diukur, satuan yang dipakai, dan siapa yang tidak ikut terhitung. Latihan ini cukup satu jam dan sangat menajamkan cara membaca.

Satu catatan kehati-hatian

Statistik kriminal menyangkut orang sungguhan: korban, keluarga, dan pelaku. Ketika kita membahas “angka”, kita sedang membahas peristiwa yang kadang menyakitkan. Karena itu bahasa yang kita pakai sebaiknya cermat, tidak sensasional, dan tidak menyalahkan korban. Statistik yang baik membantu kita memahami dan mencegah, bukan menakut-nakuti.

Kalau ada pertanyaan tentang statistik kriminal yang ingin dibahas lebih dalam, tulis di komentar.

Baca juga: Tanya Statistikawan: 3 Pertanyaan yang Paling Sering Saya Terima dan 5 Salah Paham tentang Angka Resmi.

Setiap kali saya mengisi pelatihan atau membimbing skripsi, ada tiga pertanyaan yang pasti muncul. Bentuk kalimatnya berbeda-beda, tapi intinya sama. Hari Sabtu ini saya jawab ketiganya di satu tempat, dengan bahasa yang bisa dipakai langsung.

Pertanyaannya: berapa sampel yang cukup, apakah data yang tidak normal wajib dianalisis dengan uji non-parametrik, dan apakah hasil yang tidak signifikan berarti penelitian gagal. Kita mulai dari yang paling sering.

Pertanyaan 1: “Sampel berapa yang cukup?”

Jawaban jujurnya: tergantung apa yang ingin kamu dapatkan dari sampel itu. Tidak ada satu angka sakti.

Kalau tujuanmu memperkirakan persentase (misalnya “berapa persen pelanggan puas?”), ukuran sampel menentukan presisi, yang kita ukur dengan margin of error. Dengan tingkat kepercayaan 95% dan asumsi paling hati-hati (proporsi 50%), kebutuhan sampel acaknya kira-kira begini:

Margin of error	Sampel acak yang dibutuhkan
±10%	sekitar 97 orang
±5%	sekitar 385 orang
±3%	sekitar 1.068 orang
±2%	sekitar 2.401 orang

Perhatikan polanya: untuk menyempitkan margin dari ±5% menjadi ±2,5%, sampel tidak cukup digandakan, tapi harus dikalikan sekitar empat. Itu sebabnya presisi yang ketat itu mahal.

Ada dua catatan penting. Pertama, angka-angka itu berlaku untuk sampel acak. Sampel 10.000 dari polling grup chat tidak otomatis lebih akurat daripada 400 yang dipilih secara acak, karena yang dijamin oleh pengacakan adalah kemampuan menghitung galat, bukan jumlahnya. Kedua, untuk populasi kecil kebutuhan sampel menurun. Dengan koreksi populasi hingga, populasi 2.000 orang dengan margin ±5% cukup sekitar 323 responden, dan populasi 500 orang sekitar 218.

Dan kalau tujuanmu bukan memperkirakan persentase, melainkan menguji hubungan atau memodelkan (regresi, SEM, PLS-SEM), logikanya berbeda: yang dipertimbangkan adalah kekuatan uji (power), jumlah variabel atau jalur dalam model, dan ukuran efek yang ingin dideteksi. Jadi jangan menyalin angka “100 responden” dari skripsi orang lain tanpa memeriksa apakah tujuannya sama.

Pertanyaan 2: “Data saya tidak normal. Wajib pakai non-parametrik, kan?”

Ini pertanyaan yang paling sering membuat mahasiswa panik dua minggu sebelum sidang. Jawaban singkat saya: belum tentu, dan mungkin kamu menguji normalitas pada objek yang salah.

Dalam banyak analisis, terutama regresi, asumsi normalitas berlaku pada residual (selisih antara nilai yang diamati dan nilai yang diprediksi model), bukan pada setiap variabel mentah satu per satu. Variabel mentah boleh saja miring, tetapi residualnya bisa tetap memenuhi asumsi.

Beberapa hal yang perlu kamu cek sebelum memutuskan pindah ke uji non-parametrik:

• Apa yang sebenarnya diasumsikan oleh uji yang kamu pakai? Uji t dan ANOVA, misalnya, menuntut normalitas pada tiap kelompok atau pada residual, dan keduanya relatif tahan terhadap pelanggaran ringan ketika sampel tidak terlalu kecil.
• Lihat visualnya. Histogram dan Q-Q plot sering lebih informatif daripada satu angka p dari uji normalitas. Uji formal seperti Shapiro-Wilk bisa “menolak” normalitas pada sampel besar hanya karena penyimpangan yang sebenarnya kecil.
• Ketahui alternatifnya. Kalau asumsi benar-benar terlanggar, pilihannya bukan hanya non-parametrik. Kamu juga bisa mentransformasi data atau memakai metode yang tahan terhadap pelanggaran.

Kalimat di bab hasil pun penting. Alih-alih menulis “data tidak normal sehingga dipakai uji non-parametrik”, penguji lebih menghargai kalimat yang menyebut asumsi apa yang diuji, dengan alat apa, pada objek apa, dan apa konsekuensinya.

Pertanyaan 3: “Hasil saya tidak signifikan. Berarti penelitian saya gagal?”

Tidak. Dan ini mungkin salah paham yang paling merugikan di dunia penelitian.

Nilai p menjawab pertanyaan yang sempit: kalau sebenarnya tidak ada efek, seberapa jarang saya akan melihat data seekstrem ini? Ia tidak menjawab “apakah efeknya penting”, dan p yang besar bukan bukti bahwa efeknya tidak ada. Bisa jadi sampelmu terlalu kecil untuk mendeteksinya.

Bayangkan program pelatihan yang menaikkan skor kompetensi rata-rata 2 poin pada skala dengan simpangan baku 10 (efek kecil). Diuji pada 30 orang, efek itu hampir pasti tidak terdeteksi dan kamu mungkin menyimpulkan “pelatihan tidak berpengaruh”. Diuji pada 3.000 orang, efek yang persis sama menghasilkan p yang sangat kecil dan kamu menyimpulkan “berpengaruh signifikan”. Efeknya tetap dua poin. Yang berubah hanya ukuran sampel.

Karena itu, saran saya untuk melaporkan hasil:

1. Tampilkan besar efek (misalnya koefisien atau selisih rata-rata), bukan hanya p.
2. Sertakan interval kepercayaan, supaya pembaca melihat rentang nilai yang masuk akal.
3. Bahas kemampuan sampel untuk mendeteksi efek, terutama kalau hasilnya tidak signifikan.
4. Tanyakan relevansi praktisnya: apakah selisih sebesar itu berarti bagi keputusan atau biaya?

Hasil yang tidak signifikan, kalau dilaporkan jujur, adalah temuan yang sah. Yang berbahaya justru kebiasaan mencoba berbagai analisis sampai ada yang signifikan, lalu melaporkan hanya yang itu.

Bonus: tiga kalimat yang bisa kamu adaptasi di bab metode dan hasil

Kadang yang membuat mahasiswa kesulitan bukan analisisnya, melainkan cara menuliskannya. Berikut contoh kerangka kalimat yang bisa kamu sesuaikan dengan kasusmu. Isi angkanya dengan data dan keputusanmu sendiri.

Tentang sampel: “Ukuran sampel ditentukan agar margin of error maksimal ±5% pada tingkat kepercayaan 95%, sehingga dibutuhkan sekurang-kurangnya sekitar 385 responden untuk populasi yang besar. Sampel dipilih dengan [sebutkan teknik pemilihan].”

Tentang asumsi: “Asumsi normalitas diperiksa pada residual model menggunakan Q-Q plot dan uji [sebutkan uji], dan hasilnya [memenuhi atau tidak memenuhi asumsi]. Karena itu analisis dilanjutkan dengan [sebutkan metode].”

Tentang hasil yang tidak signifikan: “Pengaruh [variabel A] terhadap [variabel B] tidak signifikan secara statistik (koefisien [angka]; interval kepercayaan 95% [bawah] sampai [atas]). Dengan ukuran sampel [n], penelitian ini memiliki daya yang terbatas untuk mendeteksi efek yang kecil, sehingga hasil ini perlu ditafsirkan sebagai [penafsiran yang jujur] dan bukan sebagai bukti tidak adanya pengaruh.”

Perhatikan bahwa ketiga kalimat itu menyebut alasan, bukan hanya keputusan. Itu yang dicari penguji: bahwa kamu tahu kenapa kamu melakukan sesuatu.

Benang merahnya

Ketiga jawaban di atas berbagi satu prinsip: jangan memakai aturan praktis tanpa tahu alasannya. Angka sampel, uji normalitas, dan ambang p 0,05 semuanya alat. Alat yang dipakai tanpa memahami fungsinya akan menghasilkan kesimpulan yang tampak rapi tapi sulit dipertahankan di ruang sidang atau ruang rapat.

Kalau kamu punya pertanyaan lain, tinggalkan di komentar atau kirim lewat DM. Pertanyaan yang pantas akan saya bahas di edisi Sabtu berikutnya.

Baca juga: Jasa Analisis Data & Statistik – layanan analisis statistik, olah data, dan bimbingan metodologi dari tim Datalytics.

---

Ada satu kalimat yang sering saya dengar di ruang rapat, di kolom komentar, bahkan di ruang sidang skripsi: “Tapi ini kan data resmi.” Kalimat itu dipakai sebagai palu. Begitu diucapkan, diskusi dianggap selesai.

Padahal data resmi itu seperti timbangan di toko: biasanya akurat, tapi hanya menimbang apa yang kamu taruh di atasnya. Kalau yang ditimbang hanya sebagian barang, hasilnya tetap “benar”, tapi tidak menceritakan seluruh isi toko.

Mulai hari ini saya membuka seri baru, “Membaca Angka Indonesia”. Setiap edisi akan mengambil satu atau dua angka resmi, membongkar apa yang sebenarnya diukurnya, lalu menutup dengan satu pertanyaan yang bisa kamu bawa ke angka lain. Tidak perlu latar belakang statistik; cukup rasa ingin tahu dan sedikit kesabaran membaca catatan kaki. Tujuannya sederhana: membiasakan kita bertanya satu hal sebelum percaya sebuah angka, yaitu angka ini sebenarnya mengukur apa? Untuk pembuka, saya pilih lima salah paham yang paling sering muncul. Contohnya saya ambil dari Statistik Kriminal BPS 2024, karena di sanalah jebakannya paling terang.

Salah paham 1: “Angka resmi itu gambaran lengkap kenyataan”

Mari mulai dari yang paling mendasar. Data kejahatan yang kamu lihat di berita umumnya berasal dari catatan kepolisian, yaitu kejadian yang dilaporkan dan tercatat. Kejadian yang tidak dilaporkan tidak masuk hitungan.

Seberapa besar yang tidak masuk? BPS punya cara lain untuk mengintip: Survei Sosial Ekonomi Nasional (Susenas) bertanya langsung kepada warga apakah mereka pernah menjadi korban dan apakah mereka melapor. Hasilnya, pada 2024 hanya sekitar 20,28% korban kejahatan yang melapor ke polisi. Setahun sebelumnya angkanya 23,36%.

Artinya, catatan polisi hanya “melihat” kira-kira seperlima dari kejadian yang dialami warga. Angkanya tetap resmi dan tetap benar sebagai catatan laporan. Yang keliru adalah menganggapnya sebagai jumlah kejadian sebenarnya. Dalam kriminologi, selisih itu punya nama: angka gelap kejahatan.

Salah paham 2: “Angka naik berarti keadaan memburuk”

Naik itu fakta. Tapi kenapa naik adalah pertanyaan lain, dan sering jawabannya tidak seseram judul berita.

Ambil contoh narkotika. Kasus yang tercatat naik dari 39.496 pada 2023 menjadi 44.295 pada 2024, naik sekitar 12%. Sekilas terdengar seperti peredaran narkoba melonjak. Tapi narkotika adalah kejahatan yang hampir tidak punya pelapor. Penjual dan pembeli sama-sama terlibat, tidak ada korban yang datang ke kantor polisi. Kasus baru tercatat kalau aparat menemukannya sendiri.

Maka angka itu bisa naik karena peredarannya bertambah, bisa juga karena penindakan makin gencar. Analogi gampangnya: kalau kamu menambah jumlah petugas pemeriksa di sebuah pasar, jumlah pelanggaran yang tercatat naik, padahal pasarnya belum tentu lebih bermasalah. Angkanya mengukur seberapa gencar kita mencari, bukan semata seberapa banyak yang ada.

Salah paham 3: “Wilayah dengan kasus terbanyak pasti paling rawan”

Ini jebakan klasik yang membuat judul berita gampang terbaca keliru. Pada 2024, Polda Metro Jaya mencatat 77.261 kejadian, terbanyak secara nasional (sekitar 13,75% dari total). Disusul Sumatera Utara dengan 60.724 dan Jawa Timur dengan 60.102.

Tapi jumlah kasus belum memperhitungkan jumlah penduduk. Wilayah berpenduduk besar hampir pasti menghasilkan angka mutlak yang besar. Untuk membandingkan secara adil, BPS memakai crime rate, yaitu jumlah kejahatan per 100.000 penduduk. Dan ketika dihitung begitu, urutannya berubah: Sulawesi Utara 540, Papua Barat 501, dan Sulawesi Selatan 440. Metro Jaya, si juara jumlah kasus, ada di urutan ke-8 dengan crime rate 316.

Jadi pertanyaan “mana yang paling banyak kasusnya?” dan “mana yang paling berisiko bagi penduduknya?” adalah dua pertanyaan berbeda, dengan jawaban berbeda.

Salah paham 4: “Total kejahatan sama dengan kejahatan sungguhan”

Pada 2024, BPS mencatat total 561.993 kejadian. Angkanya besar dan gampang dipakai untuk menakut-nakuti. Tapi coba lihat isinya. Kategori kejahatan terhadap keamanan publik dan negara menyertakan kecelakaan lalu lintas, dan jumlahnya mencapai sekitar 27% dari seluruh total.

Bukan berarti angka itu salah. Ini soal definisi: BPS mengikuti pengelompokan yang dipakai dalam statistik kepolisian, dan di sana kecelakaan lalu lintas ikut tercatat. Tapi pembaca yang membayangkan “561.993 kejahatan” biasanya membayangkan pencurian, penganiayaan, atau penipuan, bukan tabrakan di jalan raya. Satu pertanyaan sederhana, “apa saja yang ikut dihitung?”, langsung mengubah cara kita membaca totalnya.

Salah paham 5: “Satu rata-rata mewakili semuanya”

Terakhir, rata-rata. Dalam survei BPS, sekitar 85,47% rumah tangga merasa aman berjalan sendirian di malam hari. Angka itu terdengar menenangkan, dan memang begitu secara nasional.

Tapi lihat sebarannya. Jawa Tengah mencatat 91,92%, DI Yogyakarta 91,37%, Jawa Timur 90,38%. Di ujung lain, Papua Tengah hanya 53,50%, Gorontalo 69,02%, dan Papua Barat Daya 69,15%. Selisih antara yang tertinggi dan terendah hampir 40 poin persentase.

Rata-rata nasional ibarat suhu rata-rata seluruh Indonesia: informatif untuk gambaran besar, tidak berguna kalau kamu sedang memutuskan membawa jaket ke daerah pegunungan. Kalau kamu pengambil kebijakan atau pemilik bisnis dengan banyak cabang, kebiasaan berhenti di rata-rata adalah cara tercepat untuk melewatkan masalah yang ada di satu wilayah tertentu.

Bonus: ketika definisinya ikut berubah

Ada satu jebakan lagi yang tidak masuk lima besar tapi sering menyelinap: membandingkan angka antartahun tanpa memastikan definisinya sama. Jumlah kejadian nasional yang dilaporkan BPS berada di kisaran 239 ribu pada 2021, lalu melonjak menjadi sekitar 585 ribu pada 2023 dan 562 ribu pada 2024. Lonjakan sebesar itu terlalu besar untuk dijelaskan hanya oleh perubahan perilaku pelaku. Sebagian bisa berkaitan dengan perubahan cakupan kategori yang dicatat, misalnya masuknya jenis kejadian tertentu ke dalam hitungan.

Karena itu, setiap kali kamu melihat grafik tren yang naik tajam, biasakan memeriksa catatan kaki di publikasinya. Pertanyaannya sederhana: apakah definisi dan cakupannya sama sepanjang periode itu? Kalau tidak, garis tren itu perlu dibaca dengan sangat hati-hati, atau bahkan dipecah menjadi dua segmen yang tidak dibandingkan langsung.

Ringkasan dalam satu tabel

Salah paham	Yang sebenarnya	Contoh dari data BPS 2024
Angka resmi = kenyataan lengkap	Mengukur yang dilaporkan	Hanya sekitar 20,28% korban melapor
Naik = memburuk	Bisa mencerminkan penindakan	Narkotika 39.496 menjadi 44.295
Terbanyak = paling rawan	Perlu dibagi jumlah penduduk	Metro Jaya 77.261 kasus, crime rate urutan ke-8
Total = kejahatan sungguhan	Ada definisi yang melebar	Sekitar 27% dari 561.993 adalah kecelakaan lalu lintas
Satu rata-rata mewakili semua	Sebaran bisa lebar	Rasa aman 85,47% nasional, 53,50% di Papua Tengah

Satu kebiasaan yang mengubah cara kamu membaca angka

Kelima salah paham tadi sebenarnya berpangkal pada satu hal: kita membaca angka tanpa bertanya siapa yang menghitung, apa yang dihitung, dan apa yang tidak ikut terhitung. Tiga pertanyaan itu cukup untuk menyelamatkan kamu dari sebagian besar kesimpulan yang terburu-buru.

Dan ini bukan soal mencurigai BPS atau lembaga lain. Justru lembaga yang baik mencantumkan definisi dan keterbatasan datanya dengan jelas. Tugas pembaca adalah benar-benar membacanya, bukan hanya mengambil angka di judul.

Pekan depan kita lanjutkan dengan data yang lebih “dekat” dengan keseharian: pemuda, pekerjaan, dan klaim-klaim tentang generasi. Polanya sama: angka resmi, lalu pertanyaan.

Sekarang giliran kamu. Dari lima salah paham tadi, mana yang paling sering kamu temui di kantor, kampus, atau grup WhatsApp keluarga? Tulis di komentar, nanti kita bahas.

Baca juga layanan Jasa Analisis Data Statistik kami untuk konsultasi metodologi penelitian, survei, dan pemodelan data kuantitatif.

---

Kalau kamu membayangkan kejahatan, mungkin yang terlintas adalah pencurian, penipuan, atau kekerasan. Jarang yang terpikir tentang hutan yang ditebang tanpa izin, ikan yang dicuri dari laut, atau tambang yang beroperasi di luar hukum. Padahal, kejahatan terhadap lingkungan hidup menimbulkan kerugian yang sangat besar, dan korbannya bukan hanya orang yang hidup sekarang, tetapi juga generasi mendatang.

Statistik Kriminal 2024/2025 dari BPS memuat satu bagian khusus untuk jenis kejahatan ini. Dan di dalamnya ada satu angka yang terlihat mencolok: Polda Sumatera Utara mencatat 1.334 kejadian, sekitar 32% dari seluruh kejahatan lingkungan hidup di Indonesia. Mari kita baca angka itu dengan hati-hati.

Apa yang termasuk kejahatan lingkungan hidup?

BPS mengelompokkan lima jenis dalam kategori ini:

1. Kejahatan pencegahan dan pemberantasan perusakan hutan (illegal logging)
2. Kejahatan perkebunan
3. Kejahatan perikanan (illegal fishing)
4. Kejahatan pertambangan mineral dan batu bara (illegal mining)
5. Kejahatan minyak dan gas (migas)

Angka tahun 2024 dibanding 2023:

Jenis	2023	2024	Arah
Kejahatan perkebunan	1.160	1.459	naik
Kejahatan minyak dan gas	1.032	1.249	naik
Pertambangan (illegal mining)	839	796	turun
Perusakan hutan (illegal logging)	560	446	turun
Perikanan (illegal fishing)	244	199	turun
Total	3.835	4.149	naik

Dua jenis yang naik, yaitu kejahatan perkebunan dan migas, menyumbang sekitar 65% dari seluruh kejahatan lingkungan hidup pada 2024. Dua-duanya juga meningkat cukup besar dibandingkan setahun sebelumnya: perkebunan naik sekitar 26%, migas sekitar 21%.

Sebaran wilayah yang tidak merata

Tiga polda dengan jumlah kejadian tertinggi:

• Sumatera Utara: 1.334 (sekitar 32% dari total nasional)
• Sumatera Selatan: 230
• Jawa Timur: 212

Dan yang terendah:

• Sulawesi Barat: 1
• Papua: 11
• Maluku Utara: 19

Selisih antara Sumatera Utara dan peringkat kedua adalah lebih dari lima kali lipat. Dan Papua, yang kita kenal dengan hutan dan sumber daya alamnya yang luas, hanya mencatat 11 kejadian.

Pertanyaan yang harus kita ajukan: apa yang diukur angka ini?

Di sinilah cara berpikir kritis diperlukan. Pertanyaannya bukan “di mana kerusakan lingkungan terbesar?”, melainkan “di mana kejahatan lingkungan paling banyak tercatat dan ditindak?” Itu dua hal yang sangat berbeda.

Pertama, ini kejahatan “tanpa korban pelapor”. Seperti narkotika, kejahatan lingkungan jarang dilaporkan oleh korban individual. Korbannya adalah ekosistem, masyarakat luas, atau generasi mendatang. Agar sebuah kasus tercatat, aparat atau pihak lain harus menemukannya, melakukan penyelidikan, dan menindaklanjutinya. Jumlah kasus tercatat mencerminkan kapasitas pengawasan dan penindakan, bukan hanya jumlah pelanggaran yang terjadi.

Kedua, wilayah dengan angka sangat rendah tidak otomatis bersih. Jumlah kejadian 1 di Sulawesi Barat atau 11 di Papua bisa berarti pelanggaran memang sedikit. Tetapi bisa juga berarti pengawasan terbatas karena wilayahnya luas, medannya sulit, dan sumber daya penegak hukum yang tersedia sedikit. Dalam situasi itu, “tidak tercatat” tidak sama dengan “tidak terjadi”.

Ketiga, angka tinggi bisa mencerminkan penegakan yang aktif. Provinsi dengan angka tinggi mungkin memang memiliki banyak pelanggaran. Tetapi bisa juga polda tersebut sangat aktif menindak, sehingga lebih banyak kasus terungkap. Dalam beberapa konteks, angka yang naik justru menandakan penegakan yang membaik, bukan lingkungan yang memburuk.

Keempat, jenis kegiatan ekonomi di wilayah itu menentukan jenis pelanggaran. Wilayah perkebunan akan mencatat lebih banyak kejahatan perkebunan. Wilayah penghasil migas akan mencatat lebih banyak kejahatan migas. Perbedaan jumlah antarwilayah sebagian besar mencerminkan perbedaan struktur ekonomi, bukan perbedaan moral penduduk.

Pelajaran: statistik penindakan adalah ukuran aktivitas sistem

Ini mungkin pelajaran paling penting dari data ini, dan berlaku pula untuk narkotika, korupsi, dan banyak kejahatan lain: statistik registrasi kejahatan tanpa korban pelapor adalah ukuran aktivitas sistem penegakan hukum, bukan cerminan langsung besarnya masalah. Memakainya untuk mengatakan “wilayah X paling rusak” atau “wilayah Y paling bersih” adalah lompatan yang tidak didukung data.

Untuk mengukur kerusakan lingkungan, kita membutuhkan jenis data lain: citra satelit tentang tutupan hutan, data perizinan, survei lapangan, estimasi kerugian ekologis dan ekonomi, atau data kualitas lingkungan. Statistik kriminal hanya mengisi satu bagian dari teka-teki.

Apa yang bisa dikaji lebih lanjut?

Bagi peneliti dan mahasiswa, beberapa pertanyaan layak diselidiki:

• Apakah ada hubungan antara jumlah kasus tercatat dengan sumber daya penegakan hukum di tiap wilayah (jumlah penyidik, anggaran, jangkauan)?
• Bagaimana angka kejahatan lingkungan berkaitan dengan data citra satelit tentang perubahan tutupan lahan?
• Mengapa kejahatan perkebunan dan migas naik, sementara yang lain turun? Apakah ada perubahan regulasi, harga komoditas, atau fokus operasi?
• Bagaimana kasus lingkungan yang tercatat berlanjut ke putusan dan pemulihan? Statistik penindakan awal hanya menceritakan sebagian dari proses.

Setiap pertanyaan itu menuntut data tambahan dan pendekatan yang lebih hati-hati daripada sekadar membandingkan jumlah kasus antarprovinsi.

Pesan penutup

Kejahatan lingkungan menuntut kita melihat lebih jauh dari statistik. Tetapi statistik tetap berguna, asalkan kita jujur tentang apa yang ia ukur. Angka 4.149 itu bukan neraca kerusakan alam Indonesia. Ia adalah catatan tentang kasus yang berhasil masuk ke dalam sistem. Apa yang belum tercatat, dan apa yang telah rusak tanpa tercatat, mungkin jauh lebih besar.

Menggabungkan data penindakan dengan data lingkungan

Supaya kita bisa menilai kejahatan lingkungan dengan lebih utuh, data penindakan perlu dipasangkan dengan data lain. Data penginderaan jauh (citra satelit) dapat memperlihatkan perubahan tutupan hutan atau aktivitas pertambangan di suatu wilayah. Data perizinan menunjukkan kegiatan yang sah. Data kualitas air, udara, dan tanah menunjukkan dampak. Data pendapatan negara dari sumber daya alam menunjukkan nilai ekonominya. Dengan menumpuk semua itu, kita bisa menanyakan hal yang jauh lebih bermakna: wilayah mana yang mengalami perubahan lingkungan besar tetapi hampir tidak ada kasus tercatat? Itulah celah pengawasan yang sebenarnya.

Pencegahan yang melibatkan komunitas

Penindakan saja jarang cukup. Pengalaman di banyak tempat menunjukkan bahwa kejahatan lingkungan lebih efektif dicegah ketika masyarakat sekitar punya kepentingan menjaga sumber daya, misalnya lewat pengelolaan hutan berbasis masyarakat, kemitraan nelayan lokal dalam pengawasan perairan, atau mekanisme pelaporan yang aman dan mendapat tindak lanjut. Statistik kriminal akan menangkap hasilnya dengan cara yang ironis: kasus tercatat bisa naik ketika pelaporan warga meningkat, padahal itulah tanda sistem pengawasan mulai bekerja.

Ide penelitian untuk mahasiswa

Topik yang menarik: hubungan antara kapasitas penegakan hukum di tingkat polda dan jumlah kasus lingkungan tercatat; perbandingan jenis kejahatan lingkungan antarwilayah menurut struktur ekonomi; atau studi kasus tentang bagaimana satu provinsi dengan angka tinggi membangun sistem pengungkapan kasusnya. Semuanya memadukan data kuantitatif dengan wawasan kelembagaan.

Tanya jawab singkat

Kenapa jumlah kejahatan lingkungan relatif kecil dibanding kejahatan lain? Salah satunya karena jenisnya memang lebih sedikit tercatat dan penegakan hukumnya membutuhkan sumber daya khusus (penyelidik berkompetensi, saksi ahli, pembuktian kerusakan). Kasusnya juga cenderung kompleks dan berlangsung lama, sehingga tidak semuanya tercatat dalam tahun yang sama.

Apakah angka naik berarti kerusakan bertambah? Belum tentu. Bisa berarti pengawasan meningkat. Itulah sebabnya data kejahatan lingkungan sebaiknya dibaca bersama indikator kondisi lingkungan yang independen dari penindakan.

Baca juga: Layanan jasa analisis data dan statistik

---

Korupsi biasanya kita bayangkan sebagai hal yang besar: nilai miliaran, pejabat tinggi, ruang sidang dengan kamera berjejer. Tapi ada sisi lain dari korupsi yang jauh lebih sehari-hari, dan justru karena sehari-hari, ia mudah luput dari perhatian: uang tambahan untuk mempercepat pengurusan dokumen, “ucapan terima kasih” yang diminta, atau pelicin supaya urusan tidak dipersulit.

Statistik Kriminal 2024/2025 memuat dua ukuran yang menyorot sisi itu, dari Survei Perilaku Anti Korupsi (SPAK) BPS. Mari kita lihat apa yang dikatakan datanya, dan apa yang tidak.

Dua indikator dari SPAK

1. Indeks Perilaku Anti Korupsi (IPAK). Skalanya 0 sampai 5. Semakin mendekati 5, semakin kuat perilaku antikorupsi masyarakat. Semakin mendekati 0, semakin besar toleransi (permisivitas) terhadap praktik korupsi. Hasilnya: IPAK turun dari 3,92 pada 2023 menjadi 3,85 pada 2024, turun 0,07 poin. IPAK disusun dari dua dimensi: dimensi persepsi (penilaian terhadap kebiasaan di keluarga, komunitas, dan publik) dan dimensi pengalaman (pengalaman langsung mengakses layanan publik).

2. Persentase masyarakat yang pernah berurusan dengan layanan publik dan mengeluarkan uang, barang, atau fasilitas di luar ketentuan. Angkanya naik dari 16,33% pada 2023 menjadi 17,17% pada 2024. BPS menyebut kenaikan ini sebagai catatan penting karena menunjukkan kecenderungan meningkatnya permisivitas terhadap korupsi skala kecil, serta masih adanya celah dalam sistem pelayanan publik yang bisa dimanfaatkan, baik atas inisiatif masyarakat maupun permintaan petugas.

Dalam bahasa sederhana: sekitar satu dari enam orang yang berurusan dengan layanan publik mengaku pernah memberi sesuatu di luar ketentuan.

Apa yang diukur, dan apa yang tidak

Seperti selalu, mari kita periksa cara pengukurannya.

• Yang diukur adalah korupsi skala kecil (petty corruption), seperti penyuapan, pemerasan, dan nepotisme dalam layanan publik sehari-hari. BPS menyatakan secara eksplisit bahwa survei ini tidak mencakup korupsi skala besar (grand corruption). Jadi IPAK tidak menggambarkan korupsi di tingkat kebijakan, pengadaan besar, atau penyalahgunaan wewenang oleh pejabat tinggi.
• Sampelnya terbatas. Pada 2024, SPAK dilaksanakan di 186 kabupaten/kota di 38 provinsi dengan sekitar 11.000 rumah tangga sebagai responden. Hasilnya hanya dapat disajikan pada tingkat nasional, tidak bisa dirinci per provinsi atau per daerah.
• Berdasarkan pengakuan dan persepsi. Pengakuan memberi uang di luar ketentuan adalah topik sensitif. Responden mungkin enggan jujur karena malu atau takut, sehingga angka ini bisa lebih rendah dari kenyataan (bias keinginan sosial). Atau sebaliknya, ada responden yang menafsirkan “biaya tambahan” secara berbeda.
• Memberi tidak sama dengan diminta. Indikator ini mencampur dua situasi: warga yang menawarkan sendiri, dan warga yang diminta atau dipaksa. Dari angka tunggal 17,17%, kita tidak bisa memisahkan keduanya. Padahal dari sisi kebijakan, dua situasi itu berbeda: yang pertama menyangkut budaya permisif, yang kedua menyangkut perilaku petugas dan sistem pengawasan.

Dua data yang bergerak berbeda

Menarik untuk membandingkan SPAK dengan data kejadian dari kepolisian. Dalam data registrasi Polri, kasus korupsi yang tercatat naik tipis dari 483 menjadi 512 kejadian pada 2024. BPS menyebut peningkatan ini perlu mendapat perhatian khusus karena korupsi sebagai kejahatan kerah putih (white-collar crime) menimbulkan kerugian berskala besar.

Dua angka itu tidak bisa dibandingkan secara langsung. 512 adalah jumlah kasus korupsi yang ditangani dan tercatat polisi (umumnya kasus yang sudah menarik perhatian dan memenuhi syarat penindakan). 17,17% adalah persentase warga yang mengaku mengalami praktik suap kecil. Perbedaan skala, definisi, dan sumbernya begitu jauh. Tapi justru karena itu perbandingan ini mengajarkan sesuatu: apa yang dialami warga sehari-hari dan apa yang ditangani aparat adalah dua lapisan masalah yang sama sekali berbeda. Banyak pungutan kecil tidak akan pernah menjadi kasus pidana, dan itu sebabnya survei seperti SPAK dibutuhkan untuk melihat lapisan yang tak tercatat.

Kenapa korupsi kecil tetap penting

Ada godaan untuk menganggap pungutan kecil “tidak seberapa”. Padahal, dari sudut pandang kriminologi dan kebijakan publik, korupsi kecil punya beberapa dampak serius:

• Normalisasi. Ketika “uang pelicin” dianggap biasa, batas antara yang wajar dan yang melanggar kabur. IPAK sendiri mengukur permisivitas ini, dan penurunannya adalah sinyal bahwa toleransi sedikit meningkat.
• Beban yang tidak adil. Pungutan kecil lebih terasa bagi kelompok berpenghasilan rendah, yang paling bergantung pada layanan publik dan paling tidak punya alternatif.
• Erosi kepercayaan. Pengalaman membayar “tambahan” membuat orang kurang percaya pada institusi, yang pada gilirannya mengurangi kemauan melapor, seperti yang kita lihat pada rendahnya tingkat pelaporan kejahatan.
• Jalan masuk ke korupsi yang lebih besar. Budaya yang menerima pelicin kecil menjadi tanah subur bagi praktik yang lebih besar.

Apa yang bisa dilakukan?

Data ini sendiri tidak memberi solusi, tetapi mengarahkan beberapa pertanyaan kebijakan:

1. Layanan mana yang paling rentan? Rincian per jenis layanan (kepolisian, pengurusan dokumen, pendidikan, kesehatan, perizinan) perlu dianalisis agar intervensi tepat sasaran.
2. Apakah digitalisasi layanan mengurangi kontak tatap muka yang membuka peluang pungutan? Ini hipotesis yang bisa diuji dengan data.
3. Seberapa efektif mekanisme pengaduan? Rendahnya pelaporan kejahatan secara umum menunjukkan bahwa kanal pengaduan harus aman dan terpercaya.
4. Bagaimana edukasi memengaruhi permisivitas? IPAK adalah ukuran yang bisa dipantau dari tahun ke tahun untuk menilai dampaknya.

Untuk peneliti dan mahasiswa

Data SPAK dan IPAK adalah bahan penelitian yang menarik, misalnya: faktor apa yang memengaruhi permisivitas terhadap korupsi kecil, bagaimana hubungan antara persepsi dan pengalaman nyata, dan bagaimana tren IPAK bergerak dari 2012 hingga 2024. Hati-hati dengan keterbatasan yang sudah dibahas: hanya tersedia di tingkat nasional, berbasis pengakuan, dan hanya mencakup korupsi skala kecil.

Bagaimana mengukur topik yang sensitif dengan lebih jujur?

Survei tentang suap menghadapi masalah klasik: responden enggan mengakui perilaku yang dianggap tidak pantas. Peneliti punya beberapa teknik untuk mengurangi bias ini. Yang pertama, pertanyaan tidak langsung, misalnya menanyakan apakah ‘orang di lingkungan Anda’ pernah melakukannya. Yang kedua, teknik respons terpilih acak (randomized response), yaitu responden menjawab dengan aturan acak yang melindungi privasinya (misalnya melempar koin untuk menentukan apakah ia menjawab jujur atau memberi jawaban tertentu), sehingga peneliti tidak tahu jawaban individu tetapi tetap bisa mengestimasi proporsi keseluruhan. Yang ketiga, eksperimen daftar (list experiment), yaitu satu kelompok melihat daftar empat pernyataan dan kelompok lain melihat lima pernyataan (empat yang sama plus satu yang sensitif), lalu keduanya hanya melaporkan berapa banyak pernyataan yang berlaku bagi mereka. Selisih rata-rata antara dua kelompok mengestimasi proporsi yang mengakui perilaku sensitif, tanpa ada responden yang harus menyebutnya secara langsung. Teknik-teknik ini lebih rumit, tetapi layak dipertimbangkan untuk penelitian akademik tentang perilaku sensitif.

Tanya jawab singkat

Apakah 17,17% berarti satu dari enam pegawai publik korup? Bukan. Angka itu menunjukkan persentase warga yang mengaku memberi sesuatu di luar ketentuan, dan belum tentu semuanya karena diminta petugas. Ia juga tidak menyebut berapa banyak petugas yang terlibat.

Apakah turunnya IPAK dari 3,92 ke 3,85 besar? Selisih 0,07 pada skala 0 sampai 5 tampak kecil, tetapi arah turunnya berkaitan dengan meningkatnya permisivitas. Untuk menilai bermakna atau tidaknya, kita perlu melihat deret IPAK beberapa tahun dan memperhitungkan galat sampling survei.

Baca juga: [Layanan riset pasar dan survei](https://datalyticsindo.com/riset-pasar-survei/)

---