Senjata baru untuk memerangi kejahatan yang semakin banyak jadi pilihan pasukan polisi di seluruh dunia bukanlah senjata api, laser atau semprotan lada – tapi DATA. Tapi bisakah algoritma komputer benar-benar membantu mengurangi kejahatan?
Bayangkan sekelompok perampok bank yang tiba di lokasi pencurian berikutnya, hanya untuk menemukan unit respon polisi bersenjata yang sudah menunggu di tikungan jalan.
Atau orang yang berjalan di lorong gelap dan merasa takut, lalu melihat lampu biru dari sebuah mobil polisi yang dikirim untuk mengawasi Anda.
Sekarang bayangkan jika semua ini menjadi mungkin berkat matematika.
Sejak novel Philip K Dick berjudul The Minority Report, yang menjadi film blockbuster yang dibintangi Tom Cruise, diterbitkan pada 1950-an, para futuris dan filsuf telah bergumul dengan konsep “pra kejahatan”.
Itu adalah gagasan bahwa kita dapat memprediksi kapan suatu pelanggaran akan terjadi dan mengambil tindakan untuk mencegahnya.
Sekarang artificial intelligence (kecerdasan buatan) dan machine learning (pembelajaran mesin) memperlihatkan bahwa konsep ini telah melompat langsung dari halaman-halaman fiksi ilmiah ke dunia nyata.
Perusahaan teknologi PredPol – kependekan dari Predictive Policing – mengklaim bahwa algoritma analitik datanya dapat meningkatkan deteksi kejahatan hingga 10%-50% di beberapa kota.
Diperlukan data historis bertahun-tahun, termasuk jenis, lokasi dan waktu kejahatan, dan menggabungkan ini dengan banyak data sosio-ekonomi lainnya, yang kemudian dianalisis oleh suatu algoritma yang awalnya dirancang untuk meramalkan terjadinya gempa susulan.
Perangkat lunak ini mencoba untuk memprediksi di mana dan kapan kejahatan khusus akan terjadi selama 12 jam ke depan, dan algoritma diperbarui setiap hari saat data baru masuk.
“PredPol terinspirasi oleh eksperimen yang dijalankan oleh University of California bekerja sama dengan Departemen Kepolisian Los Angeles,” kata co-founder dan profesor antropologi PredPol, Jeff Brantingham.
“Studi itu menunjukkan bahwa ramalan yang didorong oleh algoritma bisa memprediksi kejahatan dua kali lebih banyak dan, bila digunakan di lapangan, mencegah kejahatan dua kali lebih banyak daripada praktik terbaik yang ada.”
Prediksi ditampilkan di peta menggunakan kotak berkode warna, masing-masing mewakili area 500 sq ft (46 sq m). Kotak merah digolongkan sebagai “risiko tinggi” dan petugas didorong untuk menghabiskan setidaknya 10% dari waktu mereka di sana.
Prof. Brantingham mengatakan machine learning memungkinkan PredPol untuk menganalisa data, menarik kesimpulan dan membuat koneksi antara sejumlah besar data yang tidak dapat diatasi oleh analis manusia.
Orang yang skeptis mengatakan ini adalah pseudosains, karena mengolah data kejahatan untuk membuat keputusan berdasarkan informasi itu untuk penyebaran polisi bukanlah hal yang baru.
Banyak kepolisian secara tradisional menggunakan “analisis titik panas (hot spot)”, di mana peristiwa pelanggaran sebelumnya dicatat dan diberi tanda di peta, dengan petugas polisi yang berkonsentrasi pada lokasi-lokasi tersebut.
Tapi PredPol dan lembaga lain yang bekerja di bidang ini, seperti Palantir, CrimeScan dan ShotSpotter Missions, mengatakan bahwa “analisis hot spot” tradisional hanya bereaksi terhadap apa yang terjadi kemarin, tidak mengantisipasi apa yang akan terjadi besok.
Artificial Intelligence dan machine learning dapat mengenali pola yang belum pernah kita lihat sebelumnya.
“Machine learning menyediakan seperangkat pendekatan untuk mengidentifikasi pola statistik dalam data yang tidak mudah dijelaskan oleh model matematika standar, atau berada di luar kemampuan persepsi alami dari ahli manusia,” kata Prof Brantingham.
Alexander Babuta, dari kelompok National Security and Resilience Studies di Royal United Services Institute setuju dengan pendapat itu dan mengatakan: “Pemetaan hotspot yang berhubung dengan waktu terdahulu tidak membedakan antara dua jenis lokasi ‘berisiko’, yaitu lokasi-lokasi yang hanya mengalami volume kejahatan yang tinggi dari waktu ke waktu karena lokasi itu lebih menarik bagi para penjahat, seperti tempat parkir yang tidak aman dan area perbelanjaan yang sibuk, dan area di mana kemungkinan kejahatan telah meningkat untuk sementara karena kejadian kejahatan yang baru saja terjadi.
“Tapi teknologi machine learning dari prediksi untuk kepolisian mampu melakukan kedua hal itu.”
Pasukan kepolisian tampaknya setuju dengan ide tersebut.
Lebih dari 50 kantor polisi di seluruh AS telah menggunakan perangkat lunak PredPol, serta beberapa kepolisian di Inggris seperti Kent Constabulary, misalnya, mengatakan kekerasan jalanan turun 6% setelah percobaan empat bulan.
“Kami menemukan bahwa model itu sangat akurat dalam memprediksi waktu dan lokasi di mana kejahatan ini mungkin terjadi,” kata Steve Clark, wakil kepala Departemen Kepolisian Santa Cruz.
“Pada saat itu, kami menyadari kami punya sesuatu di sini.”
Tapi ada kritik kepada PredPol.
Frederike Kaltheuner, pemimpin program data di lembaga hak-hak sipil Privacy International, bertanya-tanya apakah prediksi untuk kepolisian juga akan digunakan untuk memprediksi kekerasan polisi dan kejahatan kerah putih, atau hanya digunakan terhadap komunitas yang sudah terpinggirkan.
“Kita bergerak menjauh dari orang dinyatakan tidak bersalah sampai terbukti bersalah menuju dunia di mana orang-orang dinyatakan tidak bersalah sampai ditemukan kecurigaan oleh sistem yang buram dan ada pemiliknya yang bisa dikatakan sulit, jika tidak mustahil, untuk menantangnya,” katanya.
Ada juga kekhawatiran tentang bias rasial dan lainnya yang tersembunyi di dalam kumpulan data. Departemen Kepolisian Los Angeles, yang telah bekerja dengan Palantir untuk proyek kepolisian prediksinya, telah mendapat kecaman dari kelompok aktivis lokal yang khawatir tentang ancaman terhadap kebebasan sipil dan profil rasial.
Rand Corporation, sebuah lembaga penelitian kebijakan, telah menghasilkan sejumlah studi yang mengamati penggunaan teknologi prediksi untuk kepolisian.
Analis Rand, John Hollywood, mengatakan kemajuan terbaru dalam teknik analitik hanya menghasilkan perbaikan “kecil, tambahan” dalam prediksi kejahatan; hasilnya hanya 10%-25% lebih akurat daripada pemetaan hot spot tradisional.
“Teknologi saat ini tidak jauh lebih akurat daripada metode tradisional,” katanya.
“Teknologi prediksi untuk kepolisian cukup untuk membantu meningkatkan keputusan penyebaran petugas polisi, tapi jauh dari hype yang populer bahwa komputer dapat memberitahukan seorang perwira polisi di mana mereka bisa pergi menangkap penjahat yang sedang beraksi.”
Lebih banyak data, dari kamera pengintai yang dilengkapi dengan pengenalan gambar dan perilaku, dan sensor yang mendeteksi suara tembakan dan gangguan, akan membantu meningkatkan akurasi teknik prediksi, ia berpendapat.
Warga negara perlu memutuskan apakah pengurangan kejahatan layak dilakukan dengan potensi serangan terhadap kebebasan sipil kita jika teknologi tersebut disalahgunakan atau dimanfaatkan oleh mereka yang berkuasa.
Sumber: bbc.com
