digital 126000 5893 analisis ekonomi analisis

55

BAB IV.

GAMBARAN UMUM KEJAHATAN DI INDONESIA

IV.1. Perkembangan Peristiwa Kejahatan

IV.1.1. Angka Kejahatan

Angka kejahatan di Indonesia kian mengalami peningkatan. Pada 2004 jumlah

kejahatan tindak pidana meningkat 23,955 kasus atau 12,2 % dari 196,931 kasus pada

2003 menjadi 220,886 kasus pada 2004. Sedangkan pada 2005, peningkatan tersebut

meningkat lagi sebesar 19, 1% hingga mencapai 263,063 kasus pidana.

Gambar IV.1. Angka Kejahatan 2003-2005

Sumber: Markas Besar Kepolisian Negara Republik Indonesia, Evaluasi Situasi Kamtibmas 2003, 2004 dan 2005, diolah.

Gambar IV.1. menunjukkan bahwa terdapat perbedaan yang cukup signifikan antara

kejahatan provinsi-provinsi di Pulau Jawa dibandingkan dengan provinsi lain di Indonesia.

Angka Kejahatan 2003-2005

0

10000

20000

30000

40000

50000

60000

70000

NAD

SBR B

KLSMS

DKI

JTG

JTM

NTB

KBR

KTG S

SLSTG

MLK

BBL

GRO

KPR

Provinsi

Jumlah 2003

2004

2005

Analisis ekonomi ..., Ihdal Husnayain, FE UI, 2007

56

Pulau Jawa memiliki kontribusi sebesar 51,2 % jumlah kejahatan pidana pada 2004,

sedangkan menurut provinsi, DKI Jakarta memberikan share paling tinggi hingga

mencapai hampir seperempat (24,2 %) dari seluruh kasus. Namun dilihat dari kenaikan

angka kejahatan 2003-2004, DKI Jakarta menempati urutan ketiga sebesar 40.9%. Urutan

pertama yaitu Kalimantan Barat dan Sulawesi Tenggara yang masing-masing mencapai

44% dan 41.3%. Sedangkan provinsi yang mengalami penurunan angka kejahatan 2003-

2004 yaitu: NAD, Sumatera Barat, Sumatera Selatan, Bengkulu, Jawa Timur, NTT,

Kalimantan Selatan, Sulawesi Utara, Sulawesi Tengah, dan Maluku. Penurunan tertinggi

yaitu Maluku 38.1%, kemudian Sulawesi Utara 31.6% dan NAD 31.2%. Pada 2005, Pulau

Jawa masih menempati posisi teratas jumlah kasus tertinggi yaitu 49.7 % dari total

kejahatan pidana dan DKI Jakarta berkontribusi 22.8 % total kejahatan di Indonesia,

sedangkan provinsi dengan angka terendah adalah Maluku Utara.

Gambar IV. 2

Pertumbuhan Kejahatan di Indonesia


Dilihat dari jenisnya, kejahatan properti (pencurian) adalah kejahatan dengan share

tertinggi. Pencurian bukan saja paling luas cakupan wilayahnya, tapi juga paling banyak

dari jumlah kasus yang terjadi. Jumlah kasus pencurian, yakni pencurian dengan

Pertumbuhan Kejahatan di Indonesia

-100

-50

0

50

100

150

200

250

NAD

SBR B

KLSMS

DKI

JTG

JTM

NTB

KBR

KTG S

SLSTG

MLK

BTN

total

Provinsi

Pertumbuhan

2003-2004

2004-2005


57

pemberatan, pencurian kendaraan bermotor dan pencurian dengan kekerasan menempati

posisi tertinggi dibandingkan kasus lainnya.

Tabel IV.1.

Persentase Kejahatan Properti di Indonesia

persentase kejahatan properti dari total

kejahatan

Provinsi 2003 2004 2005

DKI 55.4 56.4 59.8

Jabar 67.4 54.8 50.6

Kalteng 32.3 26 49

Kaltim 35.1 33.9 48.3

Jambi 52 45.3 47.7

Sumsel 45.4 51.8 47.5

Kalsel 34 31 47

Bengkulu 51.2 37.8 45.4

Lampung 49.4 44.5 45.1

DIY 59.5 52 43.7

Sumut 31.5 29.9 43

Kalbar 78.5 48.6 42.5

Riau 33.8 19.3 42

Jateng 40.9 35.5 41.3

Sumbar 26.6 24.9 37.9

Jatim 30.9 32.8 37.4

Bali 33.5 34 30.4

Sultenggara 13.5 14.1 29.6

Sulteng 23 14.9 27.6

Sulsel 15.6 14.5 24.4

NTB 27.5 18.4 19.8

NAD 41.6 29.9 18.8

NTT 9.2 10.4 16.8


Pada 2004 jumlah kejahatan properti meningkat 6,098 kasus atau 8 % dari 75,790

kasus pada 2003 menjadi 81,888 kasus pada 2004. Sedangkan pada 2005, peningkatan

tersebut melonjak sebesar 30, 395 kasus atau 30,3% hingga mencapai 112,283 kasus

kejahatan properti. Pulau Jawa, sebagaimana pada angka kejahatan, memiliki kontribusi

angka kejahatan properti yang paling tinggi hingga 66.5% di mana DKI Jakarta

berkontribusi 22.8% dari total kejahatan properti. Pada 2005, kontribusi yaitu Pulau Jawa


58

mengalami penurunan 7,2% yaitu sebesar 58,8% total kejahatan properti di Indonesia. Ini

disebabkan karena provinsi lain di Pulau Jawa yaitu Jawa Barat, Jawa Tengah, Banten,

DIY dan Jawa Timur mengalami penurunan share kejahatan properti sedangkan DKI

Jakarta, sebaliknya semakin mengalami peningkatan hingga 31.9% dari total kejahatan

properti. Namun ini tidak berarti bahwa provinsi-provinsi lain di Pulau Jawa tersebut tidak

mengalami pertumbuhan kejahatan. Jawa Barat dan Jawa Tengah bahkan mengalami

pertumbuhan yang melonjak, di mana pada 2003-2004 masing-masing mengalami

penurunan pertumbuhan kejahatan sebesar 16,9% dan 7,3% menjadi meningkat sebesar

17% dan 22%.

Dilihat dari pertumbuhannya, pada tahun 2004 terdapat 14 provinsi yang memiliki

pertumbuhan kejahatan properti negatif. Namun pada 2005, hanya tiga provinsi yaitu

NAD, Bali dan Sulawesi Tenggara memiliki pertumbuhan negatif. Beberapa provinsi

justru mengalami pelonjakan hingga 557% yaitu Sulawesi Utara, diikuti Papua 223,9% dan

Sulawesi Tengah 179,3%.


59

-3000

2000

7000

12000

17000

22000

27000

32000

37000

NAD

Sum

bar

Ben

gkulu

Sum

sel

DKI

Jateng

Jatim N

TB

Kalba

r

Kalteng

Sulse

l

Sulteng

Maluk

u

Bab

el

Gor

ontalo

Kep

Riau

Provinsi

Jumlah 2003

2004

2005

-100

0

100

200

300

400

500

600

NAD

Sum

bar

Ben

gkulu

Sum

sel

DKI

Jateng

Jatim N

TB

Kalba

r

Kalteng

Sulse

l

Sulteng

Maluk

u

Ban

ten

Provinsi

Pertumbuhan (%)

2003-2004

2004-2005

Gambar IV.3

Kejahatan Properti di Indonesia Tahun 2003-2005


Gambar IV.4

Pertumbuhan Kejahatan Properti di Indonesia Tahun 2003 2005



60

0

100

200

300

400

500

600

700

800

NAD

Sum

bar

Ben

gkulu

Sum

sel

DKI

Jateng

Jatim N

TB

Kalba

r

Kalteng

Sulse

l

Sulteng

Maluk

u

Bab

el

Goron

talo

Kep

Riau

Provinsi

Crime Rate 2003

2004

2005

IV.1.2. Tingkat Kejahatan

Ukuran lain dalam menghitung angka kejahatan adalah dengan crime rate atau

tingkat kejahatan, yaitu resiko penduduk terkena tindak kejahatan per 100,000 penduduk.

Perhitungan tingkat kejahatan adalah sebagai berikut:

Tingkat Kejahatan = jumlah kasus provinsi i / populasi penduduk * 100,000

Tingkat kejahatan tertinggi pada Tahun 2004 adalah Provinsi Sulawesi Utara yaitu

410 per 100,000 penduduk. Artinya, dari 100,000 penduduk Sulawesi Utara, 410 orang di

antaranya beresiko terkena tindak kejahatan. Berikutnya yaitu DKI Jakarta 321 per

100,000 penduduk. Sementara provinsi yang memiliki tingkat kejahatan terendah yaitu 19

per 100, 000 penduduk.

Sedangkan pada 2005, DKI Jakarta menduduki posisi tertinggi yaitu hingga 676

orang dari 100,000 penduduk terkena resiko kejahatan. Selanjutnya yaitu Sulawesi Utara

dan Gorontalo masing-masing 418 dan 286 orang per 100,000 penduduk.

Gambar IV.5.

Tingkat Kejahatan di Indonesia Tahun 2003 - 2005



61

0

50

100

150

200

250

300

350

400

450

NAD

Sumba

r

Beng

kulu

Sumse

lDKI

Jateng

Jatim

NTB

Kalbar

Kalte

ng

Sulsel

Sulte

ng

Maluk

u

Babe

l

Goron

talo

KepR

iau

Provinsi

Pcrimerate 2003

2004

2005

Sedangkan tingkat kejahatan properti, yaitu resiko terkena kejahatan properti per

100,000 penduduk selama tiga tahun berturut-turut ditempati DKI Jakarta, hingga

mencapai 404 penduduk per 100,000 populasi. Ini berarti 59,8% dari tingkat kejahatan

DKI didominasi oleh kejahatan properti. Berbeda halnya dengan Gorontalo di mana

persentase tingkat kejahatan properti-nya hanya 14,3% dari total tingkat kejahatan,

meskipun angka tingkat kejahatan-nya cukup besar bahkan menempati posisi kedua

tertinggi di Indonesia pada 2005.

Gambar IV.6.

Tingkat Kejahatan Properti di Indonesia Tahun 2003 -2005


Lalu bagaimana perbandingan tingkat kejahatan dan tingkat kejahatan properti di

Indonesia? Pada Tabel IV.2. kita dapat memperoleh perbandingan tingkat kejahatan dan

tingkat kejahatan properti di Indonesia, diurutkan dari provinsi dengan tingkat rata-rata

kejahatan properti tertinggi terbesar.


62

Tabel IV.2.

Perbandingan Tingkat Kejahatan dan Tingkat Kejahatan Properti

Tahun 2003 -2005 di Indonesia

Provinsi

Tingkat kejahatan

Tingkat kejahatan properti

2003 2004 2005 rata-rata 2003 2004 2005 rata-rata

DKI 228 321 676 408.3 126 181 404 237

KepRiau 156 156 90 90

Kaltim 157 160 219 178.6 55 54 106 71.7

Sumut 154 183 207 181.3 49 55 89 64.3

Sumsel 95 107 124 108.7 43 55 59 52.3

Bali 139 174 166 159.7 47 59 50 52

Kalteng 118 119 163 133.3 38 31 80 49.7

Riau 146 149 155 150 49 29 65 47.7

Kalbar 49 89 136 91.3 38 43 58 46.3

DIY 65 75 103 81 39 39 45 41

Gorontalo 286 286 41 41

Sulteng 178 149 213 180 41 22 59 40.7

Sumbar 132 122 151 135 35 30 57 40.7

Jambi 68 75 90 77.7 35 34 43 37.3

Kalsel 111 109 81 100.3 38 34 38 36.7

Bengkulu 73 68 81 74 37 26 37 33.3

Papua 170 219 218 202.3 32 25 42 33

Jabar 48 55 57 53.3 32 30 29 30.3

Lampung 51 68 66 61.7 25 30 30 28.3

Sulut 407 410 418 411.7 15 10 57 27.3

Jatim 74 72 86 77.3 23 24 32 26.3

Babel 114 114 26 26

Sulsel 94 127 141 120.7 15 18 34 22.3

NTB 84 89 103 92 23 16 20 19.7

NAD 66 45 58 56.3 27 13 11 17

Jateng 36 38 44 39.3 15 13 18 15.3

NTT 104 93 117 104.7 10 10 20 13.3

Banten 19 26 22.5 9 14 11.5

Sultenggara 72 108 27 69 10 15 8 11

Maluku Utara 58 58 7 7

Maluku 81 83 65 76.3 4 7 5.5


Melihat kecendrungan data tersebut, diketahui bahwa kejahatan lebih banyak

terjadi di provinsi dengan persentase penduduk di daerah perkotaan yang terbesar. Tiga

provinsi dengan tingkat kejahatan rata-rata provinsi tertinggi, yaitu DKI Jakarta dan

Kepulauan Riau memiliki persentase penduduk perkotaan yang juga kedua tertinggi.


63

Begitu pula dengan DIY, Kaltim, Bali, Sumatera Utara yang masing-masingnya tergolong

tingkat kejahatan tinggi dan juga persentase penduduk perkotaan tinggi.

Tabel IV.3.

Persentase Penduduk Wilayah Perkotaan dan Pedesaan

Provinsi di Indonesia Tahun 2005 Kota Desa Total persentase

DKI 8839247 - 8839247 100

KepRiau 1010587 262424 1273011 79

DIY 1973631 1363464 3337095 59

Kaltim 1603799 1237075 2840874 56

Banten 4752033 4256118 9008151 53

Jabar 20051392 18835583 38886975 52

Bali 1712793 1665299 3378092 51

Sumut 5360009 6328978 11688987 46

Indonesia 92005069 121370218 213375287 43

Babel 426982 615846 1042828 41

Jatim 14726139 21331968 36058107 41

Jateng 12903891 18992223 31896114 40

Kalsel 1245481 2025932 3271413 38

Sulut 792061 1328956 2121017 37

Riau 1669769 2893637 4563406 37

NTB 1471270 2698425 4169695 35

Sumsel 2268875 4498770 6767645 34

Sulsel 2550477 5906646 8457123 30

Sumbar 1363036 3192774 4555810 30

Kalteng 553081 1359945 1913026 29

Maluku 358806 890406 1249212 29

Bengkulu 439747 1106539 1546286 28

Jambi 714316 1912900 2627216 27

Kalbar 1088369 2954448 4042817 27

Papua 636723 1803115 2439838 26

Gorontalo 239555 680460 920015 26

Maluku Utara 215989 665878 881867 24

SulTenggara 427165 1533532 1960697 22

Lampung 1490170 5614402 7104572 21

Sulteng 457562 1833407 2290969 20

NTT 662114 3581068 4243182 16

Sumber: BPS, www.datastatistik-indonesia.com, diolah.


64

IV.1.3. Selang Waktu Kejahatan

Selang waktu kejahatan adalah salah satu parameter dalam mengukur terjadinya

kejahatan di susatu wilayah. Makin pendek waktunya, artinya frekuensi terjadinya

kejahatan makin sering. Selang waktu kejahatan didapatkan dengan rumus sebagai berikut:

Selang waktu kejahatan tahun t (detik) = 365 x 24 x 60 x 60 / jumlah kejahatan tahun t

Pada 2004, tercatat bahwa selang waktu kejahatan di Indonesia lebih pendek

dibandingkan pada 2003. Rata-rata selang waktu kejahatan yaitu 2 menit 22 detik pada

2004, di mana sebelumnya lebih lama 18 detik yaitu 2 menit 40 detik pada 2003.

Pada kurun waktu 2003-2005, DKI Jakarta, sebagaimana juga pada indikator

tingkat kejahatan yang lain, memiliki selang waktu yang paling pendek dan terus menerus

memendek. Yaitu 13 menit 52 detik pada 2003 menjadi 9 menit 50 detik pada 2004

kemudian memendek lagi hingga 8 menit 47 detik. Hal ini juga berlaku bagi selang waktu

kejahatan properti di Jakarta yang makin memendek dari 25 menit 1 detik menjadi 17

menit 27 detik pada 2004 kemudian memendek lagi hingga 14 menit 41 detik. Selang

waktu tersebut bahkan lebih pendek dari selang waktu seluruh kejahatan yang terjadi di

semua provinsi lain di Indonesia baik pada tahun 2003, 2004 maupun 2005.

Sedangkan provinsi yang memiliki selang waktu kejahatan paling lama yaitu

Sulawesi Tenggara pada 2003 dengan selang waktu 7 jam 24 menit 17 detik, sementara

Banten dan Maluku Utara adalah provinsi dengan selang waktu kejahatan terlama pada

2004 dan 2005, masing-masing dengan selang waktu 10 jam 55 menit 21 detik dan 17 jam

35 detik. Sedangkan untuk kategori kejahatan properti, provinsi dengan selang waktu


65

terlama pada 2003 yaitu Maluku dengan 88 jam 29 menit 5 detik atau 3 hari 16 jam 29

menit 5 detik, kemudian Sulawesi Utara dengan 47 jam 36 menit 31 detik, atau hampir

dua hari yaitu 1 hari 23 jam 36 menit 31 detik. Sedangkan pada 2005 diketahui Maluku

Utara memiliki selang waktu terlama dan merupakan yang paling panjang di antara

provinsi manapun pada 2003 2005 yaitu 151 jam 2 menit 4 detik atau hampir sepekan

yaitu 6 hari 7 jam 2 menit 4 detik.

Pada tabel IV.2 tampak bahwa pada 2003-2004 baik pada selang waktu kejahatan

maupun selang waktu kejahatan properti kota-kota di Indonesia memiliki kencendrungan

untuk mengalami selang waktu yang lebih panjang (dicetak tebal pada tabel) namun pada

2005 selang waktu itu kembali memendek bahkan lebih pendek dibandingkan pada 2003,

kecuali pada kejahatan properti di NAD yang konsisten menunjukkan selang waktu yang

memanjang. Pada selang waktu kejahatan total semua provinsi mengalami pemendekan

pada 2004 sedangkan pada 2005 selain NAD, Sumatera Selatan dan Bali juga

menunjukkan pemanjangan selang waktu meskipun pemanjangan tersebut tidak terlalu

drastis bahkan kurang dari 60 menit.


66

Tabel IV.4.

Perbandingan Selang waktu kejahatan Provinsi di Indonesia

Tahun 2003 2005

Prov

Selang waktu kejahatan selang waktu kejahatan properti

2003 2004 2005 2003 2004 2005

DKI 13'.52" 9'.50" 8'.47" 25'.1" 17'.27" 14'.41"

Jatim 19'.56" 20'.31" 16'.53" 1.4'.31" 1.2'.38" 45'.12"

Jabar 30'.34" 29'.57" 23'.37" 45'.24" 54'.39" 46'.39"

Sumut 29'.58" 25'.07" 20'.25" 1.35'.11" 1.24'.33" 47.27"

Jateng 41'.57" 39'.18" 37'.12" 1.42'.41" 1.50'.46" 1.30'.10"

Sumsel 1.09'.45" 1.11'..43" 1.2'.31" 2.33'.49" 2.18'.28" 2.11'.44"

Kaltim 1.39'.50" 1.38'.05" 1.24'.26" 4.44'.16" 4.24'.31" 2.54'.41"

Riau 1.14'.52'' 1.13'.30" 1.14'.4" 3.41'.24" 6.21'.25" 2.56'.26"

Sulsel 1.10'.58" 52'.23" 43'.59" 7.35'.51" 6.0'.44" 3.0'.29"

Sumbar 1.29.58" 1.37'.34" 1.16'.2" 5.38'.13" 6.31'.39" 3.20'.32"

Kalbar 4.45'.39" 3.17'.44" 1.35'.32" 6.2'.44" 6.46'.49" 3.44'.37"

Lampung 2.22'.10" 1.53'.40" 1.52'.19" 4.47'.32" 4.15'.31" 4.9'.41"

Bali 2.00'.42" 1.36'.20" 1.33'.44" 6 4.43'.2" 5.8'.16"

Kalteng 3.55'.41" 3.48'.07" 2.48'.54" 12.8'.59" 14.37'.28" 5.45'.53"

DIY 4.14'.46" 3.41'.07" 2.32'.47" 7.8'.1" 7.5'.14" 5.49'.42"

Sulteng 2.15'.25" 2.41'.55" 1.47'.38" 9.47'.55" 18.8'.14" 6.29'.37"

Kalsel 2.28'.23" 2.31'.22" 3.18'.29" 7.16'.54" 8.8'.1" 7.2'.10"

Banten 10.55'.21" 3.45'.12" 22.48'.45" 7.2'.30"

Sulut 46'.48" 1.08'.24" 59'.1" 20.48'.27" 47.36.31" 7.14'.44"

KepRiau 4.24'.39" 7.39'.26"

Jambi 4.53'.08" 4.24'.55" 3.42'.20" 9.23'.57" 9.44'.39" 7.45'57"

Papua 2.22'.19" 1.50'.40" 1.38'.41" 12.28'.43" 16.6'.11" 8.38'.21"

NTB 2.42'.04" 2.33'16" 2.1'.43" 9.48'.34" 13.54'.17" 10.14'.1"

NTT 2.15'.13" 2.31'.33" 1.45'.38" 24.36'.24" 24.20' 10.27'.57"

Bengkulu 7.33'.29" 8.03'.58" 6.58'.48" 14.46'.20" 21.18'.50" 15.20'.29"

NAD 3.12'.57" 4.40'.37" 3.45'.31" 7.44'.19" 15.38'.34" 19.54'.33"

Gorontalo 3.18'.56" 23.6'.48"

Babel 7.21'.41" 32.5'.16"

Sultenggara 7.24'.17" 5.14'.21" 16.37'.21" 54'.45' 37.7'.7" 56.9'.13"

Maluku 4.44'.34" 7.38'.38" 10.42'.33" 88.29'.5" 106.32'.31"

MalukuUtara 17.0'.35" 151.2'.4"



67

IV.2. Kerugian Ekonomi Akibat Kejahatan

Sebagaimana telah dibahas dalam Bab II, kejahatan menimbulkan kerugian yang

besar baik secara materil maupun non materil yang harus diderita oleh korban, masyarakat,

dan perekonomian. Berdasarkan data yang dilaporkan pada POLRI, kerugian yang dicapai

akibat tindak kejahatan pidana mencapai 2,2 trilyun rupiah atau meningkat 109,2 %

dibandingkan tahun 2003 sebesar 1,1 trilyun rupiah. Dari kerugian tersebut, sekitar 284, 8

milyar atau 12,7% di antaranya dapat ditemukan kembali.

Gambar IV.7.

Nilai Kerugian Ekonomi Akibat Kejahatan Pidana

Sumber: BPS, Laporan Statistik Kriminal 2005.

Sedangkan menurut provinsi, Jawa Timur merupakan provinsi yang menderita

kerugian terbesar yaitu mencapai 529,1 milyar rupiah. Posisi kedua yaitu Provinsi Maluku

Utara yang mencapai 390,4 milyar rupiah. Sedangkan kerugian terendah adalah Provinsi

Bangka Belitung dengan total kerugian 93,5 juta rupiah.

Nilai Kerugian Ekonomi Akibat Kejahatan Pidana

0 500 1000 1500 2000 2500

2003

2004

tahun

milyar

ditemukan kembali

kerugian


68

IV.3. Karakteristik Pelaku Kejahatan

Berdasarkan data tahun 2004, diketahui bahwa pertumbuhan kejahatan seiring

dengan pertumbuhan pelaku kejahatan. Berdasarkan karakteristik pelaku kejahatan,

diketahui bahwa pertumbuhan penjahat perempuan mengalami peningkatan tertinggi yaitu

54%, kemudian anak-anak sebesar 22.4% baru kemudian perningkatan penjahat pria

sebesar 21.5%. Sedangkan pertumbuhan penjahat dari warga negara asing menunjukkan

angka negatif 52,4%. Namun, tetap saja bahwa jumlah penjahat pria masih lebih banyak

daripada jumlah penjahat wanita. Yaitu 40,7 kali lipat lebih banyak dari jumlah penjahat

wanita pada 2004 dan 32.1 kali lebih banyak daripada jumlah penjahat wanita pada 2004.

Tabel IV.5.

Karakteristik Pelaku Kejahatan Pidana

Karakteristik 2003 2004 Pertumbuhan

Jumlah orang

terlibat Pidana

180854 221105 22.3

Jenis Kelamin

Laki-laki 176516 214424 21.5

Perempuan 4338 6681 54

Klasifikasi Umur

Dewasa 177891 217403 22.2

Anak-anak 2963 3702 24,4

Kewarganegaraan

WNI 180541 220956 22.4

WNA 313 149 -52.4



69

IV.4. Kejahatan dan Tipe Daerah

Di manakah kejahatan lebih banyak terjadi? Dari data Podes ST 2003, diketahui

bahwa terdapat perbedaan pola kejahatan antara desa-desa di wilayah pedesaan dan

perkotaan. Sebagaimana dalam Gambar IV.8 di bawah ini, diketahui bahwa pola umum

(total) lebih dipengaruhi pola desa di wilayah pedesaan empat kali dibandingkan dengan

desa di wilayah perkotaan sebanyak 56,838 pedesaan berbanding 11,978 perkotaan. Pola

kejahatan di perkotaan berdasarkan urutan besarnya persentase desa yang mengalami

adalah kejahatan pencurian, narkoba, penganiayaan, perampokan, dan pembunuhan. 11

Diketahui pula bahwa desa di wilayah perkotaan mengalami kejahatan lebih banyak

dibandingkan dengan desa di pedesaan untuk semua jenis kejahatan, terutama pencurian

dengan selisih yang cukup besar dengan desa di perkotaan.

Gambar IV.8.

Persentase Desa Menurut Peristiwa Kejahatan dan Tipe Daerah Tahun 2003

0 10 20 30 40 50 60 70

Pencurian

Perampokan

Panjarahan

Penganiayaan

Pembakaran

Perkosaan

Narkoba

Pembunuhan

Lainnya

Perkotaan

Pedesaan

Total


11 BPS, 2005. Laporan Statistik Kriminal 2005. Jakarta: BPS, hal.12.


70

Hasil penelitian BPS terhadap tempat kejadian kejahatan dengan regresi logistik

membuktikan bahwa tipe daerah (perkotaan/pedesaan) mempunyai pengaruh nyata

terhadap peluang terjadinya semua peristiwa kejahatan, baik pencurian, penjarahan,

pembakaran, perkosaan, narkoba maupun pembunuhan. Pada jenis kejahatan pencurian,

diketahui bahwa kelompok desa perkotaan mempunyai resiko peluang terjadinya pencurian

0,481 kali lebih besar daripada desa di pedesaan apabila tipe geografi dan siskamling

dikontrol. Sedangkan pada jenis penjarahan dan perampokan, peluangnya masing-masing

adalah 0,819 dan 0,624 kali lebih besar di desa wilayah perkotaan daripada pedesaan,

sebagaimana tabel berikut:

Tabel IV.6.

Peluang Kejahatan di Kelompok Desa Perkotaan dibandingkan Pedesaan

Tahun 2003

Jenis Kejahatan Peluang

Pencurian 0.481

Perampokan 0.624

Penjarahan 0.819

Penganiayaan 0.471

Pembakaran 0.757

Perkosaan 0.426

Narkoba 0.137

Pembunuhan 0.487


IV.5. Kejahatan, Kepadatan penduduk, dan Perekonomian

Angka kejahatan sebagaimana telah dipaparkan sebelumnya menunjukkan

tingginya tingkat kejahatan di Pulau Jawa yang memiliki penduduk yang lebih padat.


71

Secara umum, Indonesia memang mengalami pertumbuhan penduduk terutama di daerah

perkotaan. Sensus Penduduk Indonesia tahun 2000 menunjukkan bahwa jumlah penduduk

perkotaan di Indonesia telah mencapai lebih dari 85 juta jiwa, dengan laju kenaikan sebesar

4,4% per tahun selama kurun 1990-2000. Jumlah itu kira-kira hampir 42 % dari total

jumlah penduduk. Tahun 2005, persentase penduduk Indonesia di perkotaan mencapai

42.14% sedangkan di pedesaan 57.86%. Artinya, hampir setengah jumlah penduduk

Indonesia saat ini tinggal di wilayah perkotaan.

Gambar IV.9.

Populasi Penduduk Indonesia

Sumber: BPS 2005, diolah.

Kota dengan angka kejahatan paling tinggi, konsisten mengalami peningkatan jumlah

kejahatan, dan memberikan kontribusi kejahatan terbesar terhadap total kejahatan di

Indonesia, yaitu DKI Jakarta memiliki pertumbuhan penduduk yang meningkat tiap

tahunnya. Berdasarkan Data Susenas, pada tahun 2004 DKI Jakarta telah mencapai angka

8.792.000 dengan kepadatan sebesar 16667 jiwa/km2. Angka ini diprediksikan akan terus

meningkat seiring dengan masih adanya tren urbanisasi penduduk ke wilayah perkotaan.

Peningkatan penduduk ini pada akhiranya diiringi dengan penambahan angkatan kerja di

perkotaan yang lebih melesat dibandingkan pedesaan. Bahkan untuk beberapa tahun,

populasi

0

50,000,000

100,000,000

150,000,000

200,000,000

250,000,000

1971 1980 1990 1995 2000 2005

populasi


72

pertumbuhan angkatan kerja di pedesaan menunjukkan angka negatif yang

mengindikasikan adanya perpindahan tenaga kerja desa ke kota.

Gambar IV.10.

Pertambahan Angkatan Kerja Per Tahun di Indonesia

Sumber: BPS 2005, diolah

Namun, meningkatnya kepadatan kota-kota di Indonesia tidak diringi dengan kondisi

pasar tenaga kerja yang siap menampung. Menurut survei ketenagakerjaan BPS, Indonesia

kehilangan kira-kira satu juta pekerjaan upah tetap antara tahun 2001-2004. Hal ini

disebabkan pertumbuhan ekonomi rendah namun pengangguran terbuka menjulang tinggi.

Pada tahun 1991, setiap peningkatan 1% GDP menghasilkan penambahan tenaga kerja

sebesar 887,000 orang. Sedangkan pada 1998 dan 2003 elastisitas tersebut menunjukkan

angka yang negatif di mana pertumbuhan ekonomi tidak menambah pekerja baru yang

tercipta malah menurunkannya. Tabel IV.7. menunjukkan bahwa pertumbuhan lapangan

kerja rata-rata selama 1997-2003 lebih rendah daripada 1991-1996, bahkan sampai

mencapai angka minus pada 2003.

Pertambahan Angkatan Kerja Per Tahun

-2

0

2

4

6

8

10

1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

kota

desa


73

Tabel IV.7.

Indikator Makroekonomi dan Elastisitas Tenaga Kerja

Tahun 1991-2003

Tahun Pertumbuhan

GDP (%)

Pertumbuhan

Kerja (%)

Elastisitas

Tenaga Kerja

(ribu orang)

1991 8.9 1.1 88.7

1992 7.2 2.7 274.9

1993 7.3 1.1 114.1

1994 7.5 3.9 397.9

1996 7.8 2.4 246.7

1997 4.7 1.8 320.3

1998 -13.1 2.7 -172.71

1999 0.8 1.3 1146.4

2000 4.9 1.1 207.6

2001 3.5 1.1 281

2002 3.7 0.9 227.6

2003 4.1 -0.9 -210.2

Sumber: dihitung berdasarkan BPS, labor Force Survey and Economic Indicators 1990-2004. Dalam Opsi-opsi Kebijakan untuk Rencana Aksi Ketenagakerjaan UNSFIR, November 2005 Catatan: elastisitas tenaga kerja merupakan jumlah sesungguhnya pekerjaan yang tercipta per 1% pertumbuhan GDP; elastisitas pekerjaan pada 1996 dihitung berdasarkan rata-rata 1994-1996.


74

-15

-10

-5

0

5

10

15

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

Year

Percent

Urate GDP Growth Rate Employment Rate

Gambar IV.11.

Perkembangan Beberapa Indikator Makroekonomi Indonesia

Tahun 1990-2003

Catatan: Pertumbuhan GDP dihitung berdasarkan harga-harga tetap 1993. Pengangguran mengandalkan definisi lama yakni mencari kerja. Sumber: BPS, Economic Indicator various years and annual Indonesian Labor Force Surveys.

Sementara itu, pengangguran lebih banyak terjadi di daerah perkotaan daripada

pedesaan. Pada 2004, pengangguran perkotaan sebesar 12,5% sedangkan daerah

pedesaan sebesar 7,4%. Hal ini disebabkan oleh sedikitnya lapangan pekerjaan

dibandingkan dengan populasi penduduk perkotaan yang padat. Terutama setelah krisis

ekonomi tahun 1998, kini Indonesia menghadapi tantangan untuk menciptakan

lapangan pekerjaan baru bagi 1.3 juta orang (BPS, tahun 2004) pengangguran terbuka

dan 3,5-5,5 juta pengangguran terbuka jangka pendek yang kebanyakan berasal dari

tenaga kurang terdidik dan berpendapatan rendah.


75

Upah rata-rata 2005-2006

0

500000

1000000

1500000

2000000

NAD

SBR

BKL

SMS

DKI

JTG

JTM

NTB

KBR

KTG

SSL

STG

MLK

BBL

GRO

KPR

Provin

si

upah rata-rata2004

2005

Hal ini kemudian membawa pada masalah kedua dalam ketenagakerjaan Indonesia

terutama di daerah perkotaan yaitu tingkat upah yang sangat rendah. Gambar IV.12.

menggambarkan perkembangan upah rata-rata per bulan masyarakat tahun 2004-2005.

Gambar IV.12

Upah Rata-rata Provinsi di Indonesia tahun 2005 2006

Sumber: Badan Pusat Statistik, Statistik Upah 2005 dan 2006, diolah.


76

BAB V.

HASIL PENGUJIAN DAN ANALISIS

Bab ini akan menjelaskan bagaimana variabel independen dalam model yang

digunakan dalam penelitian dapat menjelaskan variabel dependen baik secara sendiri-

sendiri maupun secara serentak. Sedangkan variabel dependen yang dimaksud adalah

tingkat kejahatan properti provinsi, sementara variabel independennya adalah: variabel

dummy tingkat pendapatan provinsi, tingkat pengangguran, tingkat penyelesaian kasus

kejahatan properti, kekuatan polisi, koefisien gini, dan proporsi pria usia 15 29 tahun.

Dengan menggunakan model logit, ingin diketahui apakah model tersebut sesuai

dengan teori ekonomi dan teruji secara statistik dan ekonometrika. Adapun hubungan yang

diharapkan yaitu:

Variabel Dummy tingkat pendapatan masyarakat menunjukkan tingkat

expected value yang bisa didapatkan dari kejahatan properti. Hubungan yang

diharapkan adalah positif di mana provinsi dengan tingkat upah yang tinggi

cenderung memiliki tingkat kejahatan properti yang tinggi pula.

Angka pengangguran menunjukkan nilai expected value dari pekerjaan legal

yang rendah sehingga menghasilkan potensi kejahatan properti yang lebih besar.

Sehingga hubungan yang diharapkan adalah hubungan yang positif. Setiap

kenaikan tingkat pengangguran dalam sebuah provinsi akan meningkatkan peluang

provinsi tersebut memiliki kejahatan properti yang relatif tinggi dibandingkan

tingkat kejahatan properti sedang dan rendah.


77

Proporsi pria usia 19-25 tahun berpotensi melakukan tindak kejahatan

properti lebih besar dibandingkan pada jenis kelamin lain dan golongan umur yang

berbeda. Sehingga hubungan yang diharapkan adalah hubungan yang postif, di

mana setiap peningkatan proporsi pria usia 15 29 tahun dalam sebuah provinsi

akan semakin tinggi pula peluang provinsi tersebut memiliki tingkat kejahatan

properti yang relatif tinggi dibandingkan tingkat kejahatan properti rendah dan

sedang.

Tingkat penyelesaian kasus menunjukkan kinerja petugas dalam

menegakkan hukum. Sehingga diharapkan tingginya tingkat penyelesaian kasus

membentuk masyarakat yang sadar hukum. Sehingga, hubungan yang diharapkan

dalam penelitian ini adalah hubungan yang negatif. Semakin baik tingkat

penyelesaian kasus dalam sebuah provinsi maka akan semakin rendah peluang

provinsi tersebut memiliki tingkat kejahatan properti yang rendah.

Kekuatan Kepolisian menunjukkan resiko dari kejahatan properti. Semakin

banyak polisi bertugas meningkatkan peluang penjahat tertangkap, sehingga

hubungan yang diharapkan adalah hubungan yang negatif. Setiap peningkatan

kekuatan polisi dalam sebuah provinsi akan mengurangi peluang provinsi tersebut

memiliki tingkat kejahatan properti yang tinggi dibandingkan tingkat kejahatan

properti rendah dan sedang.

Koefisien gini menujukkan tingkat ketimpangan pendapatan masyarakat.

Penelitian terdahulu lebih banyak menunjukkan hubungan yang positif, di mana

tingkat ketimpangan pendapatan masyarakat menjadi semacam pendorong

willingness melakukan kejahatan properti dalam masyarakat. Sehingga hubungan

yang diharapkan adalah hubungan yang positif. Di mana makin tinggi koefisien

gini dalam sebuah provinsi maka akan semakin tinggi pula peluang provinsi


78

tersebut memiliki tingkat kejahatan properti yang tinggi secara elatif dibandingkan

tingkat kejahatan properti rendah dan sedang.

V.1 Uji Pelanggaran Asumsi

Sebagaimana telah dijelaskan dalam Bab sebelumnya, pada model regresi logistik

tidak terdapat asumsi yang sangat ketat dalam pengujian ekonometrika. Satu-satunya

asumsi yang harus dipenuhi adalah error pada hasil estimasi haruslah terdistribusi normal.

Sementara syarat tersebut tidak memerlukan pengujian khusus dan hampir selalu terpenuhi

dalam segala jenis data. (Kharisma, 2007).

Namun pada penelitian ini, akan tetap dilakukan pengujian multikolinearitas untuk

mengetahui apakah ada hubungan yang kuat antara variabel independen.

Hasilnya didapatkan dalam Tabel V.1.

Tabel V.1.

Korelasi Variabel Independen

Apabila matriks korelasi menunjukkan angka lebih besar dari 0.8 maka dapat

disimpulkan terdapat multikolinearitas. Output di atas menunjukkan bahwa tidak ada

masalah multikolinearitas.

. correlate Ksalary ur ym pol pap gini (obs=30)

Ksalary ur ym pol pap gini Ksalary 1.0000 Ur -0.0026 1.0000 ym 0.0766 -0.1487 1.0000 pol 0.3910 -0.0420 -0.2061 1.0000 pap -0.2139 -0.3616 -0.2500 0.0335 1.0000 gini 0.3783 0.0637 0.1661 -0.0271-0.2705 1.0000


79

V.2. Analisis Model

V.2.1. Tes Signifikansi

Nonlinearitas dari qualitative respons model menjadikannya sulit dalam interpretasi

output, karena efek perubahan pada sebuah variabel bergantung pada nilai dari semua

variabel lain dalam model (Long, 1997).

Tabel V.2. merupakan output yang dihasilkan sofware STATA 8.0 untuk regresi

ordered logit model dengan kategori kejahatan properti yang rendah, sedang dan tinggi:

Tabel V.2.

Output Regresi Ordered Logit

. olog y Ksalary ur ym pol pap gini, robust Iteration 0: log pseudo-likelihood = -11.662032 Iteration 1: log pseudo-likelihood = -6.9258312 Iteration 2: log pseudo-likelihood = -5.0178766 Iteration 3: log pseudo-likelihood = -4.4465986 Iteration 4: log pseudo-likelihood = -4.2696362 Iteration 5: log pseudo-likelihood = -4.2362517 Iteration 6: log pseudo-likelihood = -4.2336422 Iteration 7: log pseudo-likelihood = -4.2336158 Ordered logit estimates Number of obs = 30 Wald chi2(6) = 16.63 Prob > chi2 = 0.0107 Log pseudo-likelihood = -4.2336158 Pseudo R2 = 0.6370 ------------------------------------------------------------------------------ | Robust y| Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- Ksalary | 7.795158 2.165456 3.60 0.000 3.550942 12.03937 ur | .8248502 .2158482 3.82 0.000 .4017956 1.247905 ym | 2.063198 .5729486 3.60 0.000 .9402398 3.186157 pol | .004907 .0094081 0.52 0.602 -.0135325 .0233464 pap | .0437946 .0214286 2.04 0.041 .0017953 .0857938 gini | -7.475703 14.62057 -0.51 0.609 -36.13149 21.18009 -------------+---------------------------------------------------------------- _cut1 | 40.6425 13.61654 (Ancillary parameters) _cut2 | 46.96458 15.27853

------------------------------------------------------------------------------


80

Software STATA menghasilkan (koefisien), error, z (z-score for test of =0), P>|Z| (p-

value for z-test), cutpoints 1, cutpoints 2, dengan mengasumsikan konstanta (0) bernilai

nol (Long and Freese, 2003). Tidak adanya konstanta adalah efek dari adanya cutpoints.

Sehingga cutpoints dapat dianalogikan sebagai konstanta pada regresi logistik. Nilai ini

berfungsi untuk memisahkan berbagai kategori pada variabel respon.

Dengan tingkat keyakinan 95%, maka tolak Ho, artinya keenam variabel

independen serentak mempengaruhi tingkat kejahatan properti provinsi pada kondisi

rendah, sedang, dan tinggi. Analisis model secara keseluruhan dapat dilihat pada nilai

Wald chi2 test yang mengikuti distribusi 2 . Wald test dilakukan untuk mengetahui

signifikansi variabel independen dalam mempengaruhi variabel dependen, baik secara

serentak maupun sendiri-sendiri. Hasil regresi logistik tersebut menunjukkan Wald chi2

sebesar 18.02 dengan peluang 0.0062. Artinya secara serentak, variabel-variabel

independen dapat menjelaskan kondisi tingkat kejahatan properti.

Sedangkan tes untuk pengaruh masing-masing variabel independen diperoleh hasil

sebagai berikut:

SALARY

Artinya, dengan tingkat keyakinan 95%, maka tolak Ho, artinya tingkat pendapatan

berpengaruh secara signifikan terhadap tingkat kejahatan properti provinsi. Terdapat

perbedaan yang nyata antara tingkat upah di provinsi-provinsi di Indonesia yang memiliki

tingkat kejahatan properti yang rendah, sedang dan tinggi.

. test Ksalary ( 1) Ksalary = 0 chi2( 1) = 12.96 Prob > chi2 = 0.0003


81

URATE

Artinya, dengan tingkat keyakinan 95%, maka tolak Ho, artinya pengangguran

berpengaruh secara signifikan terhadap tingkat kejahatan properti provinsi. Terdapat

perbedaan yang nyata antara tingkat pengangguran di provinsi-provinsi di Indonesia yang

memiliki tingkat kejahatan properti yang rendah, sedang dan tinggi.

PAP

Artinya, dengan tingkat keyakinan 95%, maka tolak Ho, artinya tingkat

penyelesaian kasus berpengaruh secara signifikan terhadap tingkat kejahatan properti

provinsi. Terdapat perbedaan yang nyata antara tingkat penyelesaian kasus kejahatan

properti di provinsi-provinsi di Indonesia yang memiliki tingkat kejahatan properti yang

rendah, sedang dan tinggi.

POLICE

. test pap ( 1) pap = 0 chi2( 1) = 4.18 Prob > chi2 = 0.0410

. test pol ( 1) pol = 0 chi2( 1) = 0.27 Prob > chi2 = 0.6020

. test ur ( 1) ur = 0 chi2( 1) = 14.60 Prob > chi2 = 0.0001


82

Artinya, dengan tingkat keyakinan 95%, maka terima Ho, artinya kekuatan polisi tidak

berpengaruh secara signifikan terhadap tingkat kejahatan properti provinsi. Tidak terdapat

perbedaan yang nyata antara kekuatan polisi di provinsi-provinsi di Indonesia yang

memiliki tingkat kejahatan properti yang rendah, sedang dan tinggi.

YMEN

Artinya, dengan tingkat keyakinan 95%, maka tolak Ho, artinya proporsi pria usia

15-29 tahun dalam populasi berpengaruh secara signifikan terhadap tingkat kejahatan

properti provinsi. Terdapat perbedaan yang nyata antara persentase proporsi pria usia 15-

29 tahun di provinsi-provinsi di Indonesia yang memiliki tingkat kejahatan properti yang

rendah, sedang dan tinggi.

GINI

Artinya, dengan tingkat keyakinan 95%, maka terima Ho, artinya koefisien gini

tidak berpengaruh secara signifikan terhadap tingkat kejahatan properti provinsi. Tidak

. test ym ( 1) ym = 0 chi2( 1) = 12.97 Prob > chi2 = 0.0003

. test gini ( 1) gini = 0 chi2( 1) = 0.26 Prob > chi2 = 0.6091


83

terdapat perbedaan yang nyata antara ketimpangan pendapatan di provinsi-provinsi di

Indonesia yang memiliki tingkat kejahatan properti yang rendah, sedang dan tinggi.

V.2.2. Goodness of Fit Test

Untuk melihat seberapa baik suatu model dapat menjelaskan hubungan antara

variabel dependen dan independennya, maka perlu dilakukan Goodness of Fit Test. Dalam

regresi logistik, yang digunakan adalah pseudo-Rsquare atau Mc Faden R-Square. Dalam

penelitian ini, didapatkan Pseudo-R2 = 0.6370. Artinya, variabel independen dalam model

ini mampu menjelaskan 63.70% dari variabel dependen. Ini berarti masih ada variabel lain

yang dapat memberikan pengaruh terhadap tingkat kejahatan properti provinsi-provinsi di

Indonesia. Teori dasar yang digunakan dalam penelitian ini adalah rational model, di mana

masyarakat bebas dari nilai dan hanya mempertimbangkan untung-rugi tindak kejahatan,

padahal masyarakat Indonesia sangat majemuk dan penuh dengan budaya yang mengakar

kuat, memiliki nilai-nilai dan norma-norma tersendiri. Tabel V.3 merupakan hasil

pengujian Goodness of fit pada penelitian ini.

Tabel V.3.

Output Pengujian Goodness of Fit

. fitstat Measures of Fit for ologit of y Log-Lik Intercept Only: -11.662 Log-Lik Full Model: -4.234 D(22): 8.467 LR(6): 14.857 Prob > LR: 0.021 McFadden's R2: 0.637 McFadden's Adj R2: -0.049 Maximum Likelihood R2: 0.391 Cragg & Uhler's R2: 0.723 McKelvey and Zavoina's R2: 0.806 Variance of y*: 16.956 Variance of error: 3.290 Count R2: 0.967 Adj Count R2: 0.667 AIC: 0.816 AIC*n: 24.467

BIC: -66.359 BIC': 5.550


84

V.2.3. Analisis Koefisien & Odds Ratio

Koefisien yang diestimasi menunjukkan bagaimana variabel independen tersebut

mempengaruhi variabel dependennya. Dalam ordered logit, koefisien yang diestimasi

menggambarkan marginal effect dari x terhadap peluangnya, namun besarannya tidak

dapat langsung dilihat dari koefisien tersebut. Kita hanya dapat menentukan arah positif

atau negatifnya koefisien tersebut. Dalam penelitian ini terdapat tiga kategori pilihan

peubah respon. Maka untuk ketiga peluang tersebut, marginal effect dari perubahan x

yaitu:

)()/2(

)]()([)/1(

)()/0(

xFx

xYP

FxFx

xYP

xFx

xYP

==

==

==

Koefisien yang positif menunjukkan bahwa semakin tinggi variabel independen

maka akan meningkatkan peluang tingkat kejahatan properti berada pada tingkat yang

lebih tinggi. Sedangkan hubungan yang negatif menunjukkan bahwa semakin tinggi

variabel independen maka akan mengurangi peluang tingkat kejahatan properti berada

pada tingkat yang tinggi. Dalam penelitian ini, SALARY, POLICE, Ymen, PAP, dan

URATE memiliki koefisien yang positif. Sedangkan Gini memiliki koefisien negatif.

Artinya:

Semakin tinggi tingkat pendapatan maka akan meningkatkan peluang

tingkat kejahatan properti yang lebih tinggi.

Semakin tinggi tingkat pengangguran maka akan meningkatkan peluang

tingkat kejahatan properti yang lebih tinggi.


85

Semakin tinggi tingkat penyelesaian kasus kepolisian maka akan

meningkatkan peluang tingkat kejahatan properti yang lebih tinggi.

Semakin tinggi kekuatan polisi maka akan meningkatkan peluang tingkat

kejahatan properti yang lebih tinggi, namun secara statistika tidak signifikan

atau tidak nyata.

Semakin tinggi ketimpangan masyarakat (koefisien gini) maka akan

mengurangi peluang tingkat kejahatan properti yang lebih tinggi, namun secara

statistika tidak signifikan atau nyata.

Semakin tinggi proporsi pria usia 15-29 tahun maka akan meningkatkan

peluang tingkat kejahatan properti yang lebih tinggi.

Untuk memperoleh nilai peluang untuk masing-masing provinsi, nilai koefisien

tersebut harus dimasukkan ke dalam persamaan yang merupakan fungsi dari keenam

variabel independen. Sehingga kita mendapatkan persamaan untuk model dalam penelitian

ini sebagai berikut:

GINIPOLICEPAPYMURSalaryPcr

xxxxxxPcr

654321

665544332211

++++=

++++=

Prediksi peluang bergantung pada nilai dari Pcr, error yang terdistribusi secara

logistik dan nilai dari cut points. Yaitu :

P (tingkat = rendah) = P (Pcr + u _cut1)

= P (Pcr + u 48.81746)

48.817461

1

+=

Pcre

P (tingkat = sedang) = P (_cut1 < Pcr + u _cut2)


86

= P (40.6425 < Pcr + u 46.96458)

46.96458 58.53453-Pcr 1

1

1

1+

+

=Pcree

P (tingkat = tinggi) = P (Pcr + u > _cut2)

= P (Pcr + u > 46.96458)

46.964581

11

+=

Pcre

Cutpoints berfungsi sebagai pembatas antara masing-masing variabel. Nilainya

dianalogikan dengan konstanta pada regresi klasik. Sehingga jika variabel independen

sama dengan nol maka besarnya variabel dependen dapat dilihat dari nilai cutpoints.

Sehingga kita mendapatkan dua model logit untuk masing-masing cutpoints, yaitu:

Tingkat Kejahatan Properti Rendah = 40.6425 + 7.795158 Salary +

0.8248502 UR + 2.063198 YM + 0.004907 POL + 0.0437946 PAP

7.475703 GINI

Tingkat Kejahatan Properti Sedang = 46.964548 + 7.795158 Salary

+ 0.8248502 UR + 2.063198 YM + 0.004907 POL + 0.0437946 PAP

7.475703 GINI

Odds ratio diartikan sebagai rasio peluang suatu kondisi dibandingkan dengan

kondisi lainnya. Odds diperoleh dari exp() yang menunjukkan besarnya factor change in

odds for unit increase in x. Output yang dihasilkan STATA 8.0 untuk nilai odds ratio

adalah sebagai berikut:


87

Tabel V.4.

Output Regresi Ordered Logit untuk Odds Ratio

\

Sehingga dapat dihasilkan interpretasi odds ratio sebagai berikut:

Provinsi dengan tingkat upah rata-rata tinggi memiliki kecendrungan

2428.8 kali lebih besar untuk memiliki tingkat kejahatan properti provinsi

yang tinggi dibandingkan rendah dan sedang.

Setiap peningkatan tingkat pengangguran sebesar satu persen akan

mengakibatkan kecendrungan tingkat kejahatan properti yang tinggi (secara

relatif daripada sedang dan rendah) sebesar 2.3 kali lebih besar.

Setiap peningkatan proporsi pria usia 15-29 tahun dari populasi

penduduk sebesar satu persen akan mengakibatkan kecendrungan tingkat

. olog y Ksalary ur ym pol pap gini, robust or Iteration 0: log pseudo-likelihood = -11.662032 Iteration 1: log pseudo-likelihood = -6.9258312 Iteration 2: log pseudo-likelihood = -5.0178766 Iteration 3: log pseudo-likelihood = -4.4465986 Iteration 4: log pseudo-likelihood = -4.2696362 Iteration 5: log pseudo-likelihood = -4.2362517 Iteration 6: log pseudo-likelihood = -4.2336422 Iteration 7: log pseudo-likelihood = -4.2336158 Ordered logit estimates Number of obs = 30

Wald chi2(6) = 16.63 Prob > chi2 = 0.0107

Log pseudo-likelihood = -4.2336158 Pseudo R2 = 0.6370 Robust y Odds Ratio Std. Err. z P>z [95% Conf. Interval] Ksalary 2428.813 5259.486 3.60 0.000 34.84614 169290.8 ur 2.281539 .492466 3.82 0.000 1.494506 3.483038 ym 7.871105 4.509739 3.60 0.000 2.560595 24.19527 pol 1.004919 .0094543 0.52 0.602 .9865587 1.023621 pap 1.044768 .0223879 2.04 0.041 1.001797 1.089582 gini .0005667 .0082853 -0.51 0.609 2.03e-16 1.58e+09


88

kejahatan properti provinsi yang tinggi (secara relatif daripada sedang dan

rendah) sebesar 7.9 kali lebih besar.

Setiap peningkatan 1 unit tingkat penyelesaian kasus akan

mengakibatkan kecendrungan tingkat kejahatan properti tinggi (secara

relatif daripada rendah dan sedang) sebesar 1.05 kali lebih besar.

Setiap peningkatan kekuatan polisi sebesar satu orang per 100,000

populasi penduduk akan mengakibatkan kecendrungan tingkat kejahatan

properti yang tinggi (Secara relatif dibandingkan tingkat kejahatan properti

rendah dan sedang) sebesar 1.05 kali lebih besar. Namun tidak signifikan.

Setiap peningkatan ketimpangan pendapatan provinsi (dengan

koefisien gini) 1 unit akan mengurangi kecendrungan tingkat kejahatan

properti provinsi yang tinggi (secara relatif daripada sedang dan rendah)

sebesar 0.0006 kali. Namun tidak signifikan.

V.2.4. Pengaruh Positif Tingkat Pendapatan Terhadap Kejahatan Properti di

Indonesia

Sesuai dengan teori ekonomi, tingkat pendapatan sebuah provinsi dapat

berhubungan positif maupun negatif terhadap tingkat kejahatan properti. Dalam penelitian

ini, terbukti bahwa hubungannya signifikan dengan arah positif dengan nilai odds ratio

yang cukup besar yaitu 2428.8. Ini menunjukkan bahwa pada provinsi-provinsi di

Indonesia, tingkat pendapatan masyarakat lebih berfungsi sebagai expected loot yang

didapatkan melalui kejahatan properti daripada expected value sektor legal yang menjadi

pembanding sektor ilegal. Ini disebabkan karena dilihat dari profil pelaku kejahatan

properti kebanyakan di antara mereka merupakan pengangguran dan tunawisma. Sehingga

bagi golongan masyarakat tersebut, tingkat pendapatan masyarakat yang tidak mereka


89

nikmati tersebut justru menjadi faktor yang meningkatkan ekspektasi harta rampasan yang

akan diperoleh. Ini menjelaskan mengapa tingkat kejahatan properti di Indonesia lebih

banyak terjadi di provinsi-provinsi besar maupun di desa-desa wilayah perkotaan. Yaitu

karena tingkat kesejahteraan dan pendapatan masyarakat provinsi yang relatif lebih tinggi

daripada masyarakat desa.

Berdasarkan data yang ada, Sumatera Utara adalah provinsi yang memiliki tingkat

pendapatan yang relatif rendah namun tergolong pada kejahatan properti yang sedang.

Papua sebaliknya, merupakan provinsi dengan tingkat pendapatan yang tinggi namun

memiliki tingkat kejahatan properti yang rendah. Sedangkan pada provinsi lain, mengikuti

hubungan yang positif seperti dalam hasil penelitian ini memiliki hubungan yang sama

yaitu provinsi dengan tingkat pendapatan rendah memiliki kejahatan properti yang rendah

dan pendapatan yang tinggi memiliki tingkat kejahatan properti tinggi atau sedang.

V.2.5. Pengaruh Positif Pengangguran Terhadap Kejahatan Properti di Indonesia

Sesuai dengan teori yang ada, tngkat pengangguran berpengaruh signifikan berarah

positif terhadap kejahatan properti. Terutama di Indonesia di mana kebanyakan pelaku

kejahatan properti merupakan pengangguran dan tunawisma, maka hasil dari penelitian ini

sangat sesuai denga fakta yang ada.

Berdasarkan data yang ada, provinsi yang tidak 100% mengikuti arah ini adalah

Kalimantan Timur. Provinsi tersebut memiliki angka pengangguran yang relatif rendah

dibandingkan lainnya yaitu 6.8 % dan memiliki angka kejahatan properti yang relatif

sedang, bandingkan dengan Jawa Barat misalnya yang memiliki angka pengangguran lebih

dari dua kali lipatnya yaitu 14.73% namun memiliki angka kejahatan properti yang relatif

rendah dibandingkan Kalimantan Timur.


90

V.2.6. Pengaruh Positif Tingkat Penyelesaian Kasus Terhadap Kejahatan Properti di

Indonesia

Berbeda dengan teori ekonomi, tingkat penyelesaian kasus oleh kepolisian tingkat

provinsi (POLDA) di Indonesia justru berhubungan positif dan signifikan. Ini adalah

hubungan yang berlawanan, karena seharusnya penyelesaian kasus yang baik akan

membawa pada resiko yang lebih besar untuk melakukan kejahatan properti sehingga

harusnya berhubungan negatif. Penjelasan dari hasil ini bisa jadi disebabkan karena

ketidakakuratan data yang digunakan. Tingkat penyelesaian kasus yang dimaksud adalah

tingkat penyelesaian oleh kepolisian dan belum sampai pada tingkat kejaksaan. Selain itu,

jumlah kasus yang menjadi pembanding tingkat penyelesaian kasus dalam penelitian ini

adalah kasus yang dilaporkan pada kepolisian. Jumlah itu tidak mencerminkan jumlah

yang sebenarnya, karena pada faktanya ada banyak kejahatan properti yang tidak

dilaporkan. Pencurian, penjambretan, penodongan di jalan sehari-hari (street crime)

seringkali tidak dilaporkan sehingga kepolisian tidak memiliki data yang akurat. Data yang

lebih mendekati fakta yang sebenarnya adalah Survei Korban, namun Penulis tidak

menemukan data sekunder tersebut sehingga data kepolisian tetap digunakan.

DKI Jakarta adalah provinsi dengan kecendrungan data yang sesuai dengan teori

dan tidak mengikuti hasil yang didapatkan dalam penelitian ini. Provinsi tersebut memiliki

angka kejahatan properti paling tinggi dengan property crime lock 14 menit 41 detik

sementara tingkat penyelesaian kasusnya hanya 14.74%. Bisa dibayangkan betapa

kejahatan properti di provinsi terpadat tersebut sedemikian sering dan tidak terselesaikan

dengan baik, apalagi 14.74 % tersebut masih merupakan angka yang didapatkan dari kasus

yang dilaporkan pada kepolisian.


91

V.2.7. Kekuatan Polisi Tidak Berpengaruh Terhadap Kejahatan Properti di

Indonesia

Kekuatan polisi di Indonesia, berdasarkan data provinsi tahun 2005 dalam

penelitian ini, terbukti tidak mempengaruhi kejahatan properti. Selain itu, arahnya juga

tidak sesuai dengan teori yang ada, yaitu kekuatan polisi justru berhubungan positif dengan

kejahatan properti. Padahal hubungan yang diharapkan adalah bahwa jumlah polisi yang

bertugas meningkatkan peluang potensial pelaku kejahatan properti tertangkap sehingga

menambah resiko melakukan kejahatan properti, kemudian mengurangi ekspektasi

kepuasan melakukan kejahatan properti hingga akan mengurangi tingkat kejahatan properti

provinsi. Ini adalah fakta yang mengejutkan, meskipun secara statistik hubungan ini tidak

signifikan.

Penjelasan atas hubungan ini, serupa dengan penjelasan pada tingkat penyelesaian

kasus mungkin dapat dijelaskan oleh ketersediaan data yang digunakan. Ukuran kategori

kejahatan properti yang digunakan dalam penelitian ini adalah kasus yang dilaporkan per

100,000 penduduk (crime rate). Sementara dilaporkan atau tidak dilaporkannya kasus bisa

jadi disebabkan karena ada atau tidaknya polisi bertugas di sekitar tempat kejadian perkara,

atau bisa dikatakan juga bahwa kasus dilaporkan ini adalah kasus yang diketahui

kepolisian atau petugas polisi. Ini membawa implikasi pada ekspektasi hubungan yang

saling berpengaruh. Bisa jadi justru karena terdapat lebih banyak petugas yang

dipekerjakan maka kasus dilaporkan juga semakin banyak. Sehingga disebabkan petugas

lebih banyak dipekerjakan maka tingkat kejahatan properti diketahui lebih tinggi.

Penjelasan lain adalah bahwa data jumlah kepolisian bertugas tersebut juga bisa

jadi tidak akurat. Jumlah petugas yang digunakan tersebut adalah data kekuatan polisi per

100,000 penduduk di masing-masing provinsi namun bukan data tentang seberapa sering

petugas tersebut melakukan patroli atau seberapa ketat pengawasan petugas terhadap

keamanan provinsi. Sehingga peluang pelaku kejahatan properti tertangkap yang kemudian


92

membawa pada berkurangnya ekspektasi utilitas dari tindak kejahatan properti di sebuah

provinsi tidak benar-benar dapat diukur dari data tersebut karena tidak menggambarkan

kinerja nyata kepolisian yang sebenarnya.

V.2.8. Koefisien Gini Tidak Berpengaruh Terhadap Kejahatan Properti di Indonesia

Hasil penelitian ini menunjukkan pengaruh negatif tingkat ketimpangan masyarakat

terhadap tingkat kejahatan properti, namun secara statistik tidak signifikan. Secara umum,

tingkat ketimpangan masyarakat provinsi di Indonesia tidak bervariasi. Provinsi dengan

koefisien gini terendah yaitu Kalimantan Tengah dengan angka 0.29 dan DIY dengan

angka tertinggi yaitu 0.41. Standar deviasi dari data koefisien gini juga hanya 0.03. Hanya

DKI Jakarta yang memiliki kecendrungan yang sama dengan teori yaitu sebagai provinsi

dengan koefisien gini tertinggi kedua setelah DIY memiliki tingkat kejahatan properti yang

tinggi.

V.2.9. Pengaruh Positif Proporsi Pria Usia 15-29 Tahun Terhadap Kejahatan

Properti di Indonesia

Sesuai dengan teori yang ada proporsi pria usia 15-29 tahun per 100,000

memberikan pengaruh yang signifikan pada peluang kejahatan properti lebih besar. Ini

disebabkan karena ekspektasi utilitas yang dihasilkan oleh golongan umur dan jenis

kelamin tersebut relatif lebih besar dibandingkan pada golongan umur lain dan jenis

kelamin lain. Kejahatan properti adalah pekerjaan beresiko tinggi dan membutuhkan

kondisi fisik tertentu untuk sukses. Dengan asumsi rasional, jika ekpektasi kegagalan lebih

besar maka utilitasnya juga akan turun. Ini sejalan dengan data statistik pelaku kejahatan

properti di mana kebanyakan pelaku adalah pria dewasa dengan usia produktif tersebut.


93

Sedangkan berdasarkan data provinsi, yang tidak mengikuti kecendrungan tersebut

adalah Provinsi Banten dan Bangka Belitung di mana proporsi pria usia 15-29 tahun

tergolong tinggi yaitu masing-masing 15.6% dan 15.7% namun keduanya memiliki tingkat

kejahatan properti yang rendah, sedangkan Sumatera Utara meski memiliki proporsi pria

usia 15-29 tahun dengan persentase lebih kecil yaitu 13.9% namun memiliki angka

kejahatan properti yang lebih tinggi yaitu kategori sedang.

V.2.10. Rangkuman Hasil Pengujian

Hasil pengujian dalam penelitian ini dapat dirangkum dalam Tabel V.5.

Tabel V.5.

Rangkuman Hasil Pengujian

Variabel Pengaruh Arah Keterangan

SAL (upah) Signifikan + Sesuai dengan teori ekonomi

UR (pengangguran) Signifikan + Sesuai dengan teori ekonomi

YM (proporsi pria

usia 15 29 tahun)

Signifikan + Sesuai dengan teori ekonomi

PAP (tingkat

penyelesaian kasus)

Signifikan + Tidak sesuai dengan teori ekonomi

POL (kekuatan

polisi)

Tidak Signifikan + Tidak sesuai dengan teori ekonomi

GINI (koefisien

gini)

Tidak Signifikan - Tidak sesuai dengan teori ekonomi


digital 126000 5893 analisis ekonomi analisis

Documents