artikel, demo sound, band profile send to: noiseblast.media@gmail.com

ELEKTABILITAS PARTAI DAN POLITISI KORUP: KORELASI DAN INTERPRETASINYA


By on 20.2.14

Menyimak twitwar mengenai data korupsi politisi, rasanya akan sangat mudah membawa kita pada situasi perdebatan konyol soal dukung mendukung partai ini itu. Menarik sebetulnya jika kita mencoba keluar dari "kemelut" seperti itu dan memandangnya sebagai seorang akademisi dengan mencoba membuat analisis yang seobyektif mungkin.

Data mengenai politisi yang telah dipidana korupsi (perkaranya sudah diputus oleh hakim tipikor) baik di pusat maupun di daerah (DPR, DPRD Propinsi, DPRD Kab/Kota) sejauh ini yang tersedia dalah sebagaimana tersaji berikut ini (data sampai akhir tahun 2013) :


sumber : http://chirpstory.com/li/184257 (pada tautan akan dijumpai lampiran berupa daftar nama politisi dimaksud)

Memang ada data lain yang dirilis Sekretaris Kabinet, DR Dipo Alam per September 2012 yang diambil dari data izin pemeriksaan yang dikeluarkan oleh Presiden untuk politisi DPR. Data tersebut memiliki tiga kelemahan. Pertama, mereka yang diperiksa belum tentu dipidana. Kedua, tidak ada lampiran nama-namanya. Ketiga, data tersebut hanya menyangkut politisi DPR saja, karena ijin pemeriksaan anggota DPRD Propinsi dikeluarkan oleh Mendagri atau anggota DPRD Kab/Kota oleh Gubernur. 

Data dimaksud adalah :
  1. Partai Golkar 64 orang (36 %)
  2. Partai Demokrasi Indonesia Perjuangan (PDIP) 32 orang (18 %)
  3. Partai Demokrat 20 orang (11 %)
  4. Partai Persatuan Pembangunan (PPP) 17 orang (9,65 %)
  5. Partai Kebangkitan Bangsa (PKB) 9 orang (5 %)
  6. Partai Amanat Nasional (PAN) 7 orang (3,9 %)
  7. Partai Keadilan Sejahtera (PKS) 4 orang (2,27 %)
  8. Partai Bulan Bintang (PBB) 2 orang (1,14 %)
sumber : http://politik.kompasiana.com/2012/09/29/inilah-partai-terkorup-menurut-seskab-dipo-alam-497273.html

Mengamati kedua data, sebetulnya kita bisa menarik kesimpulan awal adanya kemiripan pola, meski urutannya tidak persis sama. Dengan berbagai alasan tersebut di atas maka untuk selanjutnya kita akan mengelaborasi data pertama.

Langkah selanjutnya yang bisa kita lakukan untuk analisis adalah membagi jumlah politisi korup dari partai tertentu dengan perolehan suara pada Pemilu 2009. Ini diperlukan untuk menghilangkan bias perbedaan jumlah populasi suara per partai. Partai mayoritas tentu akan mengatakan begini : jelas saja koruptor di partai kami lebih banyak kan kami partai besar (yang politisinya lebih banyak). Oke, mari kita bagi jumlah politisi dengan jumlah suara dan darinya kita akan mendapatkan semacam "rasio korupsi" atau "indeks korupsi" yang sudah terurut dari besar ke kecil sebagai berikut :


Indeks Korupsi (politisi korup/1 juta suara pileg 2009)

Indeks korupsi ini bisa diartikan sebagai "jumlah koruptor per satu juta suara", yang bisa dibaca juga sebagai peluang "dihasilkannya" koruptor dari partai tertentu jika jumlah indeks dibuat jadi 100%.


Peluang Adanya Politisi Korup di Setiap Parpol

Menarik jika kita melihat data di atas dengan memilah dua jenis partai : partai-partai yang sudah ada semenjak Orde Baru (partai Orba : Partai Golkar, PDIP, dan PPP) dan partai-partai yang berdiri pasca Reformasi (partai Reformasi). Terlihat bahwa Partai Orba menduduki posisi-posisi puncak, dengan pengecualian PAN. Interpretasi saya barangkali begini : Politisi dari partai-partai Orba sepertinya belum bertobat dari korupsi, bahkan kemudian mengajak dan mengajari "adik-adiknya" dari partai Reformasi untuk turut korupsi. Ingat, korupsi dalam banyak moda harus dilakukan secara "berjamaah" supaya lebih aman. Juga bisa dilihat bahwa PAN dalam hal ini adalah "adik yang bisa belajar dengan cepat dari kakak-kakaknya".

ANALISIS KORELASI

Bagi yang pernah mengikuti kuliah Dasar-dasar Statistik (Statistics 101) tentu sudah mengenal analisis korelasi. Kita bisa melangkah lebih jauh dengan data di atas untuk melihat korelasi (keterkaitan/ hubungan) antara data jumlah suara pada Pileg 2009 dengan jumlah koruptor di partai dimaksud.

Menarik bahwa hasil analisis korelasi Spearman terhadap kedua variabel menunjukkan hubungan yang kuat secara signifikan (Spearman's ρ = 0,756, p-value = 0,007; lihat lampiran untuk rincian perhitungan). Fakta ini mengejutkan karena jika kita benar-benar anti korupsi maka seharusnya diindikasikan dengan nilai korelasi yang negatif atau paling tidak mendekati nol. Ini tandanya positif dan angkanya mendekati 1.

Kalau kita baca secara hati-hati, ini bisa diartikan bahwa : suara rakyat yang makin besar terhadap suatu parpol, 76% nya akan berhubungan dengan makin banyaknya koruptor di partai itu ! Waduh, ini kok mengerikan ya.

Kalau kita memakai bagan kira-kira beginilah ilustrasi prosesnya :



Apakah itu berarti bahwa : rakyat Indonesia sebenarnya mendukung politisi (dan partai) yang korup?

Hemat saya, bisa diasosiasikan seperti itu kalau prosesnya kita balik. Jadi, rakyat harus diberitahu/diedukasi terlebih dahulu profil korupsi setiap parpol. Jika kemudian rakyat tetap memilih parpol yang korup, maka sesungguhnya korupsi politisi memang didukung oleh rakyat.

Jadi, urutan prosesnya sepertinya harus seperti ini

1) Sebelum April 2014 : beritahu rakyat soal grafik di bawah ini


2) Tanggal 9 April 2014 : Pemilu Legislatif
3) Hasil Pileg : Jika ranking indeks korupsi berkorelasi positif dengan ranking perolehan suara, mak a sesungguhnya rakyat Indonesia mendukung politisi dan partai yang korup

Kesimpulannya : tanggal 9 April 2014 kita akan melakukan sebuah eksperimen raksasa untuk menguji apakah sebetulnya rakyat Indonesia mendukung korupsi atau tidak.

Saya sendiri tidak sabar untuk mengetahui jawabannya.

Salam Anti Korupsi.

Penulis: RAHMAT MULYANA, pengajar manajemen keuangan dan metodologi penelitian keuangan, profesional di bidang keuangan, mantan direktur keuangan sebuah BUMN, mahasiswa S3 di bidang manajemen keuangan.

=======================================================================

CATATAN TAMBAHAN PER 09 FEBRUARI 2014 

Tepat 11 hari setelah artikel ini dipublikasikan tanggal 29 Januari pkl 11 malam, menurut statistik blogspot telah terdapat sebanyak 12.400 akses dengan banyak komentar dan masukan yang konstruktif. Selain itu saya mendapat info bahwa seluruhnya maupun sebagian isi artikel banyak juga disebarluaskan melalui berbagai milis. Juga terima kasih buat Pak nano Suratno yang telah membuat review atas artikel ini di kompasiana. Alhamdulillah

Sebagai sebuah ide awal, saya sangat bergembira ternyata apa yang terkandung dalam artikel ini kemudian bergulir menjadi perdebatan, dan ditindaklanjuti dengan beragam aksi oleh berbagai pihak. Akun @KPKwatch_RI misalnya melakukan elaborasi data dan merilis koreksi datanya (silakan follow di twitter-nya), juga mengevaluasi data tambahan dari berbagai sumber, silakan lihat di http://linkis.com/chirpstory.com/li/BrujG dan http://chirpstory.com/li/188931 

Pada intinya, parpol yang berpengalaman akan lihai mengeliminasi isu korupsi politisi agar tidak berimbas pada partainya. Ingat ketika Akil Mokhtar ditangkap, ada background suara kru sebuah TV swasta yang bocor ke pemirsa yang berbunyi "PARTAI X -nya jangan disebut ya". Penangkapan Ratu Atut yang ketua DPP dan Ketua DPD di Banten sedikit sekali dikaitkan dengan parpolnya. Kejadiannya agak sedikit berbeda dengan yang terjadi pada PKS dan PD yang habis-habisan di media. Padahal, dengan data dan fakta terlihat bahwa sebetulnya PKS bahkan PD sekalipun bukanlah yang teratas dalam indeks korupsi. Inilah tujuan utama dituliskannya artikel ini, yaitu untuk memilah fakta dan menarik konklusi yang tidak bias dalam menilai praktek korupsi parpol dan politisi. Apa yang bergaung di media seringkali tidak menggambarkan yang sebenarnya. Statistik memang bisa menipu, namun tanpa statistik semua pihak akan dengan bebas melakukan penyesatan opini.

Beberapa pihak tertarik untuk mengembangkan studi ini, ada beberapa yang mengirimkan email meminta data untuk melakukan analisis dengan pendekatan yang berbeda. Saya menerimanya dengan terbuka. Hasil diskusi sejauh ini terdapat beberapa masukan bagi penyempurnaan ke depan untuk studi yang lebih komprehensif diantaranya :
  1. Perbaikan data, baik dari segi akurasi, periode, maupun pemilahan data berdasarkan strata DPR, DPRD
  2. Dimasukkannya unsur kerugian/jumlah korupsi
  3. Perbaikan perhitungan indeks dengan memasukkan berbagai variabel lain. Masukan yang telah diterima adalah agar angka Indeks Korupsi dihasilkan dari komposit dua unsur utama, yaitu OUTPUT dan PROSES. 
Jumlah politisi korup adalah salah satu unsur output, selain tentunya jumlah rupiah kerugian negara yang terjadi. Sementara dari sisi proses, kita perlu melihat bagaimana kebijakan partai dalam mencegah dan menyikapi politisinya yang korup. 

Parta yang membuat pakta integritas dan mewajibkan politisinya mundur ketika menjadi tersangka tentunya perlu diapresiasi dalam indeks, dibanding partai yang malah terkesan melindungi dan menutupi kasus korupsi kadernya.

Dengan demikian nantinya angka indeks korupsi parpol akan lebih komprehensif karena sudah memotret berbagai variabel penting. Studi berikutnya tentu berlanjut pada bagaimana membuat konsepsi GCG untuk parpol, katakanlah semacam GPG (Good Party Governance). Masa sih, sebuah organisasi yang akan turut menghitamputihkan negeri ini dikelola bagaikan perusahaan keluarga atau bahkan sebuah CV yang didominasi 1-2 orang saja tanpa transparansi yang memadai, terutama berkaitan dengan apa kriteria mereka memajukan caleg-calegnya sehingga menjadi menu yang harus dipilih oleh masyarakat yang nantinya akan menjadi wakil rakyat di DPR.

Paragraf terakhir saya kira akan disisakan untuk sebuah apologi. Posisi saya yang amatiran di bidang politik dan amanah-amanah yang diemban rasanya tidaklah memungkinkan bagi saya untuk terus berada di depan dalam perkembangan yang saya uraikan di atas. Karenanya saya sangat gembira ketika data awal artikel inipun sudah ada yang memperbaikinya, kemudian banyak menambahkan grafik dan analisis yang baru. Rasanya sejak saat ini sampai 8-9 bulan ke depan akan tumbuh berbagai variasi kajian dari artikel ini. Saya bersyukur kepada Allah Swt bahwa saya bisa mengambil bagian dalam menginisiasinya. Salam 

===============================================================

DISCLAIMER
  1. Garbage in garbage out. Adanya data yang lebih baik tentunya akan membuat analisis ini jadi lebih baik
  2. Mungkin akan ada yang mengkritik dengan mengatakan "yang penting kan berapa jumlah yang dikorup bukan jumlah politisinya". Silakan saja dianalisis oleh yang bersangkutan dan sampaikan alternatif analisisnya. Mencoba meranking berdasarkan jumlah uang yang dikorup bisa jadi bermasalah juga, data siapa yang mau dipakai untuk menghitung kerugian dan adakah datanya? 
  3. Meski sangat bisa diinterpretasikan secara politis, maksud kajian singkat ini sebetulnya lebih diniatkan untuk pencegahan korupsi. Dan untuk soal motif dan interpretasi ini, terus terang saya belum menemukan alat ujinya
  4. Saran, masukan, kritik, sangat diapresiasi.
  5. Saya harus mohon maaf kepada partai peserta pemilu yang baru di tahun 2014. Kita lihat pada pemilu berikutnya. Terima kasih
LAMPIRAN DAN RUJUKAN, LAMPIRAN HASIL PERHITUNGAN DATA



RUJUKAN

1) https://www.dropbox.com/s/ui9r4ct4gw7myu8/correlation.pdf

Spearman rank correlation is used when you have two measurement variables and one"hidden" nominal variable. The nominal variable groups the measurements into pairs; if you've measured height and weight of a bunch of people, "individual name" is a nominal variable. You want to see whether the two measurement variables covary; whether, as one variable increases, the other variable tends to increase or decrease. It is the non-parametric alternative to correlation, and it is used when the data do not meet the assumptions about normality, homoscedasticity and linearity. Spearman rank correlation is also used when one or both of the variables consists of ranks.

You will rarely have enough data in your own data set to test the normality and homoscedasticity assumptions of regression and correlation; your decision about whether to do linear regression and correlation or Spearman rank correlation will usually depend on your prior knowledge of whether the variables are likely to meet the assumptions.

Null hypothesis
The null hypothesis is that the ranks of one variable do not covary with the ranks of the other variable; in other words, as the ranks of one variable increase, the ranks of the other variable are not more likely to increase (or decrease).

The Pearson correlation coefficient is the most widely used. It measures the strength of the linear relationship between normally distributed variables. When the variables are not normally distributed or the relationship between the variables is not linear, it may be more appropriate to use the Spearman rank correlation method.

ANOTHER STUDY PLEASE CHECK : http://en.wikipedia.org/wiki/Spearman's_rank_correlation_coefficient

========================================================

KOLEKTIF KURANG KERJAAN

Demo lagu, press release (rilisan terbaru), Scene/Gigs Report, Artikel/Tulisan sendiri, Flyer/poster (Gigs/Events, Rilisan), Review (CD, kaset, filem, buku, dll), kirim ke: noiseblast.media@gmail.com.

 
Bagikan