Upaya Mendeteksi Teroris Lewat Analisis Data

Buku SuperFreakonomics karya
Steven D. Levitt dan Stephen
J. Dubner memperlihatkan
bagaimana pendekatan ekonomi
dan analisis data dapat digunakan
untuk membaca masalah-masalah
yang tampak mustahil diselesaikan.
Salah satu topik yang dibahas secara
tajam adalah terorisme sebuah
ancaman konstan yang sering
ditangani dengan cara-cara
tradisional, namun ternyata bisa
dilihat dari sudut pandang yang
sama sekali berbeda: data.

Tulisan ini sepenuhnya berfokus
pada catatan inti tersebut, yaitu
bagaimana analisis data dapat
membantu mendeteksi calon teroris
sebelum mereka bertindak, serta
mengapa pendekatan ini
bertentangan dengan banyak
anggapan umum.

Terorisme sebagai Masalah
Pola, Bukan Sekadar Keamanan

Terorisme hampir selalu dipahami
sebagai persoalan keamanan, senjata,
dan ideologi ekstrem. Dalam
SuperFreakonomics, Levitt dan
Dubner mengajak pembaca
melihatnya sebagai persoalan pola
perilaku. Jika terorisme adalah
aktivitas manusia, maka jejaknya
sekecil apa pun akan tercermin
dalam data.

Ancaman teror memang bersifat
konstan, tetapi pelakunya tidak
muncul secara acak. Mereka hidup
di tengah masyarakat, berinteraksi
dengan sistem ekonomi, perbankan,
pendidikan, dan tempat tinggal.
Semua interaksi ini meninggalkan
data. Di sinilah analisis data menjadi
relevan, bukan untuk menggantikan
aparat keamanan, tetapi untuk
membantu menyaring kemungkinan
yang selama ini luput dari perhatian.

Melawan Anggapan Umum
tentang Profil Teroris

Salah satu temuan yang paling
bertentangan dengan kepercayaan
populer adalah soal latar belakang
pelaku teror. Banyak orang
membayangkan teroris sebagai
individu miskin, tidak berpendidikan,
dan putus asa secara ekonomi.
Namun catatan dalam
SuperFreakonomics menunjukkan
gambaran yang berbeda.

Pelaku teror sering kali justru
berpendidikan baik dan berasal dari
latar belakang ekonomi yang relatif
mapan. Motivasi utama mereka
bukan keuntungan pribadi atau
kebutuhan ekonomi, melainkan
tujuan politik. Artinya, indikator
kemiskinan ekstrem atau kejahatan
ekonomi konvensional sering kali
gagal menangkap kelompok ini.

Kesalahan persepsi inilah yang
membuat banyak upaya anti-teror
tradisional menjadi tidak efisien,
karena fokusnya diarahkan pada
sasaran yang keliru.

Keterbatasan Pendekatan
Anti-Teror Tradisional

Pendekatan anti-teror yang
mengandalkan penyisiran luas,
pengawasan fisik, atau kecurigaan
berbasis stereotip menghadapi dua
masalah besar. Pertama, biayanya
sangat mahal. Kedua, efektivitasnya
rendah karena terlalu banyak orang
yang diperiksa tanpa alasan kuat,
sementara individu yang
benar-benar berisiko justru lolos.

Dalam konteks ini,
SuperFreakonomics tidak
menyatakan bahwa metode lama
sepenuhnya salah, tetapi
menunjukkan bahwa metode
tersebut tidak dirancang untuk
menghadapi pola terorisme modern
yang tersembunyi dan tidak sesuai
stereotip.

Algoritma dan Analisis Data
Perbankan

Solusi alternatif yang ditawarkan
adalah penggunaan algoritma yang
menganalisis data, khususnya data
perbankan. Ide dasarnya sederhana:
jika calon teroris memiliki
karakteristik tertentu yang berulang,
maka karakteristik tersebut dapat
diidentifikasi secara statistik.

Algoritma ini tidak mencari satu
tanda tunggal, melainkan kombinasi
indikator positif dan indikator
negatif. Pendekatan ini mirip dengan
cara ekonomi membaca perilaku
konsumen bukan dari satu keputusan,
tetapi dari pola keputusan yang
konsisten.

Indikator Positif yang Tidak
Terduga

Dalam analisis ini, indikator positif
bukan berarti “baik”, melainkan ciri
yang relatif sering ditemukan pada
pelaku teror. Beberapa indikator
tersebut justru terdengar biasa dan
tidak mencurigakan, seperti
menyewa tempat tinggal dan
berstatus sebagai mahasiswa.

Karakteristik ini umum dalam
masyarakat luas, tetapi secara
statistik juga muncul berulang kali
pada profil teroris. Karena sifatnya
umum, indikator ini tidak bisa
berdiri sendiri sebagai bukti, tetapi
menjadi penting ketika
dikombinasikan dengan indikator
lain.

Indikator Negatif yang Jarang
Disadari

Selain indikator positif, algoritma ini
juga menggunakan indikator negatif,
yaitu ciri yang jarang dimiliki oleh
teroris. Contohnya adalah
berinvestasi dalam asuransi jiwa.
Secara logika, individu yang
berencana melakukan aksi bunuh
diri atau tindakan ekstrem dengan
risiko kematian tinggi cenderung
tidak melakukan perencanaan
finansial jangka panjang semacam ini.

Indikator negatif ini berfungsi
sebagai penyaring. Jika seseorang
memiliki banyak ciri yang justru
tidak lazim bagi teroris, maka
kemungkinan keterlibatannya
menurun, meskipun ia memiliki
satu atau dua indikator positif.

Algoritma yang Tidak
Sempurna, tetapi Bernilai

Levitt dan Dubner menekankan
bahwa algoritma ini tidak sempurna.
Ia tidak dirancang untuk menunjuk
seseorang sebagai pelaku, melainkan
sebagai alat bantu untuk
mengidentifikasi kandidat yang
layak diperiksa lebih lanjut.

Nilai utama dari pendekatan ini
adalah kemampuannya menemukan
individu yang sebelumnya tidak
terdeteksi oleh metode konvensional.
Dengan kata lain, algoritma ini
membuka kemungkinan melihat
ancaman yang tersembunyi di balik
data sehari-hari.

Membaca Terorisme dengan
Kacamata Ekonomi

Melalui contoh ini,
SuperFreakonomics menunjukkan
kekuatan pendekatan ekonomi dan
analisis data dalam membaca
masalah ekstrem seperti terorisme.
Bukan dengan emosi, ketakutan,
atau stereotip, melainkan dengan
pola, insentif, dan probabilitas.

Pendekatan ini tidak menawarkan
jaminan keamanan mutlak, tetapi
memberikan alat tambahan yang
rasional dan berbasis bukti. Dalam
dunia di mana ancaman sering kali
tidak terlihat, kemampuan
membaca data menjadi salah satu
cara paling masuk akal untuk
mengurangi risiko yang selama
ini luput dari pengamatan.

Membaca Teroris Seperti
Menebak Pelanggan di Warung

Bayangkan kamu punya warung kecil.
Setiap hari banyak orang datang: ada
yang beli kopi, ada yang beli rokok,
ada yang cuma tanya harga lalu pergi.
Lama-lama, tanpa sadar, kamu mulai
bisa menebak pola.

Misalnya:

• Orang yang datang pagi
  biasanya beli sarapan.

• Orang yang datang malam
  sering beli rokok.

• Orang yang cuma lihat-lihat
  biasanya memang tidak beli
  apa-apa.

Kamu tidak menebak dari satu
tindakan, tapi dari kebiasaan
yang berulang. Inilah cara berpikir
yang dipakai dalam
SuperFreakonomics saat membahas
terorisme.

Terorisme Itu Bukan Orang
Asing Misterius, Tapi
“Pelanggan Biasa”

Selama ini, teroris sering
dibayangkan seperti orang asing yang
mencolok: miskin, brutal, terlihat
berbahaya. Padahal dalam
SuperFreakonomics, banyak pelaku
teror justru tampak sangat normal.

Analogi sederhananya:

Mereka seperti pelanggan warung
yang kelihatannya sama saja dengan
yang lain pakaiannya rapi, bicaranya
sopan, hidupnya kelihatan beres.

Karena terlihat normal, mereka
sering luput dari kecurigaan jika
aparat hanya mengandalkan
“tampilan luar” atau stereotip.

Cara Lama Seperti Merazia
Semua Orang di Pasar

Pendekatan anti-teror tradisional
bisa dibayangkan seperti ini:

Karena takut ada pencuri, semua
orang di pasar diperiksa satu
per satu.

Masalahnya:

• Capek

• Mahal

• Banyak orang tidak bersalah
  ikut kena

• Dan pencuri yang pintar
  bisa lolos

SuperFreakonomics menunjukkan
bahwa cara ini tidak efisien, karena
terlalu luas dan tidak berbasis pola.

Algoritma Itu Seperti Catatan
Pelanggan

Sekarang bayangkan kamu mencatat
kebiasaan pelanggan:

• Si A sering beli mi instan

• Si B selalu beli pulsa

• Si C datang tapi jarang beli

Kamu tidak langsung menuduh
siapa pun. Tapi dari gabungan
kebiasaan, kamu mulai paham
mana pelanggan serius dan mana
yang cuma lewat.

Begitu juga dengan analisis data
perbankan. Algoritma bekerja seperti
“buku catatan kebiasaan”, bukan alat
menuduh, tapi alat menyaring
kemungkinan.

Ciri “Positif” yang Sebenarnya
Biasa

Dalam buku ini, ada ciri-ciri yang
sering muncul pada teroris, tapi
sebenarnya tidak aneh sama
sekali.

Contohnya:

• Menyewa rumah

• Berstatus mahasiswa

Ini seperti pelanggan warung yang
beli kopi sangat umum. Tapi jika
pola ini muncul berulang
bersama ciri lain, baru jadi
relevan. Satu ciri saja tidak
berarti apa-apa.

Ciri “Negatif” Seperti Orang
yang Beli Asuransi

Sekarang bayangkan begini:

Orang yang rajin nabung dan beli
asuransi biasanya punya rencana
hidup jangka panjang.

Dalam SuperFreakonomics, ini
dipakai sebagai contoh indikator
negatif. Orang yang berniat
melakukan aksi ekstrem cenderung
tidak repot memikirkan masa
depan finansial.

Jadi kalau seseorang punya banyak
ciri “orang yang mikirin masa
depan”, peluang dia terlibat
terorisme justru menurun.

Algoritma Itu Bukan Hakim,
Tapi Senter

Penting dipahami: algoritma ini
bukan palu hakim. Ia tidak
berkata, “orang ini bersalah”.

Analogi paling pas:

Algoritma itu seperti senter
di ruangan gelap.
Bukan untuk menghukum, tapi
untuk membantu melihat area yang
sebelumnya tidak kelihatan.

Tanpa senter, kita hanya
mengandalkan tebakan. Dengan
senter, kita bisa lebih fokus dan
hemat tenaga.

Intinya: Pola Lebih Penting
dari Dugaan

Lewat contoh ini,
SuperFreakonomics mengajarkan
bahwa:

• Masalah besar bisa dibaca
  dari kebiasaan kecil

• Ketakutan sering membuat
  kita salah fokus

• Data membantu kita
  berpikir lebih dingin

Seperti pemilik warung yang paham
pelanggannya tanpa curiga
berlebihan, analisis data membantu
membaca risiko tanpa emosi dan
stereotip.

Bukan jaminan aman seratus persen,
tapi jauh lebih masuk akal daripada
menebak-nebak siapa yang terlihat
“mencurigakan”.

Intinya Dulu

Algoritma tidak menangkap
teroris.
Algoritma hanya membantu
polisi memilih siapa yang
layak diperiksa lebih dulu.

Penangkapan tetap dilakukan
manusia, bukan komputer.

Contoh Paling Sederhana
(Tanpa Teknologi Dulu)

Bayangkan ada 1 juta orang
di satu kota.
Polisi tahu dari data lama:

“Biasanya, dari 1 juta orang, hanya
1 orang yang benar-benar teroris.”

Masalahnya:

• Polisi tidak tahu siapa

• Tidak mungkin memeriksa
  1 juta orang satu per satu

Cara Lama (Gagal)

Polisi memakai logika kasar:

• Orang miskin

• Penampilan mencurigakan

• Daerah tertentu

Hasilnya:

• 999.999 orang bukan
  teroris

• Teroris asli bisa lolos karena
  dia kuliah, rapi, dan kelihatan
  normal

Sekarang Masuk ke Algoritma
(Pelan-pelan)

Langkah 1: Algoritma HANYA
Menyaring, Bukan Menuduh

Anggap algoritma seperti saringan
beras, bukan palu hakim.

Dari 1 juta orang, algoritma berkata:

“Saya tidak tahu siapa teroris,
tapi dari data lama, orang dengan
pola A, B, C lebih sering muncul.”

Langkah 2: Contoh Pola yang
Dicari
(Bukan Aneh, Justru Normal)

Misalnya dari data kasus teror
sebelumnya, ditemukan pola
seperti ini:

• Menyewa kos/apartemen
  (bukan rumah sendiri)

• Mahasiswa atau baru lulus

• Hidup sendiri

• Tidak punya asuransi jiwa

• Tidak punya cicilan jangka
  panjang

Ini bukan bukti teror.
Ini hanya pola yang kebetulan
sering muncul.

Dari 1 juta orang:
➡️ tersisa 5.000 orang

Sampai Sini: BELUM ADA
YANG DITANGKAP

Polisi belum melakukan apa-apa
selain berkata:

“Daripada lihat 1 juta orang,
kita lihat 5.000 ini dulu.”

Langkah 3: Pemeriksaan
Manusia (Bukan Algoritma)

Baru di sini aparat bergerak.

Contoh pemeriksaan:

• Cek riwayat perjalanan

• Cek komunikasi
  (sesuai hukum)

• Cek hubungan sosial

• Cek aktivitas nyata
  di lapangan

Dari 5.000 orang:

• 4.990 aman

• 10 orang punya aktivitas
  nyata mencurigakan

Langkah 4: Penangkapan
Terjadi di Sini

Penangkapan bukan karena
data bank, tapi karena:

• Ditemukan komunikasi
  dengan jaringan teror

• Ada rencana nyata

• Ada pelanggaran hukum jelas

➡️ Baru di titik ini orang
ditangkap

Contoh Versi Sangat Nyata 

Bayangkan kamu pengelola bank.

• Dari 1 juta nasabah

• Kamu tidak mungkin
  cek satu per satu

Maka kamu pakai sistem:

• Pendapatan

• Riwayat bayar

• Pola utang

Sistem berkata:

“1.000 orang ini RISIKONYA
lebih tinggi.”

Apakah bank langsung menyita?
❌ Tidak

Bank:

• Menelepon

• Wawancara

• Minta dokumen

Baru setelah itu keputusan diambil.

Anti-teror berbasis data bekerja
dengan logika yang sama.

Jadi Jawaban Pertanyaan
Kamu Secara Jelas

Bagaimana dia bisa
“menangkap” teroris?

Jawabannya:

Dia tidak menangkap.
Dia membantu polisi tidak
salah sasaran.

Algoritma:

• ❌ Tidak menunjuk “ini teroris”

• ✅ Menyempitkan pencarian
  dari jutaan ke ribuan

• ✅ Menghemat biaya

• ✅ Mengurangi salah tangkap

• ✅ Membantu menemukan
  yang sebelumnya tak terlihat

Pendekatan ini tidak membuat
komputer menjadi polisi. Ia hanya
membuat polisi berhenti
menebak-nebak. Penangkapan tetap
terjadi di dunia nyata, tetapi
pencarian dimulai dari data, bukan
dari prasangka.

1. Kenapa banyak teroris tidak
membeli asuransi / asuransi
jiwa?

Asuransi jiwa = rencana hidup
jangka panjang.

Orang yang:

• Berencana hidup lama

• Punya keluarga yang
  ingin dilindungi

• Berpikir 10–20 tahun
  ke depan

👉 cenderung beli asuransi.

Sebaliknya, pada banyak kasus teror
(terutama yang berisiko tinggi atau
bunuh diri):

• Hidup dianggap
  “alat perjuangan”

• Kematian sudah
  diperhitungkan sebagai
  kemungkinan dekat

• Uang tidak diprioritaskan
  untuk masa depan keluarga

Secara statistik:

Orang yang tidak merencanakan
masa depan jarang membeli
produk finansial jangka panjang.

📌 Bukan karena
“teroris benci asuransi”,
tapi karena insentif hidupnya
berbeda.

2. Kenapa sering menyewa
kos atau apartemen?

Karena fleksibel dan mudah
hilang jejak.

Menyewa:

• Tidak butuh komitmen
  jangka panjang

• Bisa pindah cepat

• Tidak mengikat secara
  administratif seperti rumah

Orang yang ingin stabil biasanya:

• Beli rumah

• Tinggal dekat keluarga

• Bangun komunitas

Dalam data kasus teror:

Pelaku sering butuh mobilitas
tinggi, bukan stabilitas.

📌 Lagi-lagi: banyak orang
normal juga menyewa,
tapi pelaku teror hampir
selalu menyewa.

3. Kenapa sering mahasiswa
atau baru lulus?

Karena fase ini adalah:

• Usia ideal secara fisik

• Masih mencari identitas

• Mudah menerima ideologi
  besar

• Belum terikat
  tanggung jawab besar

Mahasiswa / fresh graduate:

• Belum punya anak

• Belum punya karier mapan

• Relatif bebas risiko pribadi

Dari sisi organisasi ekstrem:

Ini “biaya peluang” paling rendah.

📌 Ini bukan berarti mahasiswa
berbahaya,
tapi banyak pelaku teror
berasal dari fase ini.

4. Kenapa sering hidup sendiri?

Hidup sendiri berarti:

• Lebih sedikit orang bertanya

• Aktivitas lebih tersembunyi

• Tidak perlu menjelaskan
  rutinitas

Orang berkeluarga:

• Ditanya “pergi ke mana?”

• Perubahan perilaku
  cepat terlihat

• Sulit menyembunyikan
  rencana ekstrem

Dalam banyak kasus:

Keluarga justru menjadi
penghalang logistik.

5. Kenapa tidak punya cicilan
jangka panjang?

Cicilan = komitmen masa depan.

KPR, kredit kendaraan, cicilan
bisnis berarti:

• Harus hidup dan bekerja
  bertahun-tahun

• Terikat sistem keuangan

• Kehilangan fleksibilitas

Bagi orang yang:

• Tidak memprioritaskan masa
  depan pribadi

• Siap mengambil risiko ekstrem

👉 cicilan jangka panjang
tidak rasional.

📌 Bukan karena tidak mampu,
tapi karena tidak sejalan dengan
tujuan hidupnya.

Kenapa Semua Ini Penting Jika
Digabung?

Satu ciri tidak berarti apa-apa.

Tetapi jika seseorang:

• Menyewa tempat tinggal

• Mahasiswa

• Hidup sendiri

• Tidak punya asuransi

• Tidak punya cicilan

• Mobilitas tinggi

👉 probabilitasnya naik,
bukan kepastian.

Algoritma tidak berkata:

“Dia teroris”

Algoritma hanya berkata:

“Orang dengan pola seperti ini,
di data lama, lebih sering terlibat.”

bayangkan

Kalau kamu melihat seseorang:

• Tidak menabung

• Tidak punya asuransi

• Tidak punya cicilan

• Hidup nomaden

• Tidak peduli masa depan

Kamu tidak langsung bilang
dia kriminal.

Tapi kamu bisa bilang:

“Orang ini tidak hidup seperti
orang yang ingin stabil jangka
panjang.”

Dan itulah yang dicari algoritma.

Pola-pola ini tidak menunjukkan niat
jahat. Ia hanya menunjukkan
ketidakhadiran rencana hidup
jangka panjang. Dalam banyak kasus
teror, ketidakhadiran inilah yang
muncul berulang kali dalam data.

👉 Ini bukan aturan mutlak.
👉 Ini pola statistik dari kasus
yang sudah terjadi.