Pengaruh Operasi Tangkap Tangan (OTT) terhadap Pelaporan Dugaan Tindak Pidana Korupsi oleh Masyarakat (Studi Kasus KPK)
Notice bibliographique
Résumé
Operasi Tangkap Tangan (OTT) merupakan satu kegiatan KPK di bidang penindakan korupsi yang tersohor di kalangan masyarakat Indonesia. Kegiatan tersebut juga ditandai dengan konferensi pers yang secara garis besar menyebutkan profil tersangka dan kronologis penangkapan. Dalam melakukan tugasnya, KPK tidak dapat bekerja sendiri. Partisipasi aktif masyarakat tentu sangat membantu KPK dalam menjalankan tugasnya dengan lebih efektif dan efisien, salah satu bentuknya adalah dengan melaporkan adanya dugaan tindak pidana korupsi. Penelitian dilakukan untuk melihat bagaimana pengaruh kegiatan OTT KPK terhadap partisipasi masyarakat dalam melaporkan adanya dugaan tindak pidana korupsi. Data yang digunakan adalah data kegiatan OTT dan laporan pengaduan masyarakat KPK mulai tahun 2017 sampai dengan tahun 2021. Dengan menggunakan regresi data panel fixed effect model, penelitian ini menemukan: setiap kegiatan OTT yang dilanjutkan dengan penyebaran berita melalui konferensi pers, menjadi signal dalam meningkatkan jumlah pengaduan masyakarat ke KPK; OTT yang dilakukan di pulau Jawa memiliki andil yang cukup besar dalam meningkatkan jumlah pengaduan masyarakat dibandingkan OTT di luar jawa; analisa data tahunan menunjukkan bahwa mulai tahun 2019 hingga 2021, terjadi trend penurunan pengaduan masyarakat terutama pada tahun 2020 dan 2021. Hal ini sejalan dengan penurunan OTT yang sangat tajam dibandingkan dengan tahun-tahun sebelumnya. OTT yang dilaksanakan di tahun politik tidak berpengaruh terhadap peningkatan pengaduan masyarakat, namun sebaliknya, diluar tahun politik, OTT malah signifikan berpengaruh terhadap peningkatan pengaduan masyarakat; OTT yang dilakukan baik di tahun terjadinya pandemi Covid-19 maupun tahun sebelum pandemi, sama-sama tidak berpengaruh terhadap peningkatan jumlah pengaduan masyarakat.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».