Pengaruh Operasi Tangkap Tangan (OTT) terhadap Pelaporan Dugaan Tindak Pidana Korupsi oleh Masyarakat (Studi Kasus KPK)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.038 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".