Efektivitas Studi Komparasi Perampasan Aset Tanpa Pemidanaan (Non Conviction Based Aset Forfeiture) di Indonesia dan Australia
Bibliographic record
Abstract
Tujuan utama para pelaku tindak pidana ekonomi yaitu untuk mendapatkan kekayaan yang sebanyak – banyaknya. Cara yang paling efektif untuk melakukan pemberantasan dan pencegahan terhadap tindak pidana ini yaitu dengan mengatasi faktor utama dari kejahatan tersebut dengan cara merampas harta kekayaan hasil tindak pidana tersebut. Konsep perampasan aset dengan pemidanaan memakan waktu lama. Proses yang lama berpotensi pelaku tindak pidana mengaburkan harta hasil tindak pidana dengan mekanisme pencucian uang. Oleh karena itu, dalam perkembanganya terdapat mekanisme perampasan aset tanpa pemidanaan yang telah terdapat United Convention Againts Corruptions (UNCAC) yang juga telah diratifikasi oleh Indonesia. Artikel ini akan membahas bagaimana pengaturan perampasan aset tanpa pemidanaan di Indonesia dan Australia menurut Undang – Undang Tindak Pidana Korupsi, Undang – Undang Pencegahan dan Pemberantasan Tindak Pidana Pencucian Uang, Perma Nomor 1 Tahun 2013 tentang Penanganan Harta kekayaan, RUU Perampasan Aset dan Proceeds of Crime Act (POCA) 2002 serta bagaimana persamaan dan perbedaanya. Penelitian ini menggunakan metode pendekatan yuridis normatif komparatif dengan spesifikasi penelitian deskripsi analitis yang diuraikan dengan teks naratif. Penelitian ini menyimpulkan bahwa secara konsep pengaturan perampasan aset tanpa pemidanaan baik dalam UU Tipikor, Perma, dan RUU Perampasan Aset serta POCA dilakukan dalam keadaan tertentu dan terhadap objek (jenis aset) tertentu, yang membedakan hanya ruang lingkupnya dan prosedur formil yang digunakan. Sebagai sebuah pembaharuan hukum, ruang lingkup pengaturan RUU Perampasan aset lebih luas dari undang – undang yang berlaku karena sudah mencangkup semua keadaan dan objek rampasan dalam UU PPTPPU jo Perma dan UU Tipikor serta beberapa ketentuan dalam POCA bahkan lebih luas jangkauanya sampai kepada harta kekayaan yang tidak dapat dijelaskan namun terdapat beberapa kekurangan sehingga perlu penyempurnaan sebelum disahkan menjadi undang - undang.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".