ELEKTABILITAS PARTAI DAN POLITISI KORUP : KORELASI DAN INTERPRETASINYA

ELEKTABILITAS PARTAI DAN POLITISI KORUP : KORELASI DAN INTERPRETASINYA

by PKS JEMBER | Senin, 03 Februari 2014

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

RAHMAT MULYANA

(pengajar manajemen keuangan dan metodologi penelitian keuangan, profesional di bidang keuangan, mantan direktur keuangan sebuah BUMN, mahasiswa S3 di bidang manajemen keuangan)

DISCLAIMER

1    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

Diposkan 5 days ago oleh @rahmatmulyana on twitter

http://thewhynotcorner.blogspot.com/2014/01/politisi-korup-dan-elektabilitas-partai.html?m=1