Daftar Isi
Cekricek.id — Perekrutannya mengejar jumlah, pelatihannya disusun dalam satu paket, penugasannya nyaris tidak menanyakan siapa yang akan ditugaskan. Begitulah ribuan pengawas tempat pemungutan suara disiapkan menjelang hari pencoblosan, dan hampir tidak ada yang menganggapnya janggal. Padahal daftar nama yang sama memuat lulusan sekolah menengah yang baru berusia belasan dan orang berusia empat puluhan yang sudah punya pekerjaan tetap. Mereka dikirim ke tempat yang berbeda jauh, diminta memakai aplikasi pelaporan yang sama, lalu dinilai dengan format yang sama persis. Tidak ada yang salah secara prosedur. Yang ganjil adalah asumsi di baliknya, bahwa seragamnya perlakuan akan menghasilkan seragamnya mutu pengawasan.
Kejanggalan itu yang dibongkar Ferriyanto Ferriyanto, peneliti dari Bawaslu Provinsi Kepulauan Bangka Belitung dan Universitas Bangka Belitung, lewat artikel Heterogenitas Pengawas Tempat Pemungutan Suara: Pendekatan Berbasis Data untuk Memperkuat Tata Kelola Pengawasan Pemilu di Kepulauan Bangka Belitung. Tulisan itu terbit di JAKP (Jurnal Administrasi dan Kebijakan Publik) Volume 11 Nomor 1 tahun 2026, halaman 158 sampai 176. Bahannya bukan wawancara, melainkan berkas rekrutmen 2.197 pengawas TPS pada Pilkada Serentak 2024 di provinsi kepulauan itu, jumlah yang setara dengan seluruh TPS yang harus diawasi di sana.
Berkas semacam itu biasanya berhenti sebagai arsip administratif. Isinya kolom-kolom yang tampak membosankan: usia, jenis kelamin, jenjang pendidikan, pekerjaan, wilayah domisili. Ferriyanto memperlakukannya sebagai bahan analisis, bukan sebagai lampiran laporan. Ia menyebut risiko yang muncul ketika kapasitas orang tidak cocok dengan tuntutan tugasnya sebagai policy-capacity mismatch, ketidaksesuaian antara kemampuan pelaksana dan beban lapangan. Risiko itu membesar sejak pengawasan bergeser ke pelaporan berbasis aplikasi seperti Siwaslu, yang menuntut literasi digital dan kesiapan teknis yang tidak merata di wilayah dengan akses terbatas. Digitalisasi yang dimaksudkan mempercepat kerja justru berpotensi melebarkan jarak kemampuan antarpengawas di daerah kepulauan.
Cara Data Rekrutmen Dibaca Seperti Keranjang Belanja
Langkah pertamanya meminjam alat dari dunia ritel. Dalam Market Basket Analysis, tiap pembeli adalah satu transaksi dan tiap barang di keranjangnya adalah satu item; algoritmanya mencari barang apa yang sering muncul bersamaan. Ferriyanto menempatkan setiap pengawas sebagai satu transaksi dan setiap atributnya sebagai satu item. Hasil awalnya justru menunjukkan batas alat itu. Kombinasi lulusan SMA atau SMK dan beragama Islam muncul dengan nilai support 68,8 persen, angka yang besar tetapi tidak memberi tahu apa pun yang baru. Ferriyanto memperingatkan agar pola sebesar itu ditafsirkan dengan hati-hati.
Baca juga Tujuh Cara Laki-laki Menyokong Perempuan di Hidden Figures
Sebab pola sesering itu hanya memantulkan susunan penduduk setempat. Yang lebih berguna adalah ukuran kedua, yaitu lift, yang menghitung seberapa jauh sebuah kombinasi menyimpang dari kebetulan. Di situ muncul temuan yang lebih tajam. Kelompok dengan latar jurusan IPS, berjenis kelamin laki-laki, dan berstatus mengurus rumah tangga memiliki kemungkinan 33 kali lebih besar untuk sekaligus berusia 36 sampai 45 tahun, belum menikah, lulusan SMA atau SMK, dan berdomisili di Tanjung Pandan. Kombinasi sesempit itu tidak akan pernah muncul dari rekapitulasi biasa.
Angka 33 kali itu bukan hukum alam. Ia hanya menandai bahwa di dalam populasi pengawas ada kantong-kantong yang sangat khas, yang tidak akan terlihat kalau data dibaca satu kolom demi satu kolom. Ferriyanto tidak memungut semua pola yang keluar dari mesin. Sebagian besar dibuang karena hanya mencerminkan distribusi populasi. Yang disisakan adalah pola yang punya konsekuensi pada penempatan dan pelatihan. Tahap ini diperlakukan sebagai penjajakan awal, semacam pemindaian kasar untuk menemukan arah, sebelum analisis yang lebih ketat dijalankan atas kolom-kolom yang sama.
Ketika Belasan Kolom Diperas Menjadi Tiga Sumbu
Masalah berikutnya bersifat teknis. Data dengan banyak atribut kategoris sulit dipetakan karena tidak ada ruang yang bisa dibayangkan untuk menampungnya. Principal Component Analysis dipakai untuk memerasnya. Metode itu menyusun sumbu-sumbu baru yang menyerap variasi terbesar dalam data, lalu membuang sisanya. Dari kolom-kolom rekrutmen tadi terbentuk tiga sumbu utama. Sumbu pertama cenderung mewakili usia dan jenjang pendidikan; sumbu kedua menampung status sosial, terutama status perkawinan dan jenis pekerjaan; sumbu ketiga memuat informasi wilayah dan kategori pendidikan yang lebih rinci. Tiga sumbu itu tidak dipilih lebih dulu oleh penelitinya, melainkan muncul dari susunan datanya sendiri.
Baca juga Mesin Jahit dan Legaran Randai di Satu Panggung
Ketika ribuan pengawas ditebar pada bidang yang dibentuk sumbu pertama dan kedua, titik-titiknya tidak menyebar rata. Ada wilayah yang padat di sisi negatif sumbu pertama, ada yang menumpuk di sisi positifnya, ada yang mengendap di bawah sumbu kedua. Pemisahan itu makin jelas pada bidang sumbu kedua dan ketiga, tempat satu kelompok tampil sendirian di kuadran negatif. Bentuk sebaran inilah yang menjadi bahan mentah bagi tahap terakhir, ketika titik-titik tadi diberi nama. Sebaran yang menumpuk pada wilayah tertentu menandakan ada struktur nyata dalam populasi pengawas, bukan sekadar tebaran acak yang kebetulan tampak berkelompok di layar.
Tiga Kelompok yang Keluar dari Mesin Penghitung
Pengelompokan dilakukan dengan K-Means, algoritma yang membagi titik ke dalam sejumlah kelompok sambil meminimalkan jarak setiap titik ke pusat kelompoknya. Jumlah kelompoknya ditentukan lewat metode siku lalu diperiksa ulang dengan skor siluet. Hasilnya tiga. Kelompok pertama berisi pengawas berusia relatif muda dengan pengalaman terbatas, kebanyakan lulusan SMA atau SMK, belum menikah, dan bekerja di sektor informal atau sebagai tenaga honorer. Mereka terkonsentrasi di wilayah padat penduduk dan tergolong paling kompak secara karakteristik, sehingga paling mudah dikenali sebagai satu segmen.
Kelompok kedua justru sebaliknya. Usianya terentang lebar, pendidikannya bercampur, sebarannya menjangkau hampir seluruh wilayah, dan batas karakteristiknya paling kabur di antara ketiganya. Ferriyanto membacanya sebagai kelompok “transisi” yang, tulisnya, fleksibel namun kurang terdefinisi secara kapasitas. Kelompok ketiga berisi pengawas usia menengah yang lebih mapan: sudah menikah, punya pekerjaan tetap atau berwiraswasta, tersebar di wilayah semi-perkotaan dan pinggiran, dan menunjukkan konsistensi internal yang cukup kuat. Distribusi usianya moderat, tidak menumpuk di ujung mana pun.
Baca juga Kedokteran Kerja dari Milan 1906 hingga Surabaya 2026
Perbedaan itu langsung berimplikasi pada penugasan. Kelompok pertama rentan pada kesalahan teknis dan prosedural sehingga tidak cocok ditempatkan di TPS berisiko tinggi tanpa pendampingan, dan pelatihannya lebih tepat berbentuk simulasi ketimbang ceramah normatif. Kelompok kedua berisiko menghasilkan kinerja yang tidak konsisten antarindividu sehingga membutuhkan pelatihan modular dan supervisi tambahan. Kelompok ketiga justru punya masalah yang berlawanan, yaitu kapasitasnya kerap tidak terpakai; Ferriyanto menempatkannya sebagai calon mentor lapangan dan tulang punggung pengawasan di TPS yang rumit.
Di Mana Angka Berhenti Menjelaskan
Mesin penghitung itu tidak menghasilkan tiga kotak yang rapi. Rata-rata skor siluet untuk 2.197 pengamatan hanya 0,387, angka yang menandai pemisahan sedang dengan area tumpang tindih di antara kelompok. Ferriyanto tidak menyembunyikannya. Nilai serendah itu, tulisnya, bukan kelemahan model melainkan justru memperkuat argumen bahwa pendekatan pengelolaan yang bersifat seragam tidak memadai. Karakteristik manusia memang tidak terbelah dengan garis tegas. Uji stabilitas pada beberapa iterasi menunjukkan struktur kelompoknya bertahan, jadi pembagian itu bukan kebetulan statistik, hanya pembagian yang tepinya kabur.
Ada batas lain yang lebih mendasar. Bahan yang dipakai hanya berkas rekrutmen, dianalisis secara agregat tanpa identitas perorangan, dan Ferriyanto menyatakan sendiri bahwa studinya tidak melibatkan wawancara, eksperimen, maupun pengumpulan data langsung dari individu. Artinya tidak ada satu pun catatan tentang apa yang benar-benar terjadi di TPS pada hari pemungutan suara. Kinerja pengawas tidak diukur, laporan yang mereka kirim tidak dievaluasi, dan kesalahan prosedural yang mungkin terjadi tidak dihitung. Seluruh bangunan analisisnya berdiri di atas berkas yang diisi sebelum orang-orang itu bekerja.
Karena itu tiga kelompok tadi adalah profil, bukan ramalan. Data ini menunjukkan pengawas muda cenderung berpengalaman terbatas, tetapi tidak membuktikan mereka bekerja lebih buruk. Hubungan antara usia dan risiko prosedural di sini bersifat perkiraan yang diturunkan dari karakteristik, bukan sebab-akibat yang teruji. Rekrutmen di satu provinsi kepulauan juga tidak mewakili seluruh Indonesia. Komposisi usia dan pendidikan pengawas di daerah lain bisa membentuk kelompok yang sama sekali berbeda, dengan jumlah segmen yang berbeda pula, sehingga hasil ini lebih tepat dibaca sebagai contoh cara kerja daripada sebagai peta nasional.
Yang tersisa adalah pertanyaan yang lebih sederhana daripada seluruh rangkaian metodenya. Kalau berkas rekrutmen yang selama ini hanya diarsipkan ternyata sanggup menunjukkan bahwa dua orang dengan surat tugas serupa sebenarnya membawa kesiapan yang jauh berbeda, apa alasan menyiapkan keduanya dengan satu paket pelatihan yang sama? Berkasnya sudah lengkap di lemari sejak sebelum pemungutan suara dimulai, dikumpulkan justru oleh lembaga yang paling berkepentingan atas mutu pengawasan. Yang belum ada adalah kebiasaan membacanya.
