Salah Tangkap Akibat AI: Dua Orang Dipenjara Berbulan-bulan

Bayangkan seseorang mengetuk pintu rumah Anda di pagi hari, lalu memborgol dan membawa Anda ke sel tahanan, padahal Anda tidak pernah melakukan kejahatan apa pun. Mimpi buruk itu bukan sekadar skenario film thriller—melainkan kenyataan yang terjadi di Amerika Serikat akibat teknologi pengenalan wajah bertenaga kecerdasan buatan. Dalam sejumlah kasus terbaru, dua pria yang sepenuhnya tidak bersalah ditahan selama berbulan-bulan hanya karena algoritma mengira wajah mereka cocok dengan rekaman kamera pengawas. Insiden ini mengungkap ironi menyakitkan: alat yang dirancang untuk menegakkan keadilan justru melahirkan ketidakadilan struktural ketika diimplementasikan tanpa batasan yang matang.

Bagaimana Sistem Otomatis Menjadi "Saksi" yang Keliru

Teknologi pengenalan wajah bekerja dengan mengubah gambar digital menjadi serangkaian titik pengukuran—jarak antara mata, lebar hidung, kontur rahang—yang disebut sebagai biometric template (cetakan biometrik). Algoritma deep learning (pembelajaran mendalam) kemudian membandingkan template itu dengan jutaan data dalam basis kepolisian untuk menemukan kesamaan. Masalah muncul karena mesin tidak benar-benar "melihat" wajah; ia hanya menghitung kemiripan numerik. Pada kondisi pencahayaan buruk, sudut kamera miring, atau kualitas gambar rendah, perhitungan itu bisa menghasilkan skor kecocokan tinggi meski orangnya berbeda. Seorang pria di Detroit, misalnya, ditangkap karena sistem menyamakan foto SIM-nya dengan tangkapan layar kamera toko yang buram. Ia berada di tempat berbeda saat perampokan terjadi, tetapi harus mendekam di penjara lebih dari empat bulan sampai pengacaranya membuktikan kesalahan identifikasi.

Bias Tersembunyi dalam Data Pelatihan

Akar masalah tidak hanya pada gambar yang diinput, melainkan juga pada materi yang digunakan untuk melatih kecerdasan buatan. Banyak model komersial dilatih menggunakan kumpulan data yang didominasi wajah berkulit terang. Penelitian National Institute of Standards and Technology (NIST) menunjukkan bahwa tingkat kesalahan identifikasi bisa 10 hingga 100 kali lebih tinggi pada individu berkulit gelap dibandingkan individu berkulit putih. Pria Afrika-Amerika dan keturunan Asia menjadi kelompok paling rentan terhadap false positive (positif palsu)—ketika sistem merasa yakin menemukan pelaku padahal yang ditunjuk adalah orang yang salah. Seorang warga New Jersey asal Afrika-Amerika mengalami pengalaman serupa: ia dicocokkan dengan pelaku pencurian di hotel mewah hanya karena kemiripan parsial dan kemungkinan bias algoritmik. Akibatnya, reputasi, pekerjaan, dan kesehatan mentalnya hancur sebelum akhirnya dibebaskan.

Dampak Domino: Tidak Cuma Hari di Penjara, Tapi Rantai Kehancuran Hidup

Konsekuensi penangkapan keliru tidak berhenti pada hitungan hari di balik jeruji. Korban menghadapi trauma psikologis mendalam, stigma sosial, dan beban finansial untuk biaya hukum yang dapat mencapai puluhan ribu dolar. Salah satu pria yang dijebloskan ke tahanan harus menjual mobilnya dan kehilangan hak asuh anak selama proses hukum berlangsung. Ironisnya, begitu seseorang masuk ke dalam sistem, asumsi pengadilan sering kali bergeser: terdakwa dianggap harus membuktikan ketidakbersalahannya, bukan sebaliknya. Padahal, bukti digital yang disodorkan jaksa bersumber dari sebuah black box (kotak hitam) algoritma yang sulit diinterogasi. Pengacara korban kerap kesulitan memperoleh akses untuk mengaudit kode program atau dataset yang digunakan, karena vendor teknologi berlindung di balik kerahasiaan dagang. Situasi ini menciptakan ketimpangan kekuasaan serius antara individu biasa dan mesin yang didukung negara.

Dorongan Regulasi dan Masa Depan Teknologi Pengawasan

Kasus-kasus ini memicu gelombang protes dari koalisi masyarakat sipil, akademisi, dan sebagian anggota parlemen. Kota-kota seperti San Francisco dan Boston telah memberlakukan moratorium penggunaan pengenalan wajah oleh lembaga penegak hukum. Pada tataran federal, muncul usulan Algorithmic Accountability Act (Undang-Undang Akuntabilitas Algoritma) yang mewajibkan transparansi dan evaluasi berkala terhadap sistem otomatis yang digunakan pemerintah. Beberapa pengembang AI juga mulai mengadopsi pendekatan human-in-the-loop (manusia tetap dalam lingkaran keputusan)—yakni mengharuskan verifikasi petugas terlatih sebelum hasil pencocokan dijadikan dasar penangkapan. Langkah ini mengembalikan sebagian kendali kepada penilaian manusia, meskipun risiko bias manusia tentu tidak sepenuhnya hilang. Para pakar menekankan bahwa teknologi pengenalan wajah tidak boleh menjadi bukti tunggal; ia perlu diperlakukan layaknya petunjuk awal yang harus dikonfirmasi oleh penyelidikan menyeluruh.

Ketergantungan berlebihan pada kecerdasan buatan dalam peradilan pidana mengingatkan kita bahwa tidak ada algoritma yang sempurna. Di balik setiap skor kemiripan terdapat kehidupan nyata yang bisa hancur dalam semalam. Kisah dua pria yang mendekam di penjara tanpa kesalahan bukan sekadar anomali teknis—ia adalah alarm keras bahwa inovasi tanpa etika hanya akan melipatgandakan ketidakadilan yang sudah ada. Masyarakat perlu terus mendorong standar yang lebih ketat, audit independen, dan perlindungan hukum agar mesin tidak menggantikan proses hukum yang manusiawi.

Baca juga:

• Langit Jakarta Diprediksi Cerah Tanpa Hujan pada 12 Juli 2026
• Taylor Swift Rogoh Rp 2,89 Miliar Demi Izin Nikah di MSG