Tidak jarang tidak ada penjelasan langsung untuk berbagai jenis kekerasan yang terjadi di seluruh dunia. Bahkan, bahkan ketika menggunakan definisi yang jelas (seperti “Perang Sipil,” “Pendudukan,” atau “Pemberontakan Lokal”), label-label ini menyiratkan asumsi tertentu mengenai penyebab mereka serta hasil akhir mereka.
Sebuah artikel terbaru yang dipublikasikan di jurnal Royal Society Open Science oleh sekelompok peneliti dari Complexity Science Hub di Wina, yang bekerja sama dengan University of Waterloo dan Princeton University, mengambil pendekatan baru. Para peneliti menggunakan teknik pembelajaran mesin untuk mengklasifikasikan konflik berdasarkan cara mereka berkembang dan berlanjut sepanjang waktu. Studi ini menemukan bahwa meskipun ada beberapa pola yang jelas di mana konflik-konflik ini terbentuk dan berlanjut sepanjang waktu, pola-pola yang sama ini memberikan sedikit informasi tentang tingkat kekerasan atau berapa lama waktu yang diperlukan sebelum kekerasan itu terjadi.
Menurut Niraj Kushwaha, penulis utama studi ini di Complexity Science Hub, “Ketika kita berpikir tentang ‘Perang Sipil,’ kita sering berpikir itu merupakan konflik internal,” dan dia juga mencatat bahwa masih ada perdebatan tentang apakah istilah “Pendudukan” atau “Perang Bela Diri” harus digunakan ketika merujuk pada jenis konflik tertentu. Demikian pula, para ahli konflik juga akan memberikan label-label pada berbagai jenis konflik untuk menunjukkan ciri-ciri penting dan untuk memungkinkan kategorisasi konflik untuk tujuan analisis sistematis dan pembuatan keputusan terkait sistem peringatan dini dan kebijakan publik.
Eddie Lee, yang juga berada di Complexity Science Hub, lebih jauh menjelaskan bahwa label-label yang digunakan klasifikasi konflik saat ini diciptakan melalui penilaian ahli dan didasarkan pada opini pribadi. Menurut Lee, “Klasifikasi konflik saat ini sebagian besar bersifat heuristik; ini berarti klasifikasi tersebut semata-mata didasarkan pada heuristik (aturan praktis) dan penilaian ahli, yang mungkin berbeda dari satu ahli ke ahli lainnya dan oleh karena itu mungkin tidak dapat dengan mudah direplikasi.”
Biarkan Data Berkata
Untuk keluar dari ketergantungan pada penilaian ahli, para penulis artikel ini memutuskan untuk mengandalkan data. Mereka menganalisis lebih dari 20 tahun data yang terperinci tentang konflik dan data kejadian dari Armed Conflict Location and Event Data Project (ACLED), bersamaan dengan data terkait iklim, geografi, infrastruktur, ekonomi, dan populasi benua tersebut. Alih-alih memerintahkan komputer untuk mencari tipe konflik tertentu, mereka membiarkan program pembelajaran mesin untuk mendeteksi pola-pola.
Lee mencatat bahwa “label-label baru yang dia buat sebagian bertumpang tindih dengan yang dibuat oleh para ahli, tetapi definisinya berbeda.” Pengetahuan ahli memberikan wawasan ke area-area tertentu, tetapi karena volume konflik, puluhan ribu konflik yang terjadi di berbagai lokasi setiap tahun, tidak ada ahli yang dapat memperhitungkan jumlah dan cakupan konflik. Oleh karena itu, menganalisis konflik-konflik ini dengan pendekatan yang dapat diotomatisasi dan didorong secara kuantitatif akan memungkinkan perpindahan global dari kemampuan ahli.
Daripada mengandalkan metode konvensional untuk menganalisis kekerasan, para peneliti fokus pada menentukan kapan dan seberapa sering klaster-klaster kejadian kekerasan terjadi dengan cara yang sama.
Berdasarkan analisis dari berbagai kejadian kekerasan sejak tahun 1997, para peneliti mengidentifikasi tiga arketipe. Setiap kali mereka menguji periode waktu yang berbeda atau menggunakan metode analisis spasial yang berbeda, pola-pola tersebut tetap benar. “Metode analisis algoritma kami mendapatkan tipe-tipe konflik dari data itu sendiri. Ini adalah hasil yang sangat langsung,” kata Lee.
Kerusuhan besar adalah tipe pertama, yang meliputi konflik kekerasan jangka panjang, termasuk pemberontakan Boko Haram dan perang sipil yang sedang berlangsung di Republik Afrika Tengah (CAFR). Kekisruhan cenderung terjadi di daerah perkotaan yang besar, padat, yang memiliki sarana komunikasi dan transportasi yang cukup. Insiden-insiden itu sering menyebar ke berbagai perbatasan nasional dan terus berlanjut untuk periode yang lama.
Konflik lokal adalah yang kedua dari tiga jenis konflik dan menangkap kekerasan yang terjadi dalam batas geografis satu negara. Contoh dari jenis konflik ini termasuk konflik Seleka dan anti-Balaka di Republik Afrika Tengah. Dalam kebanyakan kasus, konflik lokal berlangsung selama bulan bukan selama tahun, dan konflik ini terbatas pada daerah geografis tertentu negara itu.
Tipe konflik terakhir dianggap sebagai jenis sporadis atau tumpahan. Jenis konflik semacam ini terjadi dalam jangka waktu yang singkat, relatif, di daerah yang terpencil, kurang terhubung, atau bahkan mungkin bahkan tidak ada, dan seringkali merupakan hasil tumpahan kekerasan yang terkait dengan konflik di dekatnya. Contoh dari tumpahan dari konflik di Afrika adalah pemberontakan Al-Shabaab yang menyebar ke bagian-bagian lain dari Somalia.
Seperti yang dijelaskan Kushwaha, “Keberadaan tiga jenis konflik terpisah adalah hasil langsung dari data.”
Ketika Klasifikasi Gagal Memprediksi
Tim kemudian menguji asumsi bahwa mengklasifikasikan konflik menjadi tiga tipe akan memberikan kemampuan yang lebih tinggi untuk secara akurat memprediksi keparahan, atau intensitas, konflik. Keyakinan umum di kalangan analis adalah bahwa memiliki pengetahuan tentang tipe konflik akan membantu memprediksi intensitas, durasi, atau jumlah kematian potensial.
Namun, data menunjukkan bahwa sebaliknya.
“Kami, sebagai ilmuwan, sedang mencoba menurivkan prediksi terbaik konflik dari mengetahui tipe konflik. Namun, kami menemukan bahwa mengetahui tipe konflik sebenarnya membuat lebih sulit untuk secara akurat memprediksi tingkat keparahan,” kata Kushwaha saat berbicara dengan The Brighter Side of News. “Bahkan, ketika menambahkan informasi tipe konflik ke model prediksi tradisional, banyak model tradisional kehilangan kemampuan prediksi yang signifikan.”
Melalui analisis, tampaknya ada sedikit korelasi antara jumlah kematian dan durasi dan tiga jenis konflik. Terkadang, menambahkan informasi jenis konflik menyebabkan model menghasilkan prediksi yang buruk. Hal ini memang terlihat bertentangan dengan intuisi banyak orang.
Konflik diberi label secara berbeda berdasarkan bagaimana mereka terjadi atau menyebar. Sementara, misalnya, klasifikasi sistematis “urban versus rural” membantu kita memahami bagaimana konflik perkotaan menyebar di berbagai munisipalitas, seperti yang disebutkan dalam kutipan sebelumnya, “Anda mungkin berpikir klasifikasi yang lebih baik akan membantu memprediksi.” Namun, “data memberitahu kita bahwa mereka adalah masalah yang secara fundamental berbeda.” Pernyataan ini juga menyarankan beberapa hal.
Data dan analisis ini mewakili awal yang baru untuk bagaimana kita melihat dampak potensial kehilangan nyawa pada populasi. Ada nilai besar dalam lebih memahami perbedaan dinamika konflik di daerah pedesaan dan perkotaan dan memberikan data untuk membantu dalam menargetkan bantuan kemanusiaan berdasarkan pemahaman itu.
Membuat Ulang Kebijakan dan Alat Penelitian
Komponen kunci dari studi baru ini adalah kemampuan bagi pembuat kebijakan dan lembaga kemanusiaan untuk mengembangkan strategi yang ditargetkan untuk mencegah, mengurangi, atau merespon konflik berdasarkan maksud konflik.
“Kontribusi kami adalah untuk menunjukkan bagaimana mengintegrasikan data tentang banyak jenis data yang sangat rinci yang mungkin penting untuk memahami bagaimana konflik dimulai, menyebar, dan berkembang,” jelas Woi Sok Oh dari University of Waterloo.
Studi ini membandingkan konflik-konflik yang terjadi di daerah perkotaan besar, padat, dengan yang di sepanjang perbatasan yang jarang penduduknya, menunjukkan strategi yang berbeda diperlukan untuk setiap area geografis. Studi juga menunjukkan bahwa tidak ada kategori konflik yang mapan akan memberikan sinyal yang andal tentang sebanyak apa kekerasan yang mungkin terjadi di masa depan.
Bagi para peneliti, studi ini menantang praktik saat ini untuk bergantung pada label-label mapan, sambil memberikan kesempatan untuk meningkatkan kemampuan memprediksi konflik-konflik di masa depan dengan menggunakan data yang lebih baik. Pada saat yang sama, akan sangat penting untuk mempertimbangkan keterbatasan dataset yang ada untuk membangun dasar yang kokoh untuk penelitian masa depan, kata Lee. Lebih lanjut, ia percaya bahwa “ada banyak dataset, sebagian besar telah dikembangkan selama berabad-abad,” yang memberikan indikator yang berharga tentang konflik-konflik masa depan yang potensial.
Titik Awal Baru
Studi ini memberikan dasar untuk mempelajari batasan dataset yang ada yang tersedia secara global, serta untuk mengembangkan metode yang lebih akurat untuk menilai dan menjelajahi kekuatan yang mendorong konflik lebih lanjut.
Sebagai konsekuensi dari studi ini, ada beberapa implikasi praktis bagi individu dan organisasi. Misalnya, meningkatkan koordinasi label konflik untuk memungkinkan analisis perbandingan dapat membantu dalam merencanakan pendekatan yang lebih individual untuk mencegah dan merespon konflik.
Dengan informasi ini, organisasi bantuan kemanusiaan dan pemerintah tidak boleh membuat keputusan mereka tentang keparahan konflik hanya berdasarkan label. Mereka harus bersiap untuk merespons kejadian dengan lebih fleksibilitas dan kurangnya ketergantungan pada sistem-sistem sinyal peringatan dini yang sudah mapan.
Demikian pula, para peneliti harus terus menjelajahi metode baru untuk mengukur konflik di luar indikator tradisional dan dataset untuk meningkatkan sumber informasi mereka tentang dinamika konflik dan membangun sistem peringatan dini yang lebih kuat, mengurangi korban, dan membatasi kerugian.
