Polisi di Amerika Serikat mulai menguji kamera body-cam dengan AI pendeteksi ancaman

En bref

• Sejumlah polisi di Amerika Serikat mulai menguji kamera body-cam yang diperkaya AI untuk membantu pendeteksi ancaman secara lebih cepat dan konsisten.
• Tekanan utamanya sederhana: rekaman menumpuk dalam jumlah raksasa, sementara peninjauan manual tak pernah mengejar laju produksi video.
• Uji coba di berbagai daerah menekankan fungsi seperti transkripsi otomatis, penerjemahan, penandaan momen berisiko, hingga dukungan penyusunan laporan.
• Studi lapangan menunjukkan audit berbasis AI dapat menurunkan perilaku tidak profesional dan menaikkan perilaku profesional, tetapi manfaat itu bergantung pada tata kelola.
• Kelompok kebebasan sipil memperingatkan risiko pengawasan berlebihan, bias, dan kurangnya transparansi, sehingga aturan pemakaian menjadi kunci.
• Diskusi akademik–praktisi (misalnya pertemuan di Stanford) mengarah pada kerangka kebijakan agar teknologi keamanan ini memperkuat keamanan publik tanpa mengorbankan hak warga.

Ketika rekaman kamera body-cam sebuah pemeriksaan lalu lintas terhadap figur publik seperti Tyreek Hill beredar luas, jutaan orang mendadak “menjadi reviewer”—mengurai nada bicara, jarak, gerak tangan, sampai keputusan yang diambil dalam hitungan detik. Di balik momen viral itu, ada kenyataan yang jarang dibicarakan: sebagian besar video bodycam tidak pernah ditonton kembali, bukan karena tak penting, melainkan karena jumlahnya terlalu besar. Di banyak kota, setiap pemberhentian kendaraan, panggilan domestik, pemeriksaan kesejahteraan, hingga respons pada situasi penembak aktif menambah jam rekaman baru yang kemudian mengendap di penyimpanan.

Mulai 2026, sejumlah kepolisian di Amerika Serikat mencoba menjawab kesenjangan ini dengan kecerdasan buatan yang tidak hanya mentranskripsi, tetapi juga memberi sinyal dini: momen yang patut diaudit, interaksi yang berpotensi memanas, atau indikasi kejahatan yang relevan dengan keselamatan petugas dan warga. Istilah “pendeteksi ancaman” memang terdengar seperti adegan film, namun implementasinya lebih mirip sistem penanda: AI menyorot potongan penting agar manusia dapat menilai konteks. Pertanyaannya segera berubah: bagaimana memastikan alat ini meningkatkan keamanan publik tanpa berubah menjadi mesin pengawasan yang tak terkendali?

Gelombang uji coba kamera body-cam ber-AI pendeteksi ancaman di Amerika Serikat

Dalam satu dekade terakhir, kamera body-cam berubah dari proyek percontohan menjadi perlengkapan standar di banyak lembaga penegak hukum. Laju adopsinya melonjak dari sekitar sepertiga departemen pada 2013 menjadi lebih dari separuh pada 2020, dan seluruh departemen yang melayani populasi di atas satu juta jiwa kini memakainya. Investasi publik yang “terbesar dalam satu generasi” ini menghasilkan arsip video masif yang merekam praktik polisi dan interaksi dengan warga—terutama di wilayah tempat komunitas kulit hitam dan cokelat mengalami pertemuan yang lebih sering.

Namun, volume itulah yang menjadi paradoks. Kepala satuan dapat memerintahkan audit acak, tetapi tim pengawas internal biasanya terbatas. Akibatnya, rekaman yang paling banyak ditinjau justru yang sudah bermasalah: insiden penggunaan kekuatan, keluhan warga, atau peristiwa yang viral. Di sinilah AI masuk sebagai “pengganda tenaga” administratif: bukan untuk menggantikan penyidik atau atasan, melainkan mengubah tumpukan video menjadi daftar prioritas yang masuk akal.

Uji coba yang muncul di berbagai yurisdiksi memperlihatkan pola yang mirip. Pertama, AI dipakai untuk transkripsi percakapan dan pembuatan indeks, sehingga pencarian frasa (misalnya “senjata”, “tarik tanganmu”, “saya tidak bisa bernapas”) bisa dilakukan dalam menit, bukan hari. Kedua, beberapa sistem menjanjikan fitur kontekstual: mendeteksi peningkatan volume suara, tumpang tindih bicara, atau tanda eskalasi. Ketiga, ada fungsi layanan lapangan seperti penerjemahan bahasa asing atau kemampuan menjawab pertanyaan prosedur (“apakah kebijakan pengejaran kendaraan mengizinkan ini?”) secara cepat.

Di satu kota pinggiran yang dapat dianalogikan dengan Old Westbury, misalnya, sebuah unit patroli menguji bodycam yang dapat menerjemahkan kalimat sederhana saat berinteraksi dengan wisatawan. Petugas bernama Raka (tokoh fiktif) bercerita bahwa penerjemahan bukan sekadar kenyamanan; dalam situasi tegang, miskomunikasi adalah bahan bakar. Ketika AI memberi terjemahan awal, petugas tetap diwajibkan mengonfirmasi, tetapi ketegangan awal turun—dan itu sering menentukan apakah sebuah pemeriksaan biasa berubah menjadi konflik.

Fitur pendeteksi ancaman paling sering disalahpahami. Dalam praktiknya, banyak sistem tidak “melihat ancaman” seperti manusia. Mereka menandai kemungkinan risiko berbasis pola—misalnya perubahan drastis nada, perintah berulang, atau adanya kata kunci tentang senjata—lalu mengirim sinyal untuk peninjauan. Dengan demikian, konsep ancaman bergeser dari “AI memutuskan” menjadi “AI menyorot”. Insight akhirnya tetap harus datang dari manusia, karena konteks sosial tidak bisa diperas menjadi sekadar skor.

Yang menarik, dorongan penggunaan teknologi keamanan ini juga dipengaruhi dinamika politik lokal. Wali kota ingin transparansi, serikat pekerja ingin perlindungan dari tuduhan yang tak berdasar, dan masyarakat menuntut akuntabilitas yang nyata. Kamera plus AI, bagi sebagian pihak, tampak seperti jalan tengah: lebih banyak data, audit lebih rutin, dan pelatihan lebih terarah. Namun, semakin “pintar” sistem, semakin tinggi pula tuntutan tata kelola. Bagian berikutnya mengupas mengapa audit otomatis menjadi magnet, sekaligus sumber kekhawatiran baru.

AI untuk meninjau jutaan jam rekaman: dari arsip pasif menjadi alat akuntabilitas polisi

Masalah terbesar bodycam bukan pada perekaman, melainkan pada peninjauan. Rekaman dapat setara dengan jutaan jam per tahun di tingkat nasional—jumlah yang membuat audit manual seperti menimba lautan dengan sendok. Karena itu, banyak departemen mulai melihat kecerdasan buatan sebagai cara mengubah arsip pasif menjadi sistem pembelajaran organisasi: apa yang sering memicu eskalasi? Apakah ada pola penghentian kendaraan yang berakhir pada ketegangan? Apakah ada perbedaan perlakuan dalam cara petugas berbicara?

Di ruang akademik, salah satu titik temu penting adalah pertemuan lintas pihak seperti “Summit on AI, Body-worn Cameras, and the Future of Policing” yang digagas Stanford Center for Racial Justice bersama Stanford SPARQ. Formatnya bukan seminar teknis semata, melainkan pertemuan peneliti, pembuat kebijakan, pemimpin penegakan hukum, dan pakar privasi. Pesannya jelas: data bodycam adalah tambang informasi sosial, tetapi menggalinya tanpa aturan dapat melukai warga yang seharusnya dilindungi.

Contoh yang sering diangkat adalah bagaimana publik menilai insiden viral. Ketika rekaman seorang atlet terkenal dipublikasikan, orang membedah setiap detik dan menimbang “apa yang benar” versus “apa yang keliru”. Jika publik bisa melakukan itu untuk satu insiden, mengapa departemen tidak melakukan pemeriksaan rutin untuk ribuan interaksi yang tidak pernah masuk berita? Jawabannya adalah sumber daya—dan di sinilah AI menawarkan jalur baru: pemeriksaan skala penuh dengan biaya marjinal lebih rendah, setidaknya secara teori.

Di sisi praktik, perangkat lunak audit berbasis AI biasanya bekerja lewat beberapa langkah. Video dipecah menjadi segmen; audio ditranskripsi; entitas sensitif (nama, alamat, wajah) berpotensi disamarkan; lalu mesin menganalisis pola bahasa dan indikator perilaku. Beberapa vendor menekankan pendekatan “video ke teks dulu” untuk mengurangi bias visual dan memudahkan redaksi data pribadi. Ini penting karena visual raw dapat memicu bias ganda: bias algoritmik dan bias manusia saat menonton ulang.

Yang juga menonjol adalah integrasi dengan kerja administrasi. Di sejumlah kantor kejaksaan dan pembela umum, transkripsi AI dipakai untuk mempercepat pencarian bagian relevan dari video. Bagi pembela, ini membantu menemukan ketidaksesuaian kronologi; bagi penuntut, ini memudahkan menyusun narasi kejadian. Konsekuensinya, ekosistem peradilan ikut terdorong untuk memperlakukan video sebagai dokumen yang dapat ditambang—dan ini mengubah keseimbangan kerja: siapa yang punya akses, siapa yang bisa mencari, dan siapa yang mengerti cara menafsirkan hasil mesin.

Di lapangan, efeknya bisa terasa sederhana. Raka (tokoh fiktif yang sama) menerima umpan balik bulanan berupa cuplikan “momen baik” dan “momen perlu perbaikan”. Cuplikan itu tidak dipilih secara acak oleh atasan yang kebetulan punya waktu, melainkan dari daftar yang disorot AI berdasarkan indikator tertentu: interupsi berulang, perintah yang makin keras, atau jeda komunikasi yang panjang ketika warga terlihat bingung. Umpan balik menjadi lebih konsisten, dan pelatihan lebih berbasis bukti ketimbang intuisi.

Tetapi perubahan ini juga membawa risiko “audit tanpa akhir”. Jika setiap interaksi dinilai, apakah petugas merasa diawasi terus-menerus? Apakah warga juga merasakan hal serupa? Kata pengawasan di sini menjadi sensitif, karena teknologi yang sama dapat dipakai untuk pembelajaran atau untuk perburuan kesalahan. Insight kuncinya: AI membuat peninjauan menjadi mungkin pada skala besar, tetapi skala besar itu harus dibatasi oleh tujuan yang jelas dan aturan yang dapat diaudit.

Perdebatan berikutnya biasanya mengerucut pada satu klaim: apakah audit AI benar-benar memperbaiki perilaku dan menurunkan risiko? Bagian selanjutnya membahas bukti empiris dan bagaimana menafsirkan angka-angka itu secara jujur.

Bukti awal: audit AI dapat menekan perilaku tidak profesional dan meningkatkan keamanan publik

Argumen paling kuat untuk adopsi AI pada kamera body-cam bukanlah kecanggihan teknologinya, melainkan dampak perilakunya. Salah satu studi lapangan yang sering dirujuk dilakukan oleh tim dari University of South Carolina yang menguji perangkat audit AI selama enam bulan di dua konteks berbeda: sebuah departemen yang sedang menghadapi tekanan reformasi dan sebuah kantor sheriff yang relatif stabil. Dalam uji coba itu, ratusan personel terlibat, sehingga hasilnya memberi gambaran yang lebih “dunia nyata” daripada eksperimen kecil di laboratorium.

Temuannya mencolok. Pada satu lokasi, perilaku tidak profesional turun mendekati 60%. Di lokasi lain, perilaku profesional meningkat lebih dari 80%. Angka seperti ini mudah disalahartikan sebagai “AI membuat polisi otomatis baik”. Padahal, mekanismenya lebih mirip efek cermin: ketika setiap interaksi berpotensi ditinjau secara konsisten, standar minimum naik. Petugas cenderung menjaga nada, lebih sering menjelaskan alasan tindakan, dan menghindari kalimat yang merendahkan—bukan karena mesin menegur saat itu juga, tetapi karena umpan balik rutin menciptakan budaya baru.

Dalam konteks keamanan publik, perubahan kecil ini punya efek domino. Banyak eskalasi bermula dari hal remeh: warga merasa tidak dihormati, petugas merasa ditantang, lalu adu nada berubah menjadi adu fisik. Jika audit AI mendorong gaya komunikasi yang lebih tertib, peluang eskalasi bisa menurun. Ini tidak meniadakan faktor lain seperti stres kerja, kelelahan, atau kebijakan penggunaan kekuatan, tetapi memberi satu tuas tambahan yang konkret.

Di sisi lain, studi tersebut juga menunjukkan bahwa dampak terbaik muncul ketika AI dipakai sebagai alat pembinaan, bukan semata-mata hukuman. Jika sistem hanya digunakan untuk mencari kesalahan, petugas akan beradaptasi secara defensif: bicara lebih sedikit, menghindari interaksi yang sebenarnya diperlukan, atau memindahkan risiko ke area lain. Sebaliknya, bila sistem juga mengapresiasi perilaku baik—misalnya cara menenangkan warga yang panik—maka organisasi mengirim sinyal bahwa yang dinilai bukan hanya “tidak melanggar”, tetapi juga “melayani dengan baik”.

Untuk membantu pembaca membayangkan perbedaan pendekatan, berikut ringkasan cara fitur AI biasanya dipetakan pada tujuan operasional. Ini bukan standar nasional, melainkan pola yang sering muncul dalam uji coba di Amerika Serikat.

Penggunaan pendeteksi ancaman sering berada di area “penanda eskalasi”. Banyak lembaga memilih menahan diri agar AI tidak memberi instruksi taktis saat kejadian berlangsung. Alasannya sederhana: jika mesin keliru menandai ancaman, respons berlebihan dapat membahayakan warga. Karena itu, tren yang relatif lebih diterima adalah menjadikan AI sebagai penilai pasca-kejadian untuk pembelajaran dan akuntabilitas, bukan komandan di lapangan.

Dalam cerita Raka, perubahan terasa pada rapat evaluasi. Supervisor tidak lagi mengandalkan satu-dua video acak, tetapi memeriksa pola: apakah Raka lebih sering memotong pembicaraan pengendara muda? Apakah ia cenderung menaikkan suara ketika ada kerumunan? Pertanyaan seperti ini sulit dijawab tanpa data skala besar. Insight akhirnya: angka-angka studi terlihat spektakuler, namun dampak nyata datang dari rutinitas organisasi—AI hanya memudahkan rutinitas itu terjadi dengan konsisten.

Jika manfaatnya menjanjikan, mengapa resistensi tetap kuat? Bagian berikutnya membahas sumber kecemasan: bias, privasi, dan apa yang dimaksud “adil” ketika teknologi membaca interaksi manusia.

Privasi, bias, dan tata kelola: ketika teknologi keamanan berubah menjadi pengawasan

Kecemasan terbesar terhadap teknologi keamanan berbasis kecerdasan buatan bukanlah soal apakah mesin bisa mentranskripsi, melainkan siapa yang mengendalikan hasilnya. Organisasi kebebasan sipil seperti ACLU berulang kali menekankan kebutuhan akan aturan yang sangat spesifik: kita harus tahu persis bagaimana AI digunakan, apa yang diizinkan, dan apa yang dilarang. Tanpa batasan, sistem audit dapat merembet menjadi mekanisme pengawasan yang melampaui tujuan awal bodycam sebagai alat transparansi.

Privasi warga berada di garis depan. Bodycam sering merekam di momen paling rentan: di ruang tamu saat sengketa keluarga, di ambulans saat krisis kesehatan, atau di pinggir jalan ketika seseorang panik. Jika AI mengekstrak data dari situ—nama, alamat, kebiasaan, jaringan sosial—maka rekaman berubah dari dokumentasi insiden menjadi profil. Inilah sebabnya redaksi otomatis dan kebijakan retensi menjadi isu besar. Pertanyaan praktisnya: berapa lama data disimpan? Siapa yang dapat mengakses transkrip? Apakah hasil analitik boleh dibagikan lintas lembaga?

Bias juga menjadi ancaman ganda. Pertama, bias data: jika rekaman yang dipakai melatih model lebih banyak berasal dari lingkungan tertentu, model akan lebih “paham” pola bahasa atau kebiasaan di lingkungan itu dan kurang akurat di tempat lain. Kedua, bias penggunaan: walau model netral secara teknis, departemen bisa memakai hasilnya secara selektif—misalnya lebih sering mengaudit unit yang bekerja di lingkungan minoritas sehingga statistik “risiko” tampak lebih tinggi, padahal yang berbeda adalah intensitas pengawasan.

Ada pula bias interpretasi. Transkripsi dapat salah menangkap aksen, slang, atau bahasa campuran. Penerjemahan otomatis bisa mengubah nuansa menjadi perintah yang terdengar kasar. Jika hasil ini masuk berkas disipliner atau persidangan tanpa verifikasi, kesalahan kecil dapat membesar. Karena itu, banyak kerangka kebijakan menuntut prinsip: AI menghasilkan indikasi, bukan keputusan. Keputusan tetap harus ditopang peninjauan manusia yang memahami konteks sosial.

Prinsip kebijakan yang mulai dianggap “minimum” dalam uji coba AI bodycam

Di berbagai diskusi kebijakan, termasuk forum lintas pihak yang melibatkan pimpinan kepolisian dan pejabat hukum negara bagian, muncul konvergensi pada beberapa prinsip dasar. Daftar berikut merangkum praktik yang makin sering dipakai untuk menjaga legitimasi—terutama ketika sistem menyentuh klaim pendeteksi ancaman.

1. Transparansi tujuan: departemen menjelaskan apakah AI dipakai untuk pelatihan, audit kepatuhan, pencarian bukti, atau semuanya, dan menutup celah “fungsi tambahan” tanpa persetujuan publik.
2. Log akses dan audit independen: siapa pun yang membuka video/transkrip terekam, dan sampel akses diaudit oleh pihak yang tidak berada dalam rantai komando harian.
3. Batasan real-time: jika ada fitur peringatan cepat, penggunaannya dibatasi agar tidak mendorong eskalasi taktis; banyak lembaga memilih mode pasca-kejadian.
4. Retensi dan penghapusan: aturan jelas soal kapan data harus dihapus, terutama untuk rekaman yang tidak terkait perkara kejahatan atau keluhan resmi.
5. Perlindungan kelompok rentan: prosedur khusus untuk rekaman yang melibatkan anak, korban kekerasan domestik, atau kondisi kesehatan mental.

Perusahaan penyedia perangkat audit juga mulai menonjolkan desain “privacy-by-design”: mengubah video menjadi teks sebelum dianalisis, menyamarkan data identitas, dan menghindari penjualan perangkat keras agar konflik kepentingan lebih kecil. Klaim seperti ini tidak otomatis benar, tetapi menunjukkan pasar mulai merespons tekanan publik. Yang menentukan tetaplah kontrak dan aturan lokal: apakah ada larangan menjual data turunan? Apakah model boleh diperbarui dengan data kota tanpa persetujuan? Apakah warga bisa meminta salinan atau penghapusan dalam kondisi tertentu?

Dalam skenario Raka, kekhawatiran muncul ketika serikat petugas menanyakan: apakah AI akan dipakai untuk “menghitung kesalahan” tanpa memberi kesempatan menjelaskan konteks? Pada saat yang sama, kelompok warga bertanya: apakah rekaman kami akan dipakai untuk melatih model komersial? Pertanyaan-pertanyaan ini menunjukkan satu hal: legitimasi AI bodycam bukan ditentukan oleh demo teknis, melainkan oleh kontrak sosial yang disepakati. Insight akhirnya: tanpa tata kelola yang tegas, alat akuntabilitas dapat berubah menjadi mesin ketidakpercayaan.

Sesudah privasi dan bias, tantangan berikutnya adalah integrasi operasional: bagaimana menggabungkan AI dengan pelatihan, prosedur, dan kebutuhan lapangan agar benar-benar menurunkan risiko insiden. Bagian berikutnya menguraikan peta implementasi yang realistis.

Implementasi di lapangan: pelatihan, SOP, dan kolaborasi untuk menekan kejahatan tanpa salah sasaran

Memasang kamera body-cam yang didukung AI tidak otomatis membuat jalanan lebih aman. Nilai utamanya muncul ketika teknologi menyatu dengan kebiasaan organisasi: pelatihan komunikasi, SOP penghentian kendaraan, cara menangani krisis kesehatan mental, hingga standar pembuatan laporan. Departemen yang berhasil biasanya tidak memulai dari fitur tercanggih, melainkan dari masalah paling sering: bagaimana mencegah interaksi rutin berubah menjadi insiden, dan bagaimana menyelidiki dugaan pelanggaran dengan cepat serta adil.

Langkah pertama adalah memilih definisi kerja untuk “ancaman”. Untuk satuan patroli, ancaman bisa berarti potensi kekerasan fisik; untuk unit lalu lintas, ancaman bisa berupa eskalasi verbal; untuk pimpinan kota, ancaman bisa berupa penurunan kepercayaan publik. Jika definisinya kabur, pendeteksi ancaman akan menghasilkan alarm yang tidak berguna. Karena itu, beberapa departemen membentuk panel kecil berisi pelatih, perwakilan serikat, jaksa, pembela umum, dan wakil komunitas untuk menyepakati indikator apa yang boleh dipakai AI dan bagaimana menindaklanjutinya.

Langkah kedua adalah mengatur alur kerja yang manusiawi. Contohnya, AI menandai 200 klip per minggu; siapa yang menonton? Jika semua masuk ke internal affairs, budaya takut akan tumbuh. Jika hanya untuk pelatihan, risiko pelanggaran serius terlewat. Banyak lembaga memilih model berlapis: klip berisiko rendah masuk coaching; klip berisiko sedang ditinjau supervisor; klip berisiko tinggi (misalnya terkait penggunaan kekuatan) mengikuti prosedur investigasi formal. Dengan cara ini, AI menjadi pengarah lalu lintas, bukan hakim.

Contoh alur implementasi yang sering dipakai dalam uji coba

Untuk menggambarkan integrasi yang lebih realistis, berikut contoh alur yang bisa diterapkan tanpa membuat organisasi “tenggelam” dalam data. Ini juga membantu menjaga tujuan keamanan publik tetap dominan dibanding dorongan pengawasan.

• Mingguan: AI menghasilkan daftar klip bertema komunikasi (misalnya penjelasan alasan penahanan, penggunaan sapaan, atau de-eskalasi). Pelatih memilih 10–15 klip untuk sesi pembinaan.
• Bulanan: supervisor menerima ringkasan metrik perilaku (misalnya frekuensi interupsi, tingkat kepatuhan SOP verbal). Metrik dipakai sebagai pemicu diskusi, bukan skor hukuman.
• Triwulan: audit independen memeriksa apakah penandaan AI cenderung menarget unit tertentu secara tidak proporsional, serta menguji akurasi redaksi data pribadi.
• Setiap insiden kritis: tim investigasi meninjau video utuh, membandingkan dengan transkrip, dan mendokumentasikan bila ada perbedaan akibat kesalahan pengenalan suara.

Kolaborasi antarlembaga juga penting, terutama dalam penanganan kejahatan yang lintas wilayah. Transkrip yang dapat dicari memudahkan penyidik menemukan pola modus operandi atau keterkaitan kasus—tetapi di sinilah batasan legal harus tegas. Berbagi data untuk kasus serius berbeda dari berbagi data untuk analitik umum. Tanpa pagar, data interaksi warga yang tidak bersalah bisa ikut menyebar.

Di beberapa wilayah California, penggunaan AI untuk transkripsi video bahkan mengubah dinamika di ruang sidang. Pihak pembela bisa lebih cepat menemukan momen ketika petugas tidak membacakan hak atau ketika perintah terdengar ambigu. Pihak penuntut bisa lebih cepat menyusun kronologi yang rapi. Dampaknya bisa positif untuk keadilan prosedural, asalkan semua pihak punya akses setara dan mekanisme koreksi kesalahan transkrip tersedia.

Pada akhirnya, keberhasilan implementasi ditentukan oleh kualitas pelatihan yang mengikuti temuan data. Jika AI menunjukkan bahwa eskalasi sering terjadi pada menit-menit awal pemberhentian kendaraan, maka modul pelatihan perlu menarget momen itu: cara membuka percakapan, cara menjelaskan alasan berhenti, dan cara memberi pilihan kepada warga agar tidak merasa dipojokkan. Insight akhirnya: AI bisa membantu menemukan “titik rawan”, tetapi hanya manusia dan kebijakan yang bisa mengubah titik rawan itu menjadi titik belajar.

Untuk memperkaya sudut pandang, beberapa pembaca sering mencari contoh perdebatan publik dan demonstrasi fitur. Materi video berikut dapat membantu melihat bagaimana diskusi ini berkembang di media dan komunitas.

Sumber vendor audit independen yang sering disebut dalam studi lapangan: TRULEO