MIT Technology Review Gunakan AI untuk Memetakan Kematian di Dinding Virtual Perbatasan AS-Meksiko

Investigasi 15 Bulan: Mengapa Banyak Orang Mati di Dekat Menara Pengawasan?

Tim jurnalis MIT Technology Review dan Times of San Diego memulai investigasi kolaboratif “Dying on Camera” dengan pertanyaan sederhana: mengapa begitu banyak orang meninggal di dekat menara pengawasan pemerintah yang seharusnya membantu melacak dan menangkap mereka? Hasilnya adalah peta dan analisis komprehensif pertama tentang kematian di dekat menara surveilans perbatasan AS-Meksiko.

Tantangan Data: Tidak Ada Protokol Nasional

Perbatasan AS-Meksiko disebut perbatasan darat paling mematikan di dunia. Border Patrol memperkirakan lebih dari 10.000 orang meninggal saat menyebrang sejak 2000—angka yang dianggap undercount. Masalahnya: tidak ada protokol nasional untuk menangani catatan kematian. Beberapa remains tidak pernah ditemukan, dan catatan yang ada tersebar di berbagai lembaga dengan format yang tidak seragam.

Tim menggabungkan dataset dari organisasi seperti No More Deaths, Humane Borders, dan Electronic Frontier Foundation, serta catatan baru dari lebih dari selusin lembaga. Mereka menganalisis kasus sejak 2015 untuk mencakup berbagai kebijakan perbatasan, administrasi presiden, dan teknologi menara.

Texas: Lubang Hitam Data Kematian Migran

Texas menjadi tantangan terbesar. Berbeda dengan Arizona yang berbagi catatan online, atau New Mexico yang terpusat, Texas menyerahkan investigasi kematian ke masing-masing county. Tim mengidentifikasi 17 county relevan, tetapi permintaan catatan ke hakim perdamaian (justices of the peace) sering macet bertahun-tahun. Beberapa hakim bahkan menetapkan kematian via FaceTime tanpa pernah mengunjungi lokasi.

Solusinya: tim mengajukan permintaan ke 17 kantor kepolisian county (sheriff) mulai Juli 2023. Polisi sering pertama tiba di lokasi dan laporan mereka lebih detail. Namun ini berarti analisis undercount kematian—tidak termasuk kasus yang ditangani polisi lokal atau negara bagian.

Claude AI Memproses 4.000 Halaman Laporan Polisi

Dari 14 county yang memberikan catatan (Dimmit dan Duval belum, Maverick terlalu mahal), tim menerima lebih dari 4.000 halaman laporan polisi—beberapa ditulis tangan. Untuk tiga county volume tinggi (Kenedy, Webb, Hidalgo), mereka menggunakan Anthropic’s Claude via API untuk mengekstrak koordinat lokasi penemuan remains dari setiap laporan kasus.

Prosesnya: Claude memeriksa setiap laporan, menarik koordinat, lalu tim memverifikasi hasilnya secara manual. Pendekatan hybrid ini mempercepat pengolahan dokumen massal yang mustahil dikerjakan manual dalam waktu wajar.

Keterbatasan Data: Checkbox untuk Permata, Tidak untuk Migran

Ironisnya, laporan polisi di beberapa county memiliki checkbox detail untuk hal lain—Zapata County punya checkbox “permata dicuri dalam pencurian,” Cameron County punya “pencuri masuk melalui cerobong asap”—tapi tidak ada field standar untuk menandai apakah korban diperkirakan menyebrang perbatasan. Akibatnya, staf harus menarik catatan manual, memperlambat proses dan meningkatkan risiko error.

Apa yang Bisa (dan Tidak Bisa) Dikatakan Data

Peta yang dihasilkan menunjukkan korelasi spasial antara lokasi menara surveilans dan temuan remains, tetapi tim menekankan: korelasi bukan sebab-akibat. Data tidak bisa membuktikan menara menyebabkan kematian, atau sebaliknya. Faktor lain—kebijakan “prevention through deterrence” yang mendorong penyebrangan ke area terpencil, cuaca ekstrem, kurangnya air—semua bermain peran.

Investigasi ini juga mengungkap bagaimana teknologi surveilans (menara IFT, RVSS, sistem terbaru Autonomous Surveillance Towers) di-deploy bertahap sejak 2015, tapi data kematian tidak menunjukkan penurunan signifikan di area cakupannya.

Pelajaran untuk Jurnalisme Data dan AI

Kasus ini menunjukkan potensi AI dalam jurnalisme investigatif: memproses ribuan halaman dokumen tidak terstruktur (laporan tangan, PDF bermasalah) dengan kecepatan yang memungkinkan analisis skala besar. Tapi juga menegaskan perlunya verifikasi manusia—Claude mengekstrak, jurnalis memvalidasi.

Bagi praktisi AI di Indonesia, ini contoh nyata human-in-the-loop pipeline: LLM untuk ekstraksi entitas dan koordinat dari teks berantakan, diikuti validasi domain expert. Pola ini bisa diterapkan ke proyek lain yang melibatkan arsip dokumen publik yang rapihnya bervariasi.

Referensi

Artikel asli: “How we made the first comprehensive map of deaths along the US border’s ‘virtual wall'” — MIT Technology Review, bagian dari seri Dying on Camera.