Bunyi surat di atas :
Dear Sir! Have 50.000$ redy 25 000$ in 20$ bills 15000$ in 10$ bills and 10000$ in 5$ bills After 2–4 days we will inform you were to deliver the mony. We warn you for making anyding public or for notify the Police the child is in gut care. Indication for all letters are Singnature and 3 hohls.
Pada tanggal 1 Maret 1932, seorang penyusup memasuki rumah seorang pilot bernama Charles Lindbergh di New Jersey. Penyusup menggunakan tangga untuk memasuki kamar tidur Charles Jr kecil dan menculik bayi yang sedang tidur. Kurang lebih dua bulan kemudian, tubuh bayi ditemukan di dekatnya.
Penyusup telah meninggalkan catatan tebusan di ambang jendela di kamar tidur bayi.
Keluarga Lindbergh membayar uang tebusan yang mereka serahkan segera di daerah yang disepakati di New York City. Jejak akhirnya mengarah ke Richard Hauptmann, seorang imigran Jerman dengan catatan kriminal, yang segera ditangkap.
Selama persidangan Hauptmann, 8 ahli tulisan tangan bersaksi tentang kesamaan antara catatan tebusan dan spesimen tulisan Hauptmann lainnya. Hauptmann dihukum karena pembunuhan besar-besaran dan disetrum pada tahun 1936, empat tahun setelah penculikan.
Kasus Hauptmann adalah salah satu dari beberapa kasus kriminal terkenal di mana analisis tulisan tangan forensik berfungsi sebagai bukti kunci.
Analisis tulisan tangan forensik terutama mengandalkan penilaian ahli, yaitu perbandingan berdampingan dari sampel tulisan tangan yang berbeda, mirip dengan perbandingan sidik jari yang telah kita bahas di sini sebelumnya. Seberapa andal penilaian ahli ini? Jika 8 ahli tulisan tangan setuju, dapatkah kita cukup yakin akan kesalahan Hauptmann?
Dalam sebuah artikel baru-baru ini di Psychonomic Bulletin & Review, peneliti Kristy Martire, Bethany Growns, dan Danielle Navarro meneliti satu aspek keahlian tulisan tangan forensik, yaitu kemampuan untuk menetapkan probabilitas pada ciri khas tulisan tangan seseorang. Ini adalah pertanyaan penting untuk diperiksa karena ilmuwan forensik semakin dituntut untuk menetapkan probabilitas pada penilaian ahli mereka, daripada hanya menyatakan "kecocokan" atau "ketidakcocokan".
Martire dan rekan dapat memperoleh akses ke database fitur tulisan tangan terbaru yang berusaha memperkirakan frekuensi fitur tulisan tangan istimewa dalam sampel perwakilan orang Amerika. Para peneliti diberikan akses ke database sebelum dipublikasikan, memungkinkan mereka untuk menilai kinerja ahli sebelum informasi tersedia untuk komunitas ahli. Selain menyelidiki kinerja ahli tulisan tangan forensik, Martire dan rekan-rekannya juga memeriksa kinerja pemula Amerika dan non-Amerika. Dimasukkannya kelompok pembanding non-AS memungkinkan para peneliti untuk memperkirakan pentingnya paparan terhadap probabilitas lingkungan yang spesifik secara budaya.
Martire dan rekannya merekrut 18 spesialis tulisan tangan yang berlatih di pengadilan, baik dari AS maupun di tempat lain, yang menulis rata-rata sekitar 30 laporan per tahun. Selanjutnya 77 peserta non-ahli juga direkrut. Peserta disajikan dengan 60 eksemplar fitur (30 kursif dan 30 dicetak) yang dipilih untuk mewakili 5 tingkat probabilitas kejadian aktual dalam korpus; 1%, 25%, 50%, 75%, dan 99%. Peserta diminta untuk memperkirakan kemungkinan kemunculan fitur (tanpa akses ke nilai sebenarnya, tentu saja).
Contoh uji coba disajikan pada gambar di bawah ini:
Apa perkiraan Anda tentang frekuensi fitur ini? Dari 100 orang Amerika, berapa banyak yang akan menggunakan dua goresan untuk mencetak huruf kecil 'z'? Seberapa baik Anda pikir Anda akan melakukan tugas ini secara keseluruhan?
Gambar di bawah ini merangkum hasil utama dari studi oleh Martire dan rekan-rekannya. Setiap rangkaian batang di sebelah kanan menunjukkan kesalahan absolut rata-rata—yaitu, perbedaan antara persentase aktual dan taksiran—untuk kategori frekuensi kejadian aktual yang ditunjukkan di sebelah kiri. Jadi bagan batang atas menunjukkan hasil untuk fitur yang kemunculan sebenarnya adalah 1%, sedangkan bagan bawah adalah untuk fitur yang muncul di 99% dari semua sampel individu, dan seterusnya.
Angka tersebut menunjukkan bahwa para ahli lebih akurat daripada pemula secara keseluruhan, dengan keunggulan itu ditekankan untuk probabilitas aktual yang paling ekstrem (1% dan 99%). Selain keahlian, negara asal juga penting: peserta yang paling akurat adalah pakar Amerika (20% kesalahan), diikuti oleh pakar non-AS (22%), dan dua kelompok pemula. Anehnya, para pemula non-AS berkinerja lebih baik (24%) daripada pemula Amerika (28%).
Perbedaan kelompok tersebut hanya menceritakan sebagian dari cerita, seperti yang terlihat ketika kinerja dipertimbangkan pada tingkat individu. Hasil analisis ini ditunjukkan pada gambar berikutnya, yang memplot kalibrasi masing-masing peserta. Artinya, kurva abu-abu dalam setiap panel mewakili perkiraan kalibrasi masing-masing individu antara probabilitas subjektif (pada sumbu Y) dan frekuensi kejadian aktual (sumbu X). Kalibrasi sempurna sesuai dengan set diagonal titik-titik hitam. Jika garis abu-abu peserta jatuh tepat ke diagonal itu, maka orang itu akan merespons setiap tingkat frekuensi kejadian aktual dengan perkiraan subjektif yang identik.
Gambar tersebut menunjukkan heterogenitas yang mencolok di antara para pemula (panel kanan): kurva kalibrasi mereka mengambil berbagai bentuk dan kemiringan dan lengkungan yang membingungkan. Para ahli (panel sebelah kiri), sebaliknya, cukup konsisten dan kurang berbeda satu sama lain. Para ahli yang berbasis di A.S., khususnya, berkumpul bersama dan berada di dekat garis kalibrasi yang sempurna (berlian hitam).
Dalam analisis terakhir, Martire dan rekan-rekannya mencari bukti untuk efek “wisdom of crowds” (“kebijaksanaan orang banyak”)—yaitu, akankah para pemula secara keseluruhan berkinerja sebaik para ahli? Kumpulan hasil pertama pada gambar di atas tampaknya mengesampingkan kemungkinan itu—bagaimanapun, rata-rata para ahli melakukan lebih baik daripada pemula. Namun, ada cara yang lebih baik untuk mengumpulkan kinerja daripada dengan membentuk rata-rata sederhana.
Hasil analisis ini ditunjukkan pada gambar berikut:
Dua aspek dari pola ini sangat penting: Pertama, merata-ratakan semua peserta bersama-sama lebih buruk daripada mempertimbangkan para ahli bersama (panel tengah; ingat bahwa kita sedang merencanakan kesalahan, dan jumlah yang lebih besar berarti kinerja yang lebih buruk). Kedua, ketika data lintas individu malah dikumpulkan menggunakan model Bayesian hierarkis (panel paling kanan), maka penyertaan semua peserta—termasuk pemula—mengurangi kesalahan dibandingkan dengan penyertaan para ahli saja.
Alasan yang mendasari hasil ini sangat menarik tetapi terlalu teknis untuk dijelaskan dalam posting ini. Anda dapat melihat entri Wikipedia tentang paradoks Stein (Stein’s paradox) untuk thumbnail sketch mengapa cara tertentu menggabungkan respons individu lebih unggul daripada rata-rata. Singkatnya, ini terjadi karena kesalahan pengukuran dalam respons setiap peserta dikurangi dengan "meminjam" informasi dari semua peserta lain.
Jadi, menurut Anda berapa banyak orang yang menggunakan dua guratan untuk huruf kecil 'z'? Jika tebakan Anda adalah 2 dari 100, Anda cukup dekat. Frekuensi sebenarnya dalam korpus adalah 0,021. Dan jika Anda jauh, maka jangan terlalu khawatir—asalkan respons Anda digabungkan dengan respons banyak pemula lainnya yang menggunakan model Bayesian hierarkis, Anda masih akan memberikan kontribusi pada kebijaksanaan orang banyak.
----------
SUMBER :
Martire, K., Growns, B., & Navarro, D. (2018). "What do the experts know? Calibration, precision, and the wisdom of crowds among forensic handwriting experts." Psyconomic Bulletin & Review.
https://featuredcontent.psychonomic.org/who-kidnapped-charles-lindbergh-jr-forensic-handwriting-analysis-and-expertise
----------
LIHAT JUGA ARTKEL TENTANG "GRAPHO DETECTIVE / GRAPHO FORENSIC" LAINNYA :
----------
Disusun oleh :
Max Hendrian Sahuleka & Primasari T. Z.
( Founder Primagraphology Training & Consulting, Penulis Buku "The Power of Signature : Mengenal dan Mengubah Diri melalui Tanda Tangan" )
----------
INGIN BELAJAR GRAFOLOGI LEBIH LANJUT ?
----------
No comments:
Post a Comment