Algoritma Machine Learning: Harapan Baru dalam Seleksi Penerima Kartu Indonesia Sehat
Sistem distribusi bantuan sosial di Indonesia sering kali menjadi sorotan karena ketidaktepatan sasaran. Salah satu program yang cukup dikenal, Kartu Indonesia Sehat (KIS), diinisiasi pada tahun 2014 oleh Presiden Joko Widodo, dengan tujuan memberikan akses kesehatan kepada warga miskin dan kurang mampu. Namun, dalam praktiknya, proses seleksi penerima sering kali menemui masalah. Banyak individu yang seharusnya layak menerima bantuan justru terlewat, sementara mereka yang tidak memenuhi kriteria malah mendapatkan bantuan. Hal ini menimbulkan pertanyaan mengenai seberapa efektif sistem distribusi tersebut dalam menargetkan penerima yang benar-benar membutuhkan.
Penelitian oleh Putri Nabillah dan timnya di Jurnal Sistem Informasi (JUSIFO) edisi 2024 memberikan perspektif baru mengenai bagaimana teknologi, khususnya algoritma machine learning, dapat menjadi solusi untuk permasalahan ini. Dalam artikel berjudul "A Comparative Study of the Performance of KNN, NBC, C4.5, and Random Forest Algorithms in Classifying Beneficiaries of the Kartu Indonesia Sehat Program," para peneliti membandingkan kinerja empat algoritma klasifikasi untuk meningkatkan akurasi dalam menentukan penerima bantuan KIS. Penelitian ini menemukan bahwa algoritma Random Forest memiliki akurasi tertinggi, mencapai 72,08%, dan recall yang hampir sempurna sebesar 99,64%.
Temuan ini memberikan harapan baru bagi pengelola program bantuan sosial di Indonesia. Dengan memanfaatkan teknologi berbasis algoritma, proses distribusi bantuan dapat menjadi lebih akurat dan transparan, meminimalkan kesalahan yang selama ini terjadi. Namun, sebelum berbicara lebih jauh tentang potensi solusi ini, penting untuk melihat lebih dalam pada hasil penelitian tersebut serta implikasinya bagi kebijakan sosial di Indonesia.
***
Penelitian yang dilakukan oleh Putri Nabillah dan timnya memberikan pemahaman mendalam tentang bagaimana teknologi berbasis machine learning dapat menjadi alat penting dalam reformasi kebijakan distribusi bantuan sosial. Dengan menggunakan empat algoritma yang berbeda---KNN, Naive Bayes Classifier (NBC), C4.5, dan Random Forest---penelitian ini menyoroti keunggulan dan kelemahan masing-masing algoritma dalam mengklasifikasi penerima Kartu Indonesia Sehat (KIS). Dari keempat algoritma yang diuji, Random Forest menonjol dengan kinerja terbaik, terutama dalam hal recall, yang mencapai 99,64%. Recall yang tinggi ini menunjukkan bahwa algoritma ini mampu mengidentifikasi hampir semua penerima yang memenuhi syarat dengan sangat akurat.
Menariknya, penelitian ini juga menunjukkan bahwa algoritma C4.5 memiliki keunggulan tersendiri dalam hal penyederhanaan data. C4.5 mampu mereduksi jumlah variabel yang dibutuhkan dari 33 menjadi hanya 8 variabel, tanpa mengorbankan akurasi yang signifikan. Hal ini sangat penting dalam konteks program bantuan sosial yang sering kali dihadapkan pada tantangan sumber daya manusia dan waktu yang terbatas. Dengan menggunakan lebih sedikit variabel, pengelolaan data dapat dilakukan lebih efisien, namun tetap akurat.
Namun, pertanyaan yang muncul adalah, apakah pemerintah siap untuk mengadopsi teknologi ini dalam skala besar? Penggunaan algoritma Random Forest, misalnya, membutuhkan data yang bersih dan terstruktur dengan baik. Dalam penelitian ini, proses preprocessing data dilakukan dengan sangat hati-hati, termasuk pembersihan data dan normalisasi, yang pada akhirnya menghasilkan dataset yang siap digunakan oleh algoritma machine learning. Di lapangan, sering kali data yang dimiliki oleh instansi pemerintah masih belum terstruktur dengan baik, dan ini bisa menjadi kendala utama dalam penerapan sistem berbasis algoritma.
Selain itu, implementasi teknologi ini juga memerlukan investasi dalam bentuk infrastruktur teknologi informasi dan sumber daya manusia yang mampu mengoperasikan sistem berbasis algoritma. Penggunaan RapidMiner, seperti yang dilakukan dalam penelitian ini, tentu memerlukan keahlian khusus yang mungkin belum tersedia di sebagian besar instansi pemerintah daerah. Oleh karena itu, sebelum kita berbicara tentang implementasi, pemerintah harus memastikan bahwa mereka memiliki kesiapan dari segi data, teknologi, dan keahlian.
Dengan angka-angka yang dihasilkan oleh penelitian ini, seperti akurasi Random Forest yang mencapai 72,08% dan presisi sebesar 72,41%, sangat jelas bahwa teknologi ini memiliki potensi besar untuk meningkatkan efektivitas program bantuan sosial. Namun, tanpa kesiapan yang memadai, teknologi ini hanya akan menjadi wacana yang sulit diimplementasikan. Tantangan utamanya adalah memastikan bahwa data yang digunakan bersih dan terstruktur, serta ada keahlian yang cukup untuk mengelola dan memelihara sistem ini.
