Identifikasi Penyalahgunaan Dana Bantuan Sosial untuk Penanggulangan Kemiskinan Berdasarkan Cuitan pada Media Sosial Menggunakan Deep Transfer-Learning

Penulis

  • Valentino Prasetyo Putra Universitas Negeri Surabaya
  • Azwin Rasyiq Azinar Universitas Negeri Surabaya
  • Siti Sirotul Azhar Universitas Negeri Surabaya
  • Elly Matul Imah Universitas Negeri Surabaya

Kata Kunci:

penyalahgunaan bantuan sosial, machine learning, deep transfer learning, penganggulangan kemiskinan, analisis sentimen

Abstrak

Salah satu program pemerintah untuk mengatasi kemiskinan adalah pemberian bantuan sosial (bansos). Namun dalam implementasinya banyak ditemukan penyalahgunaan dana bansos, salah satunya oleh pihak pemerintah sendiri maupun pihak masyarakat. Dalam era digital dan media sosial yang berkembang pesat, analisis sentimen cuitan pengguna media sosial dapat memberikan informasi penting dalam menggali informasi dan berita di masyarakat. Media sosial saat ini dianggap masyarakat menjadi sarana menyuarakan opini dan melaporkan kejadian yang dialami, salah satunya keluhan terhadap penyaluran dana bansos. Cuitan masyarakat tersebut jika dilakukan penambangan (mining) bisa menjadi data yang sangat bermanfaat untuk mengawasi (monitoring) dan mengevaluasi (evaluation) implementasi bansos. Penanggulangan kemiskinan merupakan salah satu tujuan pembangunan berkelanjutan (Sustainable Development Goals (SDGs)) pertama (tanpa kemiskinan) yaitu mengakhiri kemiskinan dalam segala bentuknya di semua tempat. Penambangan data cuitan masyarakat tentang bansos dapat memberikan informasi indikasi penyalahgunaan dana bantuan sosial. Data hasil penambangan cuitan akan dianalisis menggunakan Natural Language Processing (NLP). Data cuitan berupa teks akan diproses terlebih dahulu melalui data cleansing, kemudian dilakukan pra pemrosesan untuk mengoptimalkan data sebelum dimasukkan ke dalam model, dilakukan klasifikasi dengan algoritma Deep Neural Network. Dalam proses pelatihan, sistem melakukan pembelajaran dengan deep transfer learning berupa diinisiasi awal model dari bobot hasil klasifikasi analisis emosi pada data teks. Hasil ujicoba awal menunjukkan jumlah analisis sentimen positif yang mengindikasikan bukan penyalahgunaan bansos sebesar 2.031 dan untuk jumlah analisis sentimen negatif yang mengindikasikan penyalahgunaan bansos sebesar 46,1% Dengan sistem ini diharapkan penyaluran dana bansos lebih baik dan tepat sasaran dan tidak ada penyalahgunaan dana, sehingga tujuan utama program bansos untuk menanggulangi kemiskinan bisa terwujud.

Referensi

I. Pemerintah, “UNDANG - UNDANG REPUBLIK INDONESIA NOMOR 14 TAHUN 2019 TENTANG PEKERJA SOSIAL,” 2019. [Online]. Available: www.peraturan.go.id

S. Gandhawangi, “10.249 Penerima Bansos Tidak Tepat Sasaran,” Kompas.id, Jan. 13, 2023. https://www.kompas.id/baca/humaniora/2023/01/13/10249-penerima-bansos-tidak-tepat-sasaran (accessed Jun. 29, 2023).

G. Meikle, Social media: Communication, sharing and visibility. 2016. doi: 10.4324/9781315884172.

L. Wang, “Improving the performance of precision poverty alleviation based on big data mining and machine learning,” Journal of Intelligent and Fuzzy Systems, vol. 40, no. 4, pp. 6617–6628, 2021, doi: 10.3233/JIFS-189498.

M. Gao, L. Li, and Y. Gao, “Statistics and Analysis of Targeted Poverty Alleviation Information Integrated with Big Data Mining Algorithm,” Security and Communication Networks, vol. 2022, 2022, doi: 10.1155/2022/1496170.

L. Maruejols, H. Wang, Q. Zhao, Y. Bai, and L. Zhang, “Comparison of machine learning predictions of subjective poverty in rural China,” China Agricultural Economic Review, May 2022, doi: 10.1108/CAER-03-2022-0051.

A. Alsharkawi, M. Al-Fetyani, M. Dawas, H. Saadeh, and M. Alyaman, “Poverty classification using machine learning: The case of Jordan,” Sustainability (Switzerland), vol. 13, no. 3, pp. 1–16, Feb. 2021, doi: 10.3390/su13031412.

P. Kambuya, “Better model selection for poverty targeting through machine learning: A case study in Thailand,” Thailand and the World Economy, vol. 38, no. 1, 2020.

P. R. Sihombing and A. M. Arsani, “COMPARISON OF MACHINE LEARNING METHODS IN CLASSIFYING POVERTY IN INDONESIA IN 2018,” Jurnal Teknik Informatika (Jutif), vol. 2, no. 1, pp. 51–56, Jan. 2021, doi: 10.20884/1.jutif.2021.2.1.52.

D. Saputra and J. Julia, “Non-Parametric Approach to Measuring Accuracy Of Social Assistance Programs in The Middle of Indonesian Economic Downturn,” Jurnal Riset Ekonomi Manajemen (REKOMEN), vol. 4, no. 2, 2021, doi: 10.31002/rn.v4i2.3639.

R. Kannan, I. Z. W. Wang, H. B. Ong, K. Ramakrishnan, and A. Alamsyah, “COVID-19 impact: Customised economic stimulus package recommender system using machine learning techniques,” F1000Res, vol. 10, 2021, doi: 10.12688/f1000research.72976.1.

V. Chitturi and Z. Nabulsi, “Predicting Poverty Level from Satellite Imagery using Deep Neural Networks,” Nov. 2021, [Online]. Available: http://arxiv.org/abs/2112.00011

Kemenkominfo, “Program Bantuan Sosial Untuk Rakyat,” 2018.

M. Wongkar and A. Angdresey, “Sentiment Analysis Using Naive Bayes Algorithm Of The Data Crawler : Twitter,” 2019.

I. S. H. Almaqbali, F. M. A. Al Khufairi, M. S. Khan, A. Z. Bhat, and I. Ahmed, “Web Scrapping: Data Extraction from Websites,” Journal of Student Research, 2020, doi: 10.47611/jsr.vi.942.

J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, “How transferable are features in deep neural networks?,” in Advances in Neural Information Processing Systems, 2014.

D. Cer et al., “Universal Sentence Encoder,” Mar. 2018, [Online]. Available: http://arxiv.org/abs/1803.11175

D. Cer, M. Diab, E. Agirre, I. Lopez-Gazpio, and L. Specia, “SemEval-2017 Task 1: Semantic Textual Similarity Multilingual and Cross-lingual Focused Evaluation,” in Proceedings of the Annual Meeting of the Association for Computational Linguistics, 2017. doi: 10.18653/v1/s17-2001.

A. Vaswani et al., “Attention is all you need,” in Advances in Neural Information Processing Systems, 2017.

M. Khanbhai, P. Anyadi, J. Symons, K. Flott, A. Darzi, and E. Mayer, “Applying natural language processing and machine learning techniques to patient experience feedback: A systematic review,” BMJ Health and Care Informatics, vol. 28, no. 1. 2021. doi: 10.1136/bmjhci-2020-100262.

S. Dhuria, “Natural Language Processing: An approach to Parsing and Semantic Analysis,” International Journal of New Innovations in Engineering and Technology, vol. 3, 2015.

Unduhan

Diterbitkan

30-04-2024