PENDEKATAN DEEP NEURAL NETWORK UNTUK KLASIFIKASI KELAYAKAN PENERIMA BANTUAN SOSIAL: STUDI KASUS PENARGETAN SOSIAL PADA TINGKAT DESA
DOI:
https://doi.org/10.70248/jcsit.v3i4.4623Abstract
Bantuan sosial merupakan program pemerintah yang ditujukan untuk mendukung masyarakat yang memenuhi kriteria sosial ekonomi tertentu. Identifikasi penerima yang tepat sangat penting untuk meminimalkan kesalahan penargetan dan memastikan bantuan diberikan kepada rumah tangga yang benar-benar membutuhkan. Pendekatan klasifikasi konvensional memiliki keterbatasan dalam menangkap hubungan yang kompleks dan nonlinier antar karakteristik sosial ekonomi rumah tangga. Oleh karena itu, penelitian ini menerapkan *Deep Neural Network* (DNN) untuk mengklasifikasikan kelayakan penerima bantuan sosial berdasarkan karakteristik sosial ekonomi rumah tangga di Desa Parigi serta mengevaluasi kinerja klasifikasinya. Data diperoleh dari Pemerintah Desa Parigi dan diproses melalui tahapan pembersihan data, pemeriksaan nilai yang hilang, pelabelan, normalisasi, pembagian data, pelatihan model, dan pengujian. Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. DNN dipilih karena arsitektur berlapisnya mampu mempelajari hubungan nonlinier antarvariabel masukan sehingga sesuai untuk memodelkan pola kompleks pada data sosial ekonomi rumah tangga. Hasil evaluasi berdasarkan confusion matrix menunjukkan nilai akurasi sebesar 95,24%, presisi sebesar 92%, recall sebesar 100%, dan F1-score sebesar 95,83%. Hasil tersebut menunjukkan bahwa model DNN memiliki kinerja klasifikasi yang baik dalam mengidentifikasi penerima bantuan sosial yang layak dan tidak layak. Temuan penelitian menunjukkan bahwa DNN dapat digunakan sebagai pendekatan pendukung keputusan berbasis data untuk membantu
References
Agyemang, F. S. K., Memon, R., Wolf, L., & Fox, S. (2023). High-resolution rural poverty mapping in Pakistan with ensemble deep learning. PLOS ONE, 18.
Ahmad, M., Prabowo, H., Hendric, H., Warnars, H. L. H. S., & Gaol, F. (2023). A machine learning approach for model selection of social aid beneficiaries. Journal of System and Management Sciences.
Aiken, E., Bellue, S., Karlan, D., Udry, C., & Blumenstock, J. (2022). Machine learning and phone data can improve targeting of humanitarian aid. Nature, 603, 864–870.
Agyemang, F. S. K., Memon, R., Wolf, L., & Fox, S. (2023). High-resolution rural poverty mapping in Pakistan with ensemble deep learning. PLOS ONE, 18.
Aprilia, R., et al. (2024). [Artikel Neural Network untuk klasifikasi kemiskinan Kabupaten Batang]. Journal of Applied Intelligent System.
Beuermann, D., Hoffmann, B., Stampini, M., Vargas, D., & Vera-Cossio, D. A. (2024). Shooting a moving target: Evaluating targeting tools for social programs when income fluctuates. Journal of Development Economics.
Dietrich, S., Malerba, D., & Gassmann, F. (2024). Predicting social assistance beneficiaries: On the social welfare damage of data biases. Data & Policy, 6.
Echevin, D., Fotso, G., Bouroubi, Y., Coulombe, H., & Li, Q. (2024). Combining survey and census data for improved poverty prediction using semi-supervised deep learning. Journal of Development Economics.
Follett, L., & Henderson, H. (2022). A hybrid approach to targeting social assistance. Journal of Development Economics.
Gazeaud, J. (2020). Proxy means testing vulnerability to measurement errors? The Journal of Development Studies, 56, 2113–2133.
Grosh, M., Leite, P., Wai-Poi, M., & Tesliuc, E. (2022). Revisiting targeting in social assistance: A new look at old dilemmas. Global Social Policy, 22, 434–448.
Hall, O., Ohlsson, M., & Rögnvaldsson, T. S. (2022). A review of explainable AI in the satellite data, deep machine learning, and human poverty domain. Patterns, 3.
Hiola, Y. P., Zulhijrah, Putra, I. G. N. S., Limba, S. Z., Sartono, B., Firdawanti, A. R., Susetyo, B., & Dito, G. A. (2026). Evaluation of tree-based models for predicting social assistance recipient status based on National Socio-Economic Survey (SUSENAS) 2024. Journal of Mathematics, Computations and Statistics.
Liu, H., Liu, Y., Qin, Z., Zhang, R., Zhang, Z., & Mu, L. (2021). A novel DBSCAN clustering algorithm via edge computing-based deep neural network model for targeted poverty alleviation big data. Wireless Communications and Mobile Computing, 2021, 5536579.
Khalik, M. F. M., & Arifin, F. (2023). Klasifikasi indeks kedalaman kemiskinan Provinsi Sulawesi Selatan berbasis Decision Tree, K-Nearest Neighbor, Naive Bayes, Neural Network, dan Random Forest. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 9(2).
Martinez, R. G., & Cooray, M. (2025). Enhancing poverty targeting with spatial machine learning: An application to Indonesia.
Mariyah, S., & Wobcke, W. (2025). Selective guided domain adaptation for improving the proxy means test for poverty targeting. International Journal of Data Science and Analytics, 20, 5999–6017.
Nazmi, A. M., Prajoko, & Pambudi, A. (2024). Classification analysis of the eligibility of recipients of non-cash food assistance and Family Hope Programs in the City of Sukabumi using the Naïve Bayes Classifier algorithm. Journal of Artificial Intelligence and Engineering Applications (JAIEA).
Smythe, I. S., & Blumenstock, J. (2022). Geographic microtargeting of social assistance with high-resolution poverty maps. Proceedings of the National Academy of Sciences, 119.
Taufiq, N., & Suyasa, I. M. G. (2023). Is the Wealth Index better than the Proxy Means Test in poverty targeting? A study in Brebes and East Jakarta. Proceedings of the International Conference on Data Science and Official Statistics.
Usmanova, A., Aziz, A., Rakhmonov, D., & Osamy, W. (2022). Utilities of artificial intelligence in poverty prediction: A review. Sustainability.
Wobcke, W., & Mariyah, S. (2023). Machine learning and data augmentation in the proxy means test for poverty targeting. Statistical Journal of the IAOS, 39, 961–977.
Yanto, M., Wiyandra, Y., & Defit, S. (2023). Deep learning approach analysis model prediction and classification poverty status. IAES International Journal of Artificial Intelligence (IJ-AI).
