Mengestimasi Kondisi Kemiskinan Global yang Sebenarnya dengan Pembelajaran Mesin

Kolaborasi dari UoC Berkeley, Stanford University, dan Facebook menawarkan gambaran yang lebih dalam dan rinci tentang kondisi kemiskinan yang sebenarnya di dan di seluruh negara, melalui penggunaan pembelajaran mesin.

Penelitian ini, yang berjudul Estimasi Kekayaan Mikro untuk Semua Negara Berpenghasilan Rendah dan Menengah, disertai dengan situs web beta yang memungkinkan pengguna untuk mengeksplorasi secara interaktif kondisi ekonomi absolut dan relatif dari area dan kantong kemiskinan di negara berpenghasilan rendah dan menengah.

Kerangka kerja ini menggabungkan data dari citra satelit, peta topografi, jaringan telepon seluler, dan data agregat anonim dari Facebook, dan diverifikasi melawan survei wajah-ke-wajah yang luas, untuk tujuan pelaporan disparitas kekayaan relatif di suatu wilayah, bukan perkiraan absolut pendapatan.

Peta kemiskinan global, dengan bobot yang lebih besar pada area yang paling terkena. Bawah, perbesaran Afrika Selatan dan Lesotho (b); area 12sqkm di sekitar kota Khayelitsa dekat Cape Town. Sumber: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Sistem ini telah diadopsi oleh pemerintah Nigeria sebagai dasar untuk mengadministrasikan program perlindungan sosial, dan berjalan bersamaan dengan kerangka kerja yang ada dari Bank Dunia, Proyek Jaringan Keselamatan Sosial Nasional (NASSP). Pada Februari, penerima pertama di bawah skema ini menerima transfer tunai sebesar 5000 naira Nigeria, manfaat yang dapat dibayarkan hingga enam bulan, hingga ambang batas satu juta naira tercapai.

Makalah ini menyatakan bahwa kemiskinan data memberikan kontribusi yang signifikan pada distribusi bantuan yang tidak tepat di negara-negara dengan sumber daya pengumpulan data minimal atau infrastruktur terbatas, dan bahwa pelaporan yang salah yang dimotivasi secara politis (masalah tidak terbatas pada negara berpenghasilan rendah) juga merupakan faktor dalam hal ini.

Mendaftarkan ‘Miskin yang Tidak Dilaporkan’

Simulasi peneliti pada data menunjukkan bahwa, di bawah peraturan yang ada untuk alokasi sumber daya bantuan, distribusi berdasarkan sistem ini meningkatkan pembayaran kepada mereka yang paling membutuhkan dan mengurangi pembayaran untuk penerima yang ada di kalangan pendapatan yang lebih tinggi. Makalah ini juga mencatat kesulitan yang dihadapi oleh administrator program perlindungan sosial dalam mengalokasikan sumber daya bantuan pada awal krisis COVID-19, karena kurangnya data yang komprehensif atau rinci. Di Nigeria, misalnya, data survei terbaru hanya mencakup rumah tangga di 13,8% dari semua distrik Nigeria, dibandingkan dengan cakupan 100% yang ditawarkan oleh skema baru ini.

Penelitian sebelumnya dalam estimasi kemiskinan yang dibantu AI telah berkonsentrasi terutama pada data yang diperoleh dari citra satelit (lihat di bawah), tetapi peneliti menyatakan bahwa data dari koneksi seluler mendapatkan wawasan yang lebih akurat dan rinci tentang disparitas kekayaan di seluruh wilayah, dan informasi ini menyediakan setengah dari semua data yang berkontribusi pada proyek ini.

Dari sudut pandang umum dalam data pembelajaran mesin, peneliti mengamati bahwa model yang dilatih di satu negara dapat menjadi template yang bermanfaat dan akurat untuk model yang mencakup negara-negara tetangga. Mereka juga mencatat bahwa kerangka kerja baru ini tidak hanya dapat membedakan antara lokasi perkotaan dan pedesaan, tetapi juga dapat menyediakan peta disparitas di dalam area perkotaan, yang melebihi cakupan banyak inisiatif penelitian terbaru di sektor ini.

Citra Satelit dalam Analisis Kemiskinan

Prinsip di balik analisis kemiskinan berbasis citra satelit adalah asumsi bahwa orang miskin memiliki sedikit uang untuk menjalankan lampu listrik pada malam hari, atau mungkin tidak memiliki fasilitas lampu listrik sama sekali. Di mana ketiadaan cahaya yang tepat dapat dikorelasikan dengan kehadiran orang, seperti yang ditentukan oleh cara lain (seperti data koneksi seluler), indeks kemiskinan dapat dibuat.

Teknik ini diajukan pada tahun 2016 dalam makalah Stanford sebelumnya dari kelompok penelitian lain. Metode yang dijelaskan dalam makalah itu mempelopori penggunaan cakupan satelit pada malam hari yang disediakan oleh Program Satelit Meteorologi Pertahanan Angkatan Udara Amerika Serikat (DMSP) melalui Administrasi Kelautan dan Atmosfer Nasional (NOAA-NGDC).

Empat filter konvolusi mengidentifikasi, dari kiri ke kanan, fitur yang terkait dengan zona perkotaan, zona pedesaan, air, dan jalan. Baris atas menunjukkan gambar sumber dari Google Maps, baris tengah peta aktivasi filter dari analisis pembelajaran mesin, dan baris bawah tumpangan peta aktivasi pada citra peta asli. Sumber: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Proyek Stanford mengorelasikan bukti yang difilter dari cahaya malam di pengawasan satelit melawan basis data survei DHS sendiri untuk tahun yang sama ketika survei dan hasil satelit agregat terjadi. Perlu untuk membuat rata-rata dari jumlah nilai cahaya malam sebagai proksi untuk beberapa indikator ekonomi.

Dasar untuk Statistik Kemiskinan Global

Untuk proyek Stanford baru, peneliti memutuskan untuk mengambil kerangka data dari Program Survei Demografi dan Kesehatan (DHS) yang ada, meskipun, seperti yang mereka akui, ini secara efektif menggandakan skema DHS dalam dataset. Peneliti mengamati: ‘Kami memilih untuk melatih model kami secara eksklusif pada data DHS karena ini adalah sumber tunggal yang paling komprehensif, tersedia secara publik, dan internasional, yang menyediakan perkiraan kekayaan rumah tangga dengan geo-penanda sub-regional.’

Namun, proyek ini beroperasi pada resolusi yang jauh lebih tinggi daripada DHS, dan menggunakan kerangka kerja yang ada sebagai dasar menyediakan dua keuntungan: pertama, data DHS tidak bergantung pada pelaporan pendapatan formal, yang merupakan indikator yang tidak dapat diandalkan di negara-negara yang paling terkena kemiskinan, di mana ekonomi pasar gelap sangat umum; dan kedua, data dikumpulkan dengan cara yang standar dan sesuai dengan templat internasional yang memungkinkan kerangka kerja peneliti untuk mencakup negara-negara lain yang tunduk pada metode pengukuran ini, bukan membangun kesetaraan di seluruh kerangka kerja yang bersaing.

Koneksi Seluler sebagai Indeks Ekonomi

Bagi orang yang hidup di area yang terkena tantangan ekonomi, koneksi seluler telah menjadi garis hidup teknologi selama dua dekade terakhir, karena telepon seluler adalah platform teknologi minimum yang dapat diandalkan dalam kondisi tersebut. Telepon seluler juga telah menjadi de facto platform pembayaran untuk penerima bantuan yang tidak memiliki rekening bank atau sarana konvensional lainnya untuk menerima uang.

Namun, seperti yang telah diamati sebelumnya, menggunakan indikator jaringan seluler sebagai indeks ekonomi untuk sistem pembelajaran mesin memiliki beberapa kelemahan potensial: ada orang di daerah yang terkena yang begitu miskin sehingga tidak memiliki telepon seluler – orang-orang yang paling sistem ini dirancang untuk membantu; sistem ini bisa berpotensi dimanipulasi oleh pengguna dengan beberapa telepon seluler dalam keadaan di mana telepon telah menjadi proksi untuk hash ID unik warga; dan ada implikasi privasi dalam menciptakan sistem identifikasi ini, dalam kasus di mana pemerintah lokal atau nasional mempertahankan beberapa pengawasan proyek.