Pendekatan Deep Learning dengan Fusi Data pada Sistem Penilaian Kelayakan Penerimaan Bantuan Sosial

Nevin, Muhammad (2023) Pendekatan Deep Learning dengan Fusi Data pada Sistem Penilaian Kelayakan Penerimaan Bantuan Sosial. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000079-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (3MB) | Request a copy

Abstract

Salah satu tantangan dalam penyaluran bantuan sosial (bansos) adalah penilaian kelayakan bagi penerimanya agar tepat sasaran. Keluarga Penerima Manfaat (KPM) saat ini telah dilengkapi dengan data tidak terstruktur berupa data gambar foto rumah dan data terstruktur berupa data kuesioner kondisi ekonomi sebagai bahan penilaian kelayakan. Data gambar dapat mudah diinterpretasi secara visual untuk membedakan rumah yang bagus dan tidak bagus, namun tidak semua orang memiliki ketelitian yang sama. Adapun data kuesioner memiliki keteraturan interpretasi kelayakan yang mengacu pada suatu aspek kesejahteraan tertentu, namun membutuhkan interpretasi dari seluruh aspek untuk kesimpulan akhir. Oleh karena itu sebuah sistem penilaian yang dapat mengkolaborasikan kedua jenis data tersebut dan dilakukan secara otomatis dibutuhkan.
Dalam tugas akhir ini dikembangkan sebuah sistem penilaian kelayakan penerima bantuan sosial berbasis fusi data dengan pendekatan Deep Learning. Proses fusi data yang dilakukan terdiri dari praproses data kuesioner dan praproses data foto rumah yang dilaksanakan secara pararel, serta proses penggabungan data tiap hasil praproses. Pada data gambar foto rumah dilakukan ekstraksi nilai fitur serta pendeteksian dan anotasi objek, kemudian dilakukan penggabungan dengan data kuesioner kondisi ekonomi. Ekstraksi nilai fitur pada data gambar menggunakan model Deep Learning VGG 16. Adapun pendeteksian dan anotasi objek menggunakan YOLO. Fusi data ini menggabungkan nilai informasi dari data tidak terstruktur yang meliputi 50 fitur gambar dan 13 fitur anotasi objek serta data terstruktur yang meliputi 9 fitur data kuesioner kondisi ekonomi dan 5 fitur tingkat ekonomi daerah. Sistem ini diuji coba untuk menentukan model optimal untuk proses ekstraksi nilai fitur gambar, proses fusi data, dan proses klasifikasi penilaian kelayakan. Pada uji coba model ekstraksi nilai fitur, didapatkan skenario dengan model VGG16 dengan jumlah 50 nilai fitur memiliki performa yang terbaik dengan 66%. Pada uji coba bentuk fusi data, skenario bentuk fusi data memiliki perofrma akurasi lebih baik dibandingkan dengan bentuk data gambar saja atau kuesioner saja. Adapun pada uji coba perbandingan model klasifikasi, model dengan akurasi tertinggi adalah model Random Forest. Berdasarkan uji coba, sistem penilaian kelayakan penerimaan bansos ini berhasil mencapai nilai akurasi, recall, precision, dan f1-score yang sama-sama bernilai 86%. Dengan demikian, sistem yang dikembangkan dalam tugas akhir ini dapat digunakan untuk menilai kelayakan bagi penerima bansos secara otomatis agar tercapai ketepatan sasaran.
===================================================================================================================================
One of the challenges in distributing social assistance programs (bansos) is the eligibility assessment for recipients to be right on target. Beneficiary Families (KPM) are currently equipped with unstructured data in house photo image data and structured data in economic condition questionnaire data as material for eligibility assessment. Image data can be easily interpreted visually to distinguish good and bad houses, but not everyone has the same accuracy. The questionnaire data has a regular interpretation of eligibility that refers to all aspects of welfare but requires interpretation of each aspect for the conclusion. Therefore, an assessment system that can collaborate the two data types and be done automatically is needed. In this final project, a data fusion-based social assistance recipient eligibility assessment system with a Deep Learning approach is developed. The data fusion process consists of preprocessing questionnaire data and preprocessing house photo data carried out in parallel, as well as merging the data of each preprocessing result. In the house photo image data, feature value extraction and object detection and annotation were carried out, then merged with the economic condition questionnaire data. Feature value extraction on image data uses the Deep Learning VGG 16 model. The object detection and annotation use YOLO. This data fusion combines the information value of unstructured data, which includes 50 image features and 13 object annotation features and structured data, which includes 9 features of economic condition questionnaire data and 5 features of regional economic level. The system was tested to determine the optimal model for the image feature value extraction process, the data fusion process, and the eligibility assessment classification process. The feature value extraction model trial found that the scenario with the VGG16 model with a total of 50 feature values had the best performance with 66%. In the data fusion form trial, the data fusion form scenario is more accurate than the image data form or questionnaire only. As for the classification model comparison trial, the model with the highest accuracy is the Random Forest model. Based on the trial, the assessment system

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Social Assistance Programs, Deep learning, Feature Extraction, Data Fusion, Eligibility Assessment
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9.D33 Data compression (Computer science) Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Nevin
Date Deposited:	08 Aug 2023 02:06
Last Modified:	08 Aug 2023 02:06
URI:	http://repository.its.ac.id/id/eprint/101153

Actions (login required)

View Item