Review makalah berjudul: Using Bayesian Network for Determining The Recipient of Zakat in BAZNAS Pekanbaru

 

Judul	Using Bayesian Network for Determining The Recipient of Zakat in BAZNAS Pekanbaru
Publisher	IEEE
Published in	2018 2nd International Conference on Electrical Engineering and Informatics (ICon EEI)
Tahun	2018
Penulis	Akbarizan, Rahmad Kurniawan, Mohd Zakree Ahmad Nazri, Siti Norul Huda Sheikh Abdullah, Sri Murhayati, Nurcahaya
Reviewer	Tengku Syaid Rian Fadhilah
NIM	11751101351
Kelas	Data mining G

1. Latar Belakang:

           Pekanbaru adalah ibu kota provinsi Riau, Indonesia dan pusat ekonomi utama di bagian timur Pulau Sumatera. Berdasarkan Badan Pusat Statistik Indonesia, pada 2017 jumlah pemeluk Islam di Riau mencapai 4,8 juta jiwa. Perekonomian yang baik di Riau berdampak pada semangat warga untuk berzakat. Zakat adalah kewajiban Muslim. Itu wajib bagi umat Islam yang mampu memberikannya. Setiap Muslim yang memiliki kelebihan kekayaan harus membayar Zakat. Zakat adalah pilar ketiga dari rukun Islam. Muzakki adalah seorang muslim yang memiliki kualifikasi dan kewajiban finansial untuk memberikan zakat. Sementara itu, Mustahik adalah orang yang berhak menerima zakat. Tugas utama Baznas dalam penyaluran zakat adalah memprioritaskan penyaluran zakat berdasarkan data akurat pemohon. Beberapa program zakat adalah usaha produktif, beasiswa dan pelatihan, pembangunan sarana dan prasarana. Baznas di Pekanbaru harus segera menyalurkan zakatnya ke Mustahik sesuai dengan skala prioritas yang telah disusun dalam programuntuk. Badan Pusat Statistik Indonesia melaporkan jumlah penduduk miskin (penduduk di bawah Garis Kemiskinan) di Riau. September 2017 berjumlah 496,39 ribu orang (7,41%). Jika dibandingkan dengan penduduk miskin pada September 2016 yang berjumlah 501,59 ribu jiwa (7,67%), penduduk miskin di Riau mengalami penurunan sebesar 5,20 ribu jiwa. Zakat berpotensi mengurangi kesenjangan sosial di antara keduanya

           Secara prosedural, Muzakki melakukan pembayaran zakat di kantor Baznas. Baznas menerima zakat dari Muzakki dan mendistribusikan ke Mustahik. Baznas menentukan a Mustahik calon secara manual, yaitu mewawancarai calon dan melakukan observasi lapangan. Perasaan, emosi, sentimen terkait dengan atmosfir dan mood yang dapat menyebabkan miss-judgement dan mempengaruhi penyaluran zakat. Sedangkan kecerdasan buatan dapat membantu pekerjaan repetitif dan monoton

           Teknik klasifikasi dalam kecerdasan buatan berpikir lebih cepat dari yang dipikirkan manusia dan dapat melakukan multi-tasking. Parameter klasifikasi berbeda dengan manusia, dapat disesuaikan. Kecepatan dan waktu mereka hanya parameter berbasis kalkulasi. Di sisi lain, kecerdasan buatan tidak perlu sering diistirahatkan. Manusia dapat menggunakan AI selama berjam-jam dan dapat terus bekerja tanpa merasa bosan atau lelah. Salah satu metode klasifikasi yang populer adalah Bayesian Network.

           Peneliti menganggap Bayesian network lebih popular kerena inferensi Bayesian network lebih konsisten menangani kasusu ketidakpastian. Bayesian network dapat memfasilitasi pembelajaran tentang hubungan kausal antara variable. Bayesian network mudah diubah menjadi alat pendukung keputusan seperti untuk membantu pengelolan sumber daya. Oleh karena itu, peneliti memilih metode Bayesian network sebagai mesin inferensi yang terbukti handal dalam masalah ketidakpastian

2.     Penelitian terkait:

           Belakangan ini, kecerdasan buatan banyak digunakan dalam bidang ilmu keislaman. Sulaiman dkk mempresentasikan sistem pakar menggunakan pendekatan Islam. Mereka telah mengusulkan pendekatan berbasis pengetahuan dalam sistem pakar untuk jemaah haji dan juga merencanakan pendekatan berbasis pengetahuan dinamis untuk mendiagnosis kemungkinan masalah dan solusi dari pakar. Mereka telah mengimplementasikan sistem pakar menggunakan Forward Chaining dimana Pengguna dapat menanyakan pertanyaan apapun yang berhubungan dengan ritual haji.

           Zakat juga mengadopsi kecerdasan buatan. Afaf-Al-Riaymi dkk telah menggunakan sistem pakar untuk membantu masyarakat menghitung jumlah setiap jenis Zakat. Studi ini membantu Muzakki untuk menentukan apakah mereka diharuskan membayar Zakat atau tidak, menentukan kondisi unik pendapatan, dan jumlah setiap jenis Zakat yang harus mereka berikan setiap tahun. Pada studi ini mengembangkan sistem berdasarkan shell sistem pakar berbasis aturan.

            Harry dkk telah menggunakan kecerdasan buatan terutama Metode Weight Product untuk menentukan Mustahik. Sistem pendukung keputusan ini menghitung dan mengsortir Mustahik menggunakan metode Weighted Product dengan kriteria pendapatan bulanan, jumlah tanggungan, kepemilikan rumah, kepemilikan kendaraan bermotor dan ada tidaknya tanggung jawab.

3.     Metode:

           Metode yang digunakan sesuai dengan proses data mining. Mulai dari pendataan dan preprocessing. Data diperoleh dari Baznas pekanbaru tahun 2017 sebanyak 100 dengan 14 atribut (nimir urut, distrik, nomor IC, tanggal, nama, alamat, noor telepon, usia, status perkawinan, tanggungan, pekerjaan, program, pendapatan dan keputusan

Metodologi teknik klasifikasi Bayesian network

Terdapat enam langkah untuk melakukan teknik klasifikasi network Bayesian. Peneliti melakukan pra-prosessing data setelah pengumpulan data untuk mendapatkan data yang bersih dan berguna. Pra-pemprosesan data sangat menentukan hasil klasifikasi. Pra-prosessing data meliputi pembersihan data, transformasi data, reduksi dan diskritisasi data, klasifikasi, pengujian dan evaluasi. Diskritisasi data sangat penting dalam pra-prosessing data, karena peneliti menggunakan Bayesian network sebagai klasifikasi.

a.   Data Pre-processing

       Teknik pre-processing data meliputi pembersihan data, integrasi data, transformasi data dan reduksi data. Teknik ini digunakan untuk memastikan bahwa data sesuai untuk analisis. Dalam konsep cleaning data meliputi pengisian nilai yang hilang, identifikasi outlier, dan penanganan data noise, koreksi data yang tidak konsisten dan penyelesaian redundansi setelah integrasi data. peneliti melakukan integrasi data untuk menggabungkan data dari berbagai sumber dan format. peneliti harus mengintegrasikan skema, mengidentifikasi entitas, mendeteksi dan menyelesaikan konflik nilai data.  Dalam data set ini tidak menemukan nilai yang hilang.

           Namun, peneliti telah menghapus atribut yang tidak berpengaruh pada hasil klasifikasi seperti nomor urut, distrik, program, nomor IC, tanggal, alamat dan nomor telepon. Langkah terakhir dalam pra-pemrosesan data adalah transformasi data dan reduksi data. peneliti telah mengubah data menjadi bentuk yang sesuai. peneliti juga menerapkan teknik reduksi data dan diskritisasi untuk mengurangi penyajian kumpulan data. Diskritisasi melibatkan pengurangan jumlah nilai atribut kontinu dengan membagi rentang interval atribut seperti usia dan pendapatan. peneliti telah mengkategorikan usia menjadi:

                            

Berdasarkan peraturan yang berlaku untuk Baznas Pekanbaru, peneliti telah

mengkategorikan pendapatan sebagai berikut:

Sedangkan untuk kelasnya, otomatis ditentukan oleh mesin menggunakan algoritma Bayesian Network. peneliti telah menentukan tiga jenis kelas.

b.   Model Klasifikasi

           Bayesian network juga dikenal dengan Belief Network, Bayesian Belief Network, Bayes Nets atau disebut juga Jaringan Probabilistik. Bayesian  network adalah metode yang didasarkan pada teorema Bayes yang dibuat oleh Thomas Bayes di 1763. Metode Bayesian network telah menjadi sangat populer selama dekade terakhir karena digunakan untuk berbagai aplikasi cerdas seperti pembelajaran mesin, pemrosesan teks, pemrosesan bioinformatika, diagnostik medis, prakiraan cuaca, dan aplikasi sistem cerdas lainnya. Teknik pemodelan Bayesian Network memiliki beberapa fitur yang membuat metode ini berguna dalam banyak analisis data dan masalah manajemen dan juga dapat menunjukkan akurasi prediksi yang baik meskipun dengan data yang kecil serta  berguna untuk menggabungkan berbagai pengetahuan dengan baik.

Struktur sederhan Bayesian network dalam menentukan mustahik di baznas pekanbaru

c.   Pengujian dan Evaluasi

           Setiap percobaan dilakukan menggunakan dataset split factor (data latih: data pengujian) dari 10 hingga 90 untuk pemodelan klasifikasi. Sembilan model berbeda ini diperoleh dari setiap percobaan.

4.     Hasil:

           Peneliti melaksankan data pre-prosessing dan set data zakat siap untuk diklasifikasikan menggunakan Bayesian network algoritma. Peneliti menggunakan weka versi 3.8.2 sebagai alat untuk mechine learning dimana dapat melakukan klasifikasi data menggunakan Bayesian network. Semua algoritma Bayesian network yang diimplementasikan di weka diasumsikan bahwa semua variable adalah variable finite discrete.

           Peneliti telah menetapkan persentase pemisahan dari pelatihan data 10% menjadi 90%. peneliti membuat beberapa pengaturan dalam opsi klasifikasi Weka misalnya penduga dan algoritma pencarian. peneliti telah menggunakan Pengestimasi Sederhana untuk memperkirakan tabel probabilitas bersyarat dari Bayes network setelah strukturnya dipelajari. Memperkirakan probabilitas langsung dari data.

Berdasarkan Tabel I didapatkan bahwa Bayesian network menghasilkan rata-rata akurasi yang baik sebesar 93.24%. Bayesian network akurat dalam kumpulan data zakat, bahkan memiliki ketelitian rata-rata 0,91. Rata-rata recall 0,93 sehingga Bayesian network telah memprediksi observasi positif untuk semua observasi di kelas sebenarnya adalah ya. F-Measures adalah rata-rata tertimbang dari presisi dan perolehan. Bayesian network telah mendapatkan F-Measures 0,92. Meskipun akurasi menjadi acuan dalam menilai kebenaran suatu algoritma, namun F- Measures telah memverifikasi Bayesian network dapat digunakan jika kumpulan data memiliki distribusi kelas yang tidak merata

           Dan setelah beberapa percobaan yang dilakukan, Tahap terakhir adalah mengevaluasi keefektifan sistem. Sistem yang dikembangkan harus dapat memberikan hasil yang diinginkan sesuai dengan tujuannya dengan akurasi yang tinggi tanpa adanya kesalahan sistemik. peneliti membandingkan hasil dari sistem dengan ahli.hasilnya dapat dilihat dalam tabel berikut:

5.     Kesimpulan:

           Peneliti telah berhasil melakukan klasifikasi siapa yang berhak untuk menerima zakat. Bayesian network menghasilkan akurasi sebesar 93.24% dengan penelitian menggunakan 1000 data penerima zakat. Dengan banyaknya metode data maining dan setiap metode memiliki kelebihannya sendiri dengan akurasi yang dihasilkan juga tergantung pada instansinya. Oleh karena itum pada penelitian selanjutnya dapat menerapkan lagoritma lain dalam machine learning dan mengumpulkan lebih banyak training data secara akurat agar menghasilkan akurasi yang lebih tinggi.