Ketika orang yang miskin dan membutuhkan (fakir/miskin) dengan tidak benar diklasifikasikan kedalam golongan tidak miskin dan tidak menerima zakat (kasus salah-negatif) atau seorang yang berkecukupan diklasifikasikan sebagai golongan miskin dan menerima zakat (kasus salah-positif), kasus ini melibatkan dilema etik yang berlapis. Tentu saja ada mekanisme bawaan dalam model klasifikasi untuk mengatasi dilema semacam itu.

Ekonomi Islam adalah tentang perilaku ekonomi yang etis. Ketika kita bertanya-tanya apakah Sophia, sang wanita-robot dapat mengembangkan “hati nurani”, disamping “kecerdasan”, dengan lebih banyak data dan lebih banyak pelatihan, ini tentang etika. Ketika ada kekhawatiran yang diungkapkan tentang apakah dia akan bertanggung jawab atas tindakannya, itu adalah tentang etika (kita akan kembali ke sini nanti). Kita mengakhiri blog sebelumnya dengan kemungkinan kesalahan klasifikasi oleh mesin kita. Ketika orang yang miskin dan membutuhkan (fakir/miskin) dengan tidak benar diklasifikasikan kedalam golongan tidak miskin dan tidak menerima zakat (kasus salah-negatif) atau seorang yang berkecukupan diklasifikasikan sebagai golongan miskin dan menerima zakat (kasus salah-positif), kasus ini melibatkan dilema etik yang berlapis. Tentu saja ada mekanisme bawaan dalam model klasifikasi untuk mengatasi dilema semacam itu. Kita perlu menyelam lebih dalam ke alat-alat AI untuk menggali lebih banyak.

Pembelajaran mesin melibatkan “pelatihan” mesin dengan lebih banyak data. Prosesnya mungkin mirip dengan pelatihan kuda. Pelatih kuda sepanjang sejarah telah menjadi profesi bangsawan (mirip dengan ilmuwan data masa kini!). Pelatih kuda akan memberi tahu kita tentang sinyal atau isyarat yang berbeda untuk membuat kuda bergerak maju atau berlari lebih cepat atau berhenti. Kuda terus menerima isyarat bersama dengan tindakan yang menunjukkan “persetujuan” atau “ketidaksetujuan” oleh pelatih. [1] Mesin dilatih dengan cara yang serupa. Mesin (kuda) belajar dari input (isyarat) dan output (tepukan atau tamparan) dan membangun logika dan memprediksi output untuk input yang diberikan (belajar untuk bergerak atau berlari lebih cepat atau berhenti untuk suatu diberi isyarat). Bagi mereka yang kurang nyaman dengan kuda dan lebih banyak dengan angka, berikut adalah contoh sederhana. Alih-alih memberikan program / logika ke komputer, kami memberikan input output. Dalam contoh pertama, kami ingin menambahkan dua angka. Jadi, kami memberikan komputer data (a = 5, b = 6) dan logika (tambahan), lalu kami mendapatkan keluaran (11). Ini adalah pemrograman tradisional. Untuk pembelajaran mesin kami memberikan a = 5, b = 6 dan output = 11; jadi, sistem mencoba untuk memahami, kenapa 5, 6 adalah 11? Itu terus meningkatkan pemahamannya dengan lebih banyak data (a = 3, b = 4 dan output = 7), membangun logika (tambahan) dan kemudian melanjutkan untuk memprediksi output untuk masukan apa pun.

Sekali lagi, dengan risiko sedikit menyimpang, dengan nada yang lebih ringan, apakah perbedaan dalam contoh-contoh di atas memiliki signifikansi historis atau filosofis? Seperti yang dikatakan oleh beberapa pemikir kontemporer, “Data adalah minyak baru”. Beberapa orang telah berbicara tentang “puncak minyak” yang tentu saja, didahului oleh “puncak kuda” yang terjadi pada awal 1900-an sebagai akibat dari munculnya mesin pembakaran. Ya, tradisi Islam selama berabad-abad, telah menggarisbawahi “kebaikan kuda” yang terus-menerus. Seekor kuda selalu untuk para penikmat.

Seperti halnya ada metode pelatihan yang berbeda untuk seekor kuda [2], tergantung pada apakah ia dilatih untuk balapan atau gerbong atau perang atau mengantarkan pos, ada beberapa jenis pembelajaran mesin. Tiga tipe yang luas adalah diawasi, tidak diawasi, dan diperkuat.

Pertama, mari kita pertimbangkan pembelajaran terawasi, yang cepat, akurat, dan paling sering digunakan pembelajaran mesin. Pembelajaran mesin mengambil data sebagai input. Mari kita sebut data ini “data pelatihan”. Data pelatihan mencakup input dan label (target). Kembali ke contoh numerik sebelumnya, masukan 5,6 dan target 11.

Kami pertama-tama melatih model dengan banyak data pelatihan (input & target). Kemudian dengan data baru dan logika yang kami dapatkan, kami memprediksi hasilnya. Perhatikan bahwa kita mungkin tidak mendapatkan angka 6 sebagai jawaban; kita bisa mendapatkan nilai yang mendekati 6 berdasarkan data pelatihan dan algoritma. Dua jenis masalah ditangani melalui pembelajaran yang diawasi – regresi dan klasifikasi. Pada dasarnya, klasifikasi memisahkan data. Regresi cocok dengan data.

Regresi: Ini adalah jenis masalah dimana kita perlu memprediksi nilai respon yang berkesinambungan (kami memperkirakan angka yang dapat bervariasi dari – tak terbatas hingga + tak terbatas). Dalam contoh estimasi zakat sebelumnya, kita perlu memprediksi harga emas, perak, saham, nilai persediaan, hasil pertanian, tarif sewa / harga rumah dan aset lainnya, dll.

Klasifikasi: Ini adalah jenis masalah dimana kami memprediksi nilai respon kategoris dimana data dapat dipisahkan ke dalam “kelas” tertentu (kami memperkirakan salah satu nilai dalam satu set nilai). Kita dapat menambahkan beberapa contoh lagi ke contoh sebelumnya. Perhatikan bahwa enam klasifikasi awal adalah biner (ya atau tidak), sedangkan tiga terakhir adalah contoh klasifikasi multi-kelas.

Ya/Tidak

  • Apakah individu A dalam kategori mustahik miskin (faqir) atau tidak?
  • Apakah individu B termasuk dalam kategori mustahik musafir (ibn sabil) atau tidak?
  • Apakah penyumbang ke Global Sadaqah (platform urun dana) puas atau tidak?
  • Akankah penyumbang ke Global Sadaqah kembali sebagai penyumbang-berulang atau tidak?
  • Apakah individu C akan gagal membayar pada pelunasan qard-nya atau tidak?
  • Apakah ini foto Saudara X, atau bukan?

Sangat tinggi / tinggi / sedang / rendah / sangat rendah

  • Bagaimana peluang bahwa transaksi oleh individu E akan terbukti sebagai penipuan?
  • Bagaimana peluang bahwa penerima zakat F menerima ketrampilan tertentu akan dapat mengubah dirinya sendiri menjadi pengusaha/muzakki?
  • Bagaimana peluang proyek D akan memanfaatkan dana zakat dengan cara yang ditentukan Syariah?

Dalam pembelajaran tanpa pengawasan, data pelatihan tidak termasuk target. Jadi, kami tidak memberi tahu sistem ke mana harus pergi. Sistem harus memahami dirinya sendiri dari data yang kami berikan. Sistem harus memahami pola dalam data itu sendiri. Disini data pelatihan tidak terstruktur.

Ada juga berbagai jenis pembelajaran tanpa pengawasan seperti pengelompokan dan deteksi anomali. Pengelompokan adalah jenis masalah dimana kita mengelompokkan hal-hal serupa bersama-sama. Ini mungkin mirip dengan klasifikasi multi kelas, tetapi disini kami tidak memberikan label, sistem memahami dari data itu sendiri dan mengelompokkan data.

Beberapa contoh adalah:

  • diberikan pertanyaan atau komentar pada portal zakat, kelompokkan mereka ke dalam tipe pembayar
  • diberikan sejumlah Tweet di portal sukarela, kelompokkan berdasarkan konten Tweet
  • diberikan terusan Whatsapp dalam grup perempuan Islam, kelompokkan pengirim menjadi berbagai jenis
  • Pembelajaran tanpa pengawasan relatif lebih sulit diterapkan dan tidak digunakan seluas yang diawasi.

Kita mungkin dapat mengabaikan detail teknis, jika kita melihat diri kita hanya sebagai pengguna bisnis dari algoritma pembelajaran mesin. Kami tidak harus membangun model pembelajaran mesin kami sendiri. Kita dapat mencari jasa dari para ilmuwan data khusus. Sebagai profesional keuangan Islam atau keuangan sosial, kita dapat menemukan model pembelajaran mesin yang melakukan satu atau lebih tugas diatas. Setelah kita selesai bertanya apa yang dilakukannya dan mengapa kita membutuhkannya, pertanyaan kita selanjutnya seharusnya: seberapa baik itu, haruskah kita memercayainya?

Kita perlu mengetahui beberapa hal tentang evaluasi model. Seberapa baik prediksi modelnya? Menariknya, kita dapat menemukan ini dengan membandingkan apa yang diprediksi model dengan apa yang sudah kita ketahui tetapi belum dibagikan dengan mesin. Sebagai contoh, manajer Akhuwat (qard-fund) kami tertarik pada model yang dapat dengan benar mengklasifikasikan penerima manfaat barunya menjadi peminjam yang baik dan buruk (dari sudut pandang gagal bayar). Model ini memiliki data selama dua dekade terakhir tentang penerima manfaatnya yang termasuk populasi kecil yang gagal membayar. Ia tahu siapa yang gagal bayar dan siapa yang tidak. Katakanlah, ia berbagi data selama dua belas tahun pertama (60 persen) data dengan mesin untuk melatih model prediksi. Set ini kemudian disebut “dataset pelatihan”, kemudian menggunakan data empat tahun ke depan untuk memilih antara model alternatif. Kumpulan data ini disebut “dataset validasi”. Akhirnya, ia menggunakan data empat tahun terakhir (20 persen) untuk menemukan parameter optimal dari model yang meminimalkan kesalahan.

Mungkin bermanfaat bagi entitas yang mengalami risiko gagal bayar kredit yang tinggi dan tidak memiliki petunjuk tentang cara mengatasinya. Pada saat yang sama, model-model tersebut dapat menawarkan proposisi nilai alternatif kepada lembaga keuangan mikro Islam yang mungkin ingin memprediksi hasil dari inisiatif peningkatan keterampilan mereka.

Sekarang, orang mungkin berpendapat bahwa tidak ada kasus bisnis untuk organisasi tipe Akhuwat untuk menggunakan model prediksi kami. Organisasi yang memiliki standar minimum gagal bayar (sekitar satu persen) mungkin tidak berfikir menggunakan algoritma prediksi kami sebagai proposisi bisnis yang baik. Isu biaya versus manfaat dari latihan semacam itu tentu relevan. Mungkin bermanfaat bagi entitas yang mengalami risiko gagal bayar kredit yang tinggi dan tidak memiliki petunjuk tentang cara mengatasinya. Pada saat yang sama model tersebut dapat menawarkan proposisi nilai alternatif kepada lembaga keuangan mikro Islam yang mungkin ingin memprediksi hasil dari inisiatif peningkatan keterampilan mereka – memprediksi calon pemenang di antara pengusaha mikro berdasarkan data yang melampaui pendidikan mereka dan kompetensi yang tampak.

Pada saat yang sama, penggunaan “data alternatif” menimbulkan masalah etika yang serius, terutama dari sudut pandang Islam. Masyarakat Islam memberi nilai besar pada “privasi”, dan untuk alasan yang baik. Bisakah mesin kita tampil sebagai pemenang dalam menghadapi kendala etis ini?

Ada manfaat dalam gagasan bahwa model pembelajaran mesin membuat prediksi berdasarkan data yang melampaui apa yang secara tradisional digunakan untuk menilai kelayakan kredit (seperti, bukti pendapatan atau pekerjaan) atau sifat wirausaha pada individu. Orang miskin dikecualikan secara finansial terutama karena mereka dikecualikan dari data. Model pembelajaran mesin menggunakan “data alternatif” yang tidak memiliki hubungan nyata dengan kemampuan keuangan dan bisnis klien, seperti, jumlah kontak di ponsel seseorang, merek ponsel, nilai top-up ponsel rata-rata, pola akses online seseorang, apa pun yang berkaitan dengan jejak digital mereka. Rupanya memiliki nilaian yang rendah, ada ratusan tipe data yang sekarang tersedia di mesin kami untuk mengeksplorasi dan menemukan hubungan dengan pembayaran pinjaman atau kesuksesan wirausaha. Pada saat yang sama, penggunaan “data alternatif” menimbulkan masalah etika yang serius, terutama dari sudut pandang Islam. Masyarakat Islam memberi nilai besar pada “privasi”, dan untuk alasan yang baik. Bisakah mesin kita tampil sebagai pemenang dalam menghadapi kendala etis ini? Kami meninggalkan pertanyaan ini untuk blog berikutnya.

(Bersambung)

[1] Mengetuk kuda dengan satu kaki adalah sinyal bahwa kuda itu harus bergerak maju. Untuk membuat kuda berlari lebih cepat, isyaratnya adalah memberinya perintah verbal pendek seperti “berlari” atau “berlari kencang” dengan suara lembut. Untuk berhenti, seseorang harus menutup jari dan menarik ke belakang.

[2] Sebelum berkompetisi dalam perlombaan, seekor kuda harus menjalani periode pelatihan, disebut tadmir atau idmar, yang berlangsung selama empat puluh hingga enam puluh hari. (Encyclopaedia of Islam, 2:953)

(Diterjemahkan oleh:
Yusuf Ali, B.Ec | Qoriatul Hasanah, Lc. MIRK)

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

%d blogger menyukai ini: