Perpustakaan Digital ITB

Pengambilan keputusan berbasis data sosial ekonomi merupakan program strategis nasional dalam penanggulangan kemiskinan, namun implementasinya masih sangat bergantung pada metode statistik seperti Proxy Means Test (PMT) yang menghasilkan klasifikasi numerik tanpa justifikasi naratif dan rekomendasi kebijakan yang terstandardisasi. Kondisi ini menyulitkan proses verifikasi lapangan serta membatasi pemanfaatan data sebagai dasar pengambilan keputusan yang transparan dan dapat dijelaskan. Penelitian ini bertujuan untuk mengeksplorasi paradigma baru dalam analisis data sosial ekonomi dengan memanfaatkan Large Language Models (LLM) yang diintegrasikan dengan teknik Fine-Tuning dan Retrieval-Augmented Generation (RAG) guna menghasilkan analisis yang explainable serta rekomendasi yang terhubung langsung dengan dokumen kebijakan. Pendekatan yang diusulkan tidak dimaksudkan untuk menggantikan metode statistik yang telah digunakan, melainkan sebagai sistem pendukung keputusan yang melengkapi pendekatan tersebut melalui kemampuan penalaran semantik dan penyusunan rekomendasi intervensi yang kontekstual. Penelitian ini menggunakan Design Science Research Methodology (DSRM), dengan membangun sistem berbasis Fine-Tuning GPT-4.1 pada sampel data REGSOSEK Kabupaten Sumedang serta modul RAG berbasis FAISS yang mengaitkan kondisi keluarga dengan dokumen kebijakan daerah. Evaluasi dilakukan menggunakan Standard Accuracy dan Custom Accuracy yang dirancang berdasarkan regulasi bantuan sosial (Kepmensos 79/2025), serta metrik semantik BERTScore dan Cosine Similarity untuk menilai kualitas reasoning dan rekomendasi. Hasil penelitian menunjukkan bahwa Fine-Tuning meningkatkan Standard Accuracy dari 12–17% pada base model menjadi 28–34%, dengan Custom Accuracy mencapai 83–86%. Meskipun akurasi standar tampak moderat secara statistik, analisis kesalahan menunjukkan bahwa sebagian besar deviasi prediksi terjadi pada interval desil yang berdekatan dan tidak mengubah status kelayakan bantuan sosial, sehingga sistem tetap valid secara fungsional dalam konteks pengambilan kebijakan. Kualitas reasoning juga meningkat signifikan dengan kenaikan BERTScore F1 dari 0,64 menjadi 0,93. Pada modul RAG, capaian BERTScore F1 rata-rata sebesar 0,826 dan ROUGE-L sekitar 0,49 mengonfirmasi relevansi semantik rekomendasi terhadap dokumen kebijakan rujukan. Penelitian ini membuktikan bahwa integrasi Fine-Tuning dan RAG menawarkan pendekatan alternatif dalam analisis data kemiskinan. Meskipun dibatasi pada studi kasus Kabupaten Sumedang, metodologi yang dikembangkan bersifat replicable dan berpotensi diterapkan sebagai alat verifikasi untuk meningkatkan akurasi penargetan bantuan sosial di daerah lain.