Dimulai pada akhir tahun 2020, ketika pandemi COVID-19 sedang berlangsung, telepon genggam puluhan ribu penduduk desa miskin di Togo berdering dengan kabar baik. Uang mereka sudah siap. Dengan bantuan kecerdasan buatan (artificial intelligence/AI), penduduk desa di sebidang tanah sempit di Afrika Barat ini telah disetujui untuk menerima sekitar US$10 setiap dua minggu, yang dikirimkan langsung ke rekening uang seluler mereka. Meskipun jumlah tersebut mungkin tidak terlalu banyak, namun hal ini dapat mencegah penduduk desa tersebut kelaparan.
Proyek-proyek pengentasan kemiskinan konvensional mengandalkan data yang dikumpulkan melalui survei langsung – yang tidak mungkin dilakukan selama pandemi. Namun, upaya Togo, yang dijuluki Novissi, yang berarti ‘solidaritas’ dalam bahasa lokal Éwé, menggunakan kecerdasan buatan untuk menentukan siapa yang harus menerima bantuan. Proyek yang dipimpin oleh Cina Lawson, Menteri Ekonomi Digital dan Transformasi Togo, bersama dengan para ilmuwan dari University of California, Berkeley, dan lembaga swadaya masyarakat (LSM) GiveDirectly ini menganalisis citra satelit dan data dari jaringan telepon seluler untuk memperkirakan kekayaan daerah dan individu tertentu1. “Kami membutuhkan pendekatan bedah,” kata Lawson. Ini adalah momen penting bagi penggunaan AI dalam pekerjaan anti-kemiskinan, katanya.
Sekitar 700 juta orang di seluruh dunia hidup dalam kemiskinan ekstrem, yang didefinisikan oleh Bank Dunia sebagai hidup dengan pendapatan kurang dari $2,15 per hari. Mengakhiri kemiskinan tersebut, yang merupakan salah satu Tujuan Pembangunan Berkelanjutan (SDGs) PBB, membutuhkan pemahaman tentang siapa yang membutuhkan dan apa kebutuhan mereka. Namun, mengukur kemiskinan telah lama menjadi tantangan, sebagian besar karena waktu dan biaya yang dibutuhkan untuk mengumpulkan data dari populasi termiskin dan paling rentan.
AI memungkinkan Lawson melompati rintangan konvensional dalam menggunakan data lama dan tidak lengkap untuk memanfaatkan anggarannya yang terbatas dengan cepat. Ini adalah pendekatan yang menarik minat sekaligus kontroversi, kata Joshua Blumenstock, ilmuwan komputer di University of California, Berkeley, yang berkolaborasi dengan Novissi.
Alat-alat AI tidak hanya cepat, kata Ariel BenYishay, seorang ekonom pembangunan di AidData Research Lab di William & Mary, sebuah universitas di Williamsburg, Virginia, tetapi mereka juga dapat mencakup porsi populasi yang lebih besar dan lebih representatif daripada yang dilakukan oleh survei rumah tangga, dan mengidentifikasi pola-pola dalam data yang bahkan dapat terlewatkan oleh para ahli. AI juga dapat membantu para peneliti untuk mengevaluasi seberapa baik program-program mencapai tujuan mereka dan menunjukkan bagaimana investasi di bidang-bidang seperti kesehatan, pertanian, pendidikan, dan infrastruktur membuahkan hasil – atau tidak. Bank Dunia mengakui nilai ini dan telah mengembangkan alat AI canggih untuk mencoba meramalkan krisis pangan dan konflik kekerasan, dan untuk menarik wawasan dari sejumlah besar data yang dikumpulkan setelah intervensi bantuan. Bank Dunia menyimpulkan laporan Poverty, Prosperity, and Planet2 pada Oktober 2024 dengan mencatat bahwa “upaya anti-kemiskinan harus fokus pada pemanfaatan pembelajaran mesin dan model kecerdasan buatan untuk menutup kesenjangan data dan memungkinkan pemantauan yang lebih tepat waktu”.
Namun, ada beberapa alasan untuk berhati-hati, kata ahli geografi manusia Ola Hall dari Lund University di Swedia, yang meneliti hubungan antara AI dan kemiskinan. Model AI telah dikritik karena dianggap rasis, seksis, dan bias. Sama seperti survei rumah tangga yang sering kali melewatkan keluarga termiskin karena mereka tidak memiliki tempat tinggal permanen, program yang digerakkan oleh AI mungkin tidak dapat membantu individu yang tidak memiliki jejak data digital, kata Hall. Mereka tidak cukup akurat untuk menentukan siapa yang berhak mendapatkan bantuan atau subsidi tunai dan siapa yang tidak, katanya.
Namun, betapapun cacatnya AI, sistem evaluasi kemiskinan yang ada saat ini juga sama buruknya, kata BenYishay. “Data dasar bukanlah data yang sempurna. Data tersebut sebenarnya sangat jelek,” katanya.
Mengukur kemiskinan
Pembaharu sosial Inggris, Charles Booth, melakukan upaya awal untuk mengukur kemiskinan dari tahun 1886 hingga 1903 ketika ia menyusuri jalanan berbatu di London untuk mengumpulkan data tentang pendapatan dan kelas sosial masyarakat. Dia membuat peta kota dengan kode warna dan melaporkan temuannya dalam sebuah risalah berjudul Life and Labour of the People in London. Sosiolog Inggris Seebohm Rowntree dan timnya mewawancarai 11.560 keluarga di York, Inggris, dan mempublikasikan temuannya dalam sebuah buku tahun 1901 yang berjudul Poverty: A Study of Town Life. Tim tersebut menghitung kemiskinan berdasarkan kemampuan untuk memenuhi “efisiensi fisik” seseorang, atau kebutuhan nutrisi minimal mereka. Contoh makanan minimal mungkin termasuk roti, bubur, daging rebus, kentang, susu skim, dan sedikit lainnya.
Setelah Presiden AS Lyndon Johnson mendeklarasikan ‘Perang Melawan Kemiskinan’ pada tahun 1964, Kantor Kesempatan Ekonomi mengadopsi ambang batas kemiskinan yang dirancang oleh ekonom Mollie Orshansky dengan pendekatan yang sama. Ia mendefinisikan kemiskinan sebagai pendapatan minimum yang dibutuhkan untuk memenuhi kebutuhan makanan, tempat tinggal, dan biaya dasar lainnya. Pada waktu yang hampir bersamaan, India melakukan perhitungan yang sama untuk penduduknya. Meskipun setiap ahli mengutak-atik formula mereka untuk memperhitungkan variasi lokal dalam biaya sewa dan biaya makanan, mereka semua mendefinisikan kemiskinan berdasarkan jumlah uang yang dihabiskan per hari.
Pendekatan dolar per hari adalah pendekatan yang sederhana dan mudah untuk dikomunikasikan, kata Dean Jolliffe, seorang ekonom di Bank Dunia di Washington DC. Namun, berapa banyak uang yang dibelanjakan seseorang untuk bertahan hidup hanyalah salah satu aspek dari kemiskinan. Ekonom dan pendeta Anglikan Sabina Alkire menganjurkan cara yang lebih bernuansa untuk mendefinisikan kemiskinan. “Saya ingin tahu berapa banyak orang miskin yang tidak memiliki rumah, berapa banyak orang miskin yang anaknya putus sekolah, sehingga saya bisa merespons dengan cara-cara yang sangat nyata dan langsung,” kata Alkire, yang juga direktur Oxford Poverty and Human Development Initiative di Universitas Oxford, Inggris.
Pada awal tahun 2000-an, Alkire menginginkan sebuah cara untuk memotret berbagai dampak kemiskinan terhadap masyarakat. Hanya karena seseorang memiliki cukup uang untuk membeli makanan, bukan berarti mereka memiliki cukup uang untuk perawatan medis atau biaya sekolah, kata Alkire. Pada tahun 2008, Alkire bekerja sama dengan James Foster, seorang ekonom dari George Washington University di Washington DC, untuk mengembangkan apa yang disebut Indeks Kemiskinan Multidimensi (Multidimensional Poverty Index/MPI)3. Pendekatan ini mengestimasi ukuran kemiskinan secara terpadu dengan menghitung kekurangan dan intensitasnya, dengan total sepuluh indikator, termasuk gizi, kehadiran di sekolah, akses ke air minum, dan apa yang digunakan rumah tangga untuk bahan bakar memasak.
Untuk bidang kemiskinan, hal ini merupakan perubahan besar. Hal ini memungkinkan para pembuat kebijakan dan pihak-pihak lain untuk mengukur, membedah, dan menargetkan variabel-variabel yang saling berinteraksi yang berkontribusi terhadap kemiskinan di tingkat rumah tangga. Program Pembangunan Perserikatan Bangsa-Bangsa (UNDP) mengganti Indeks Kemiskinan Manusia (Human Poverty Index) yang berfokus pada kelangsungan hidup, melek huruf, dan standar hidup, dengan Indeks Kemiskinan Alkire dan Foster (Alkire and Foster’s MPI) pada tahun 2010, meskipun beberapa badan PBB bersama dengan Bank Dunia masih tetap menggunakan definisi dolar per hari.
Para peneliti dan lembaga-lembaga pemberi bantuan telah mengembangkan berbagai cara selain IKM untuk mendefinisikan kemiskinan. Metode-metode ini bervariasi dalam hal faktor-faktor yang mereka masukkan, tergantung pada apa yang ingin mereka ukur dan data yang tersedia, kata Jennifer Davis, yang mengepalai Program Air, Kesehatan & Pembangunan di Universitas Stanford di California. Dalam sebuah makalah pada tahun 2024, sebuah tim yang dipimpin oleh Davis dan mahasiswa pascasarjana Christine Pu mengevaluasi empat definisi kemiskinan yang digunakan di lapangan, termasuk pengeluaran per kapita harian tetapi tidak dengan IPM, dan menemukan perbedaan besar dalam bagaimana definisi tersebut memberi peringkat rumah tangga di Ethiopia, Ghana, dan Uganda4. “Ketika kami melakukan analisis, kami tidak hanya tidak menemukan banyak kesamaan untuk seluruh sampel, tetapi juga tidak menemukan kesamaan untuk rumah tangga di perkotaan, atau untuk 20% kelompok terbawah, atau untuk 1% kelompok terbawah di mana kita mungkin mengharapkan kebutuhan terbesar,” kata Pu.
Selain kurangnya kesepakatan tentang definisi, ada juga masalah waktu. Bahkan tim lapangan yang sudah terlatih dengan baik membutuhkan beberapa jam untuk mensurvei satu keluarga, kata Jolliffe. Meskipun para peneliti kemiskinan telah menyempurnakan metrik mereka dan menggabungkan metode komputasi terbaru untuk menganalisis data, mereka sering kali masih mengandalkan survei lapangan untuk mengumpulkan data tersebut. Banyak orang yang terkejut bahwa kami masih melakukan survei rumah tangga, kata Jolliffe. Namun, “gagasan bahwa kami memiliki data tentang semua hal tentang semua orang adalah perspektif yang sangat kaya”.
Beralih ke AI
Sebagai mahasiswa PhD di bidang ekonomi pertanian dan sumber daya, Marshall Burke terbiasa dengan pengumpulan data yang melelahkan. Untuk mempelajari praktik pertanian dan perkebunan di Afrika Timur, Burke melakukan perjalanan ke Kenya dan Uganda, di mana ia menghabiskan waktu berbulan-bulan untuk berbicara dengan para petani dan mengunjungi ladang mereka. Namun, ketika Burke memulai Environmental Change and Human Outcomes Lab di Stanford University pada tahun 2015, ia bertanya-tanya apakah revolusi komputer dapat menawarkan pendekatan yang lebih baik.
David Lobell, yang memiliki pengalaman luas dalam penginderaan jarak jauh, menempati kantor di sebelahnya. Pada saat yang sama, seorang spesialis dalam bidang AI dan pengenalan gambar, Stefano Ermon, juga bergabung dengan Universitas Stanford. Diskusi ketiganya mengarah pada bagaimana data yang terus meningkat dari citra satelit dapat digunakan untuk membantu mengidentifikasi orang-orang yang hidup dalam kemiskinan di seluruh dunia. Mengetahui bahwa pencahayaan di malam hari dapat menjadi proksi kasar untuk kekayaan, para peneliti menggunakan citra satelit malam hari di berbagai wilayah di Afrika bersama dengan citra siang hari untuk mengajarkan model komputer untuk mengidentifikasi fitur-fitur yang terkait dengan kekayaan.
Meminta komputer untuk membandingkan gambar-gambar daerah yang sudah diketahui sangat kaya atau sangat miskin adalah versi elektronik dari permainan “melihat perbedaan”, kata Burke. Algoritme membandingkan distribusi dan kondisi jalan, jumlah ruang hijau, ukuran dan jarak bangunan, dan banyak variabel lainnya. “Semua hal yang Anda dan saya pikirkan untuk dicari dalam sebuah gambar adalah sedikit prediktif,” kata Burke. “Sebuah mesin dapat memilah-milah semua data tersebut,” dan menentukan aspek apa yang paling relevan.
Pada tahun 2016, tim melaporkan bahwa analisis AI terhadap citra satelit berkorelasi kuat dengan pengukuran kemiskinan di lapangan5. Seiring dengan perkembangan pembelajaran mesin, Lobell, Burke, dan Ermon menyempurnakan model mereka dengan menggabungkan teknik-teknik terbaru.
Dengan menggunakan set data pan-Afrika dari citra satelit yang tersedia untuk umum, ketiganya menguji pendekatan terbaru pada Mei 2020. Ketika tim membandingkan prediksi pembelajaran mesinnya dengan data survei terkait kekayaan dari 20.000 desa, algoritme ini menunjukkan hasil yang sama baiknya dengan survei yang melelahkan, tetapi dengan upaya dan biaya yang jauh lebih sedikit6 (lihat ‘Prediksi kemiskinan’).
“Ini adalah konsep perbaikan yang cukup penting bagi komunitas pengembangan,” kata BenYishay. Tim lain bergabung dalam eksperimen ini, dan melontarkan banyak ide yang berbeda, katanya. Para ilmuwan menerapkan pembelajaran mesin untuk mencari pola pada citra satelit dan data ponsel, dan untuk menganalisis dampak kekeringan, produktivitas pertanian, investasi infrastruktur, dan banyak lagi, katanya.
Sebagian besar upaya ini masih terbatas pada penelitian akademis karena bidang ini masih sangat muda, kata Abe Tarapani, kepala eksekutif Atlas AI, sebuah perusahaan yang memberikan manfaat bagi masyarakat di Palo Alto, California, yang didirikan bersama oleh Burke, Lobell dan Ermon. Taruhannya terlalu tinggi untuk terjun langsung, kata Tarapani. Namun ketika pandemi melanda, Lawson merasa tidak punya pilihan lain.
Ujian di dunia nyata
Lawson memiliki anggaran sebesar $34 juta untuk proyek Novissi, baik dari sumber daya pemerintah maupun LSM, untuk membantu populasi yang berjumlah lebih dari delapan juta orang. Ia harus mencari cara untuk mendistribusikannya. Namun Togo tidak memiliki data kemiskinan yang cukup mutakhir atau cukup rinci, terutama untuk wilayah agraris di negara tersebut.
Atas rekomendasi dari seorang penasihat, Lawson menghubungi Blumenstock. Pada tahun 2015, Blumenstock telah melaporkan penggunaan algoritme pembelajaran mesin untuk menganalisis data ponsel untuk memprediksi kekayaan di Rwanda7, dan dia telah menggunakan citra satelit untuk membuat peta kemiskinan di seluruh negara berpenghasilan rendah dan menengah dengan resolusi 2,4 kilometer8.
Ponsel digunakan secara luas di Togo, dan negara ini telah mengadopsi uang seluler. Blumenstock mengatakan kepada Lawson bahwa AI dapat membedakan antara individu yang lebih kaya dan mereka yang hidup dalam kemiskinan di daerah pedesaan berdasarkan penggunaan ponsel, termasuk transaksi uang seluler, serta frekuensi dan keragaman panggilan dan pesan. Hal ini, dikombinasikan dengan analisis citra satelit, memberikan cara untuk mencoba menentukan siapa yang paling membutuhkan uang.
Analisis proyek Novissi yang dilaporkan pada tahun 2022 menunjukkan bahwa pendekatan AI lebih baik dalam mengidentifikasi orang-orang yang membutuhkan bantuan dibandingkan dengan metode lain yang sedang dipertimbangkan di Togo9. Namun, kata Blumenstock, masih belum jelas seberapa baik pendekatan lain yang bisa dilakukan dengan lebih banyak sumber daya dan waktu untuk mempersiapkannya.
Upaya lain yang didukung oleh AI juga menghadapi ketidakpastian. Pada tahun 2022, sebuah kolaborasi antara organisasi amal Google.org dan GiveDirectly mengorganisir uang untuk dikirim ke rekening uang seluler 6.000 keluarga yang tinggal di Afrika. Wilayah-wilayah ini telah dianggap berisiko tinggi mengalami banjir di masa depan berdasarkan prakiraan yang didukung oleh AI. Uang tersebut memungkinkan para petani di Mozambik untuk membentengi rumah dan ladang mereka sebelum air naik, dan dalam uji coba terpisah, bantuan pasca-banjir ditujukan kepada para petani Nigeria pada minggu-minggu setelah banjir. Namun banjir di Mozambik tidak terjadi persis seperti yang diperkirakan, yang berarti beberapa keluarga yang tidak terkena dampak menerima uang dan beberapa keluarga yang terkena dampak tidak.
Ketidaktepatan ini tidak berarti bahwa program ini tidak berhasil, kata Daniel Quinn, seorang direktur di GiveDirectly di San Francisco, California. “Orang-orang yang berada di luar garis batas yang kami targetkan masih sangat membutuhkan,” kata Quinn.
Samuel Fraiberger, seorang ilmuwan data di Development Impact Group Bank Dunia di New York City, mengatakan bahwa upaya ini cukup menjanjikan dan kemudian diperluas. “Ini adalah aplikasi dunia nyata dari metode-metode semacam ini,” kata Fraiberger, yang membantu memimpin upaya AI di Bank Dunia. Namun, ia menyadari bahwa tanpa kehati-hatian dalam penerapannya, AI dapat melanggengkan bias-bias yang ada. Mengembangkan metode untuk mengevaluasi kualitas data yang digunakan untuk melatih AI akan sangat penting, katanya. Menggunakan AI bersama dengan data besar juga memiliki masalah privasi; tim Lawson harus mengatasi masalah tersebut ketika mengimplementasikan Novissi.
Alkire dan yang lainnya di lapangan tetap skeptis terhadap upaya apa pun yang mungkin menyederhanakan pengumpulan dan analisis data. “Tidak ada negara di dunia saat ini yang bisa melakukan pengukuran kemiskinan multidimensi dari catatan administratif dan data satelit, karena Anda tidak bisa melihat ke dalam rumah dan mengetahui anak mana yang kekurangan gizi,” kata Alkire. Dan tidak ada komputasi canggih yang dapat mengimbangi data yang buruk, tambahnya.
Hall mencatat bahwa para peneliti kemiskinan akan selalu membutuhkan tolok ukur untuk memeriksa prediksi algoritmik mereka. Siapa yang membutuhkan bantuan, apa bentuk kebutuhan tersebut dan jenis bantuan apa yang sesuai akan terus berubah. Meskipun algoritme semakin membaik, saat ini ia menilai kemampuan AI untuk mengidentifikasi individu yang hidup dalam kemiskinan berada pada “tingkat kematangan” dua dari sepuluh.
Namun, Burke mengatakan bahwa pendekatan algoritmik dan survei konvensional sama-sama berharga dan dibutuhkan; ia tidak ingin mengadu domba satu sama lain. Ketika pemerintah dan lembaga bantuan menghadapi anggaran terbatas dan guncangan ekonomi yang tiba-tiba, katanya, AI bisa menjadi alat utama yang membantu menyalurkan bantuan kepada orang-orang yang paling membutuhkan.
