VIDEO: Satelit Bisa Petakan Kemiskinan Dunia
- Pixabay/PublicDomainPictures
VIVA.co.id – Peneliti Stanford University, California Amerika Serikat punya terobosan untuk memetakan kemiskinan di belahan dunia. Pengukuran tingkat kemiskinan memang terbilang sulit, apalagi daerah di negeri berkembang.
Nah, peneliti menggunakan pencitraan satelit dan bantuan dari mesin pempelajaran, untuk menentukan secara lebih tepat, daerah mana saja yang termasuk miskin.
Dalam studinya yang diterbitkan dalam jurnal Science, dikutip The Verge, Jumat 19 Agustus 2016, untuk menentukan daerah mana yang miskin dan kaya, peneliti mengandalkan dari hasil pencitraan cahaya pada malam hari.
Dalam studinya, peneliti menggunakan tiga data komputer yaitu gambar cahaya saat malam hari, gambar saat siang hari dan data survei terbaru. Kombinasi tiga data itu dipakai untuk membuat algoritma yang memprediksi area kaya dan miskin.
Untuk membangun algoritma pembelajaran peta kemiskinan, peneliti menjalankan dua tahap yang disebut 'transfer learning'. Tahap pertama, peneliti menunjukkan jaringan gambar saat siang hari dan gambar malam hari di empat negara Afrika, yaitu Uganda Tanzania, Nigeria, Malawi dan Rwanda.
Dengan memakai teknik pembelajaran mendalam, peneliti diajarkan memprediksi bahwa cahaya malam akan dikombinasikan dengan gambar siang hari dan dicarikan korelasinya.
Dalam hal ini, misalnya, jika ada banyak rumah di suatu area, maka asumsinya akan punya banyak cahaya pada malam hari. Sebaliknya jika suatu area hanya punya lapang tanah saja, berarti asumsinya saat malam hari, area itu tak punya lampu.
Langkah kedua, peneliti memakai model yang berbeda yaitu model regresi ridge. Model ini sudah banyak dikenal untuk menghubungkan fitur daratan dan cahaya. Dalam studinya, peneliti mengolah model itu dalam seperangkat informasi, dengan menggunakan data survei aktual dari Demographic Health Services and World Bank Living Standards Measurement Study.
Dari olah dan kombinasi data pada algoritma itu, peneliti mampu menentukan tingkat kekayaan 10 rumah. Misalnya, 10 rumah itu berpendapatan rumah tangga US$1,90 per hari .
Salah satu penulis studi, Neal Jean mengatakan, gagasan memetakan kemiskinan berbasis pencitraan satelit itu akan membantu terutama di daerah yang tidak punya atau belum tersentuh survei.
"Ini akan membantu organisasi donor yang menyelesaikan masalah ini (pemetaan kemiskinan)" ujar Jean yang merupakan kandidat doktor dalam mesin pembelajaran Standford University dikutip The Verge.
Dalam studinya, peneliti mengaku tidak hanya bermodal pada keyakinan daerah yang gelap pada pada malam hari adalah area miskin. Sebab bisa saja, area gelap matahari merupakan area yang jarang penduduknya kadang punya sumber daya alam yang besar.
Sebagai solusi, peneliti menggabungkan data cahaya pada malam hari dengan pencitraan resolusi tinggi pada siang hari. Peneliti mengaku memakai data cahaya malam untuk mengidentifikasi fitur dalam pencitraan resolusi tinggi siang hari yang terkait dengan pembangunan ekonomi.
"Algoritma pembelajaran mesin kami mempelajari memilih pencitraan banyak hal yang mudah dikenali manusia, misalnya jalan, daerah perkotaan dan lahan pertanian," jelas Jean.
Kemudian peneliti memakai fitur tersebut dari pencitraan siang hari untuk memprediksi tingkat kekayaan desa, seperti yang diukur dalam data survei yang tersedia.
Hasil metode survei kemiskinan itu mengejutkan peneliti. Sebab metode ini mampu memprediksi distribusi kemiskinan bahkan sampai mengalahkan pendekatan yang sudah ada.
"Makalah kami menunjukkan kekuatan mesin pembelajaran dalam konteks ini. Dan karena itu mudah dan dapat disesuaikan, sebab hanya membutuhkan gambar satelit. Dan dapat digunakan untuk memetakan kemiskinan di seluruh dunia dengan cara yang murah," kata penulis lain dalam studi itu, Stefano Ermon, asisten profesor ilmu komputer Stanford Woods Institute of the Environment dikutip dari Science Daily.
Dengan demikian, maka data kemiskinan berbasis satelit ini bisa membantu pembuat kebijakan dan organisasi donor menyalurkan dana lebih efisien dan bisa mengevaluasi kebijakan secara lebih efektif.
