Bayangkan sebuah program bantuan makan bergizi yang menyasar jutaan anak di seluruh Indonesia, dengan anggaran yang jumlahnya bisa mencapai ratusan triliun rupiah. Sekarang bayangkan lagi, dari titik distribusi paling ujung di daerah, ada laporan yang tidak sesuai kenyataan, mulai dari jumlah porsi yang digelembungkan, standar gizi yang diturunkan diam-diam, sampai data penerima yang sebetulnya fiktif. Masalahnya bukan cuma soal uang negara yang bocor, tapi juga soal anak-anak yang seharusnya menerima haknya malah tidak kebagian apa-apa.

Ini bukan skenario fiksi. Pertengahan tahun 2026, publik sempat dikejutkan dengan pengungkapan dugaan penyimpangan pada program Makan Bergizi Gratis (MBG), yang melibatkan oknum di tingkat pengelola maupun mitra penyedia. Temuan semacam ini sebetulnya bukan hal baru dalam tata kelola program bantuan sosial berskala besar. Yang jadi pertanyaan besar adalah, kenapa penyimpangan seperti ini baru ketahuan setelah kerugiannya menumpuk, bukan sebelum itu terjadi?

Di titik inilah saya melihat ada ruang yang sangat relevan untuk dibahas dari sudut pandang teknologi, khususnya kecerdasan buatan (AI) dan machine learning. Bukan sebagai solusi ajaib yang bisa menyelesaikan semua masalah korupsi, tapi sebagai alat bantu yang bisa mengubah cara kita mengawasi sesuatu, dari yang tadinya reaktif menjadi lebih prediktif.

Kenapa Audit Manual Selalu Kalah Cepat?

Cara pengawasan konvensional biasanya mengandalkan laporan berkala dan pemeriksaan fisik oleh petugas di lapangan. Masalahnya, jumlah titik distribusi program semacam ini bisa mencapai puluhan ribu lokasi, tersebar dari kota besar sampai pelosok. Tidak mungkin ada cukup sumber daya manusia untuk memeriksa setiap transaksi secara manual dan real-time.

Akibatnya, pola penyimpangan biasanya baru terdeteksi setelah terjadi berulang kali, atau setelah muncul laporan dari masyarakat maupun media. Pada saat itu, kerugian sudah terjadi dan proses hukum yang berjalan sifatnya sudah menindak, bukan mencegah. Ibaratnya, kita baru sadar ada kebocoran pipa air setelah rumah kebanjiran, padahal seharusnya bisa dideteksi dari tetesan kecil sejak awal.

Nah, di sinilah machine learning punya keunggulan yang audit manual tidak punya, yaitu kemampuan memproses data dalam jumlah sangat besar, secara terus-menerus, dan mendeteksi pola yang tidak wajar jauh lebih cepat dari kemampuan manusia.

Mesin yang Belajar Mengenali “Kejanggalan”

Secara sederhana, algoritma klasifikasi dalam machine learning bekerja dengan cara belajar dari data historis untuk mengenali pola normal, lalu membandingkan data baru dengan pola tersebut. Kalau ada data yang menyimpang cukup jauh dari pola normal, sistem akan menandainya sebagai anomali yang perlu diperiksa lebih lanjut.

Dua algoritma yang menurut saya paling relevan untuk kasus pengawasan distribusi bantuan sosial adalah Naive Bayes dan K-Nearest Neighbor (KNN). Keduanya punya cara kerja yang berbeda, tapi saling melengkapi kalau digabungkan.

Naive Bayes bekerja berdasarkan probabilitas. Algoritma ini menghitung kemungkinan sebuah transaksi masuk kategori “wajar” atau “mencurigakan” berdasarkan kombinasi beberapa faktor, misalnya jumlah penerima, waktu distribusi, dan lokasi. Keunggulan utamanya ada pada kecepatan komputasi. Karena perhitungannya relatif sederhana secara matematis, Naive Bayes sangat cocok dipakai untuk memproses data yang mengalir terus-menerus dalam volume besar, semacam aliran transaksi harian dari ribuan titik distribusi.

Sebagai gambaran sederhana, kalau sebuah titik distribusi biasanya melayani seratus penerima per hari, lalu tiba-tiba melonjak jadi tiga ratus tanpa ada perubahan data kependudukan yang mendukung, sistem akan langsung menghitung probabilitas bahwa ini adalah kejadian tidak wajar, dan menandainya untuk diperiksa lebih lanjut.

K-Nearest Neighbor punya pendekatan yang agak berbeda. Alih-alih menghitung probabilitas, algoritma ini membandingkan sebuah titik data dengan titik-titik data lain yang paling mirip karakteristiknya, baik dari sisi demografi, geografis, maupun pola logistik. Kalau sebuah wilayah menunjukkan pola pelaporan yang jauh berbeda dari wilayah-wilayah lain yang sebetulnya punya karakteristik serupa, itu jadi sinyal bahwa ada sesuatu yang perlu digali lebih dalam.

Kombinasi keduanya menarik karena Naive Bayes lebih unggul mengenali anomali pada level transaksi individual secara cepat, sementara KNN lebih peka terhadap pola penyimpangan yang sifatnya sistemik di level wilayah. Kalau hanya mengandalkan satu algoritma saja, ada kemungkinan pola tertentu justru lolos dari deteksi.

Bukan Sekadar Deteksi, Tapi Skor Risiko

Yang menarik dari pendekatan ini, hasil analisis dari kedua algoritma biasanya tidak langsung dijadikan vonis “ini pasti korupsi”. Hasilnya lebih tepat disebut sebagai skor risiko, semacam indikator seberapa besar kemungkinan sebuah transaksi atau titik distribusi perlu diperiksa lebih lanjut oleh manusia.

Pendekatan ini penting untuk digarisbawahi. Machine learning di sini berperan sebagai alat bantu penyaring awal, bukan pengambil keputusan akhir. Kalau skor risiko sebuah transaksi melewati ambang batas tertentu, barulah sistem mengirim notifikasi ke pihak berwenang untuk melakukan verifikasi lebih lanjut. Jadi peran manusia tetap ada, hanya saja fokusnya jadi jauh lebih terarah, tidak perlu memeriksa semua transaksi satu per satu.

Kalau dianalogikan, ini mirip seperti sistem keamanan bandara. Mesin pemindai tidak menentukan siapa yang bersalah, tapi dia menyaring dan menandai barang bawaan yang perlu diperiksa lebih detail oleh petugas. Machine learning dalam konteks pengawasan distribusi bantuan sosial bekerja dengan logika yang mirip.

Kenapa Pendekatan Ini Relevan, Tapi Tidak Sempurna?

Saya pribadi melihat kekuatan utama pendekatan ini ada pada kecepatan dan cakupannya. Sistem bisa bekerja dua puluh empat jam tanpa lelah, memproses ribuan bahkan jutaan transaksi setiap hari, sesuatu yang mustahil dilakukan manusia secara manual. Ini menggeser paradigma pengawasan dari yang tadinya reaktif menunggu laporan, menjadi lebih proaktif mengantisipasi penyimpangan sebelum dana termin berikutnya dicairkan.

Tapi tentu saja, pendekatan ini bukan tanpa tantangan. Ada beberapa hal yang menurut saya perlu jadi catatan penting.

Pertama, soal kualitas data. Machine learning hanya sebaik data yang menjadi bahan bakarnya. Kalau data yang masuk ke sistem sejak awal sudah dimanipulasi atau tidak lengkap, algoritma secanggih apa pun akan kesulitan mendeteksi anomali dengan akurat. Karena itu, integrasi data dengan sumber yang lebih terpercaya, misalnya basis data kependudukan resmi, jadi elemen yang sama pentingnya dengan algoritma itu sendiri.

Kedua, potensi false positive dan false negative. Sistem bisa saja salah menandai transaksi yang sebetulnya wajar sebagai anomali, misalnya karena ada perubahan mendadak yang sah, seperti bertambahnya jumlah penerima akibat kebijakan baru. Sebaliknya, ada juga risiko sistem tidak menangkap pola penyimpangan yang dirancang dengan sangat halus, karena pelaku tahu cara “bermain” di bawah radar algoritma. Ini artinya sistem perlu terus dievaluasi dan dilatih ulang secara berkala dengan data baru.

Ketiga, isu transparansi algoritma. Kalau masyarakat atau pihak yang diperiksa tidak paham bagaimana sebuah transaksi bisa ditandai sebagai mencurigakan, ada risiko kepercayaan terhadap sistem ini justru menurun. Karena itu, penjelasan hasil analisis harus disampaikan dengan bahasa yang mudah dipahami, bukan sekadar angka probabilitas yang membingungkan orang awam.

Keempat, ada juga pertimbangan yang sifatnya lebih ke arah tata kelola, yaitu siapa yang berwenang mengakses dan mengubah parameter algoritma. Kalau sistem deteksi anomali ini dikelola tanpa pengawasan yang jelas, bukan tidak mungkin justru disalahgunakan, misalnya dengan mengatur ambang batas deteksi supaya wilayah atau pihak tertentu “terlihat aman” di mata sistem, padahal kenyataannya tidak demikian. Ini artinya, membangun sistem yang andal secara teknis saja tidak cukup, harus dibarengi dengan mekanisme audit terhadap sistem itu sendiri, semacam pengawasan berlapis yang memastikan algoritma juga tidak luput dari pengawasan manusia.

Belajar dari Pendekatan Serupa di Sektor Lain

Kalau kita perhatikan, pola pikir “mendeteksi anomali sebelum terlambat” ini sebetulnya bukan hal baru. Industri perbankan dan fintech sudah bertahun-tahun mengandalkan sistem serupa untuk mendeteksi transaksi mencurigakan yang berpotensi jadi indikasi pencucian uang atau penipuan kartu kredit. Setiap kali kita transaksi di lokasi yang tidak biasa atau dengan nominal yang jauh dari kebiasaan, sistem bank akan otomatis menandainya dan kadang langsung memblokir sementara sampai ada verifikasi dari pemilik kartu.

Logika yang sama sebetulnya bisa diadaptasi untuk konteks pengawasan bantuan sosial. Bedanya, kalau di perbankan objek yang diawasi adalah transaksi keuangan individu, dalam konteks program bantuan sosial objek yang diawasi adalah pola distribusi barang dan jasa ke ribuan titik yang tersebar secara geografis. Tantangannya jadi sedikit berbeda, karena variabel yang perlu dipertimbangkan lebih beragam, mulai dari kondisi geografis, karakteristik demografis wilayah, sampai pola musiman yang bisa memengaruhi jumlah penerima secara wajar.

Menariknya, semakin banyak sektor publik di berbagai negara yang mulai mengadopsi pendekatan berbasis data serupa untuk pengawasan anggaran, mulai dari sistem pengadaan barang dan jasa pemerintah, sampai pengawasan dana bantuan bencana. Ini menunjukkan bahwa tren pengawasan berbasis machine learning bukan sekadar wacana akademis, tapi sudah mulai jadi praktik nyata yang terbukti bisa mempersempit ruang gerak penyimpangan.

Peran Big Data Sebagai Fondasi, Bukan Sekadar Pelengkap

Sekilas, machine learning terdengar seperti “otak” dari keseluruhan sistem pengawasan. Tapi otak secanggih apa pun tidak akan berfungsi maksimal kalau tidak punya asupan data yang memadai. Di sinilah infrastruktur big data berperan penting sebagai fondasi, meskipun bukan jadi fokus utama pembahasan artikel ini.

Bayangkan setiap transaksi distribusi, mulai dari pembelian bahan baku oleh vendor, proses pengolahan di dapur, sampai penyerahan porsi ke penerima manfaat, semuanya dicatat secara otomatis dan real-time. Volume datanya bisa mencapai jutaan entri per hari kalau program ini berjalan secara nasional. Tanpa infrastruktur penyimpanan dan pemrosesan data yang andal, algoritma machine learning secanggih apa pun akan kewalahan, atau bahkan tidak bisa berjalan sama sekali karena keterbatasan kapasitas pemrosesan.

Jadi, hubungan antara big data dan machine learning ini sifatnya saling bergantung. Big data menyediakan “bahan mentah” berupa data mentah dalam jumlah besar dan mengalir terus-menerus, sementara machine learning berperan mengolah bahan mentah tersebut menjadi informasi yang bisa ditindaklanjuti. Kalau salah satu dari dua komponen ini lemah, keseluruhan sistem pengawasan otomatis jadi kurang efektif.

Teknologi Sebagai Alat, Bukan Solusi Tunggal

Menurut saya, kekuatan sebenarnya dari pendekatan berbasis machine learning ini bukan terletak pada klaim bahwa AI bisa “menangkap koruptor”. Kekuatannya ada pada perubahan cara berpikir dalam pengawasan, dari yang sifatnya menunggu dan menindak, menjadi mengantisipasi dan mencegah sedini mungkin.

Namun teknologi secanggih apa pun tetap butuh ekosistem pendukung yang kuat, mulai dari regulasi yang jelas, komitmen kelembagaan, sampai kesiapan sumber daya manusia yang bisa menindaklanjuti hasil deteksi sistem. Algoritma hanya bisa menunjukkan “di mana kemungkinan ada masalah”, tapi keputusan untuk menindaklanjuti, memverifikasi, dan menegakkan aturan tetap ada di tangan manusia.

Buat saya, ini jadi contoh menarik bagaimana ilmu komputer, khususnya kecerdasan buatan, bisa punya dampak nyata di luar ranah teknis semata. Ketika data diperlakukan sebagai aset penting dalam tata kelola layanan publik, dan algoritma dirancang untuk bekerja sebagai “auditor cerdas” yang mendampingi manusia, harapannya program-program bantuan sosial bisa lebih tepat sasaran, lebih transparan, dan yang paling penting, benar-benar sampai ke tangan mereka yang berhak menerimanya.

Artikel ini merupakan tugas individu Mata Kuliah Kewirausahaan, dengan fokus pembahasan pada penerapan Machine Learning dan algoritma deteksi anomali dalam konteks pengawasan distribusi program bantuan sosial berbasis data.

Signature

NIM: 10123089
Nama : Dionisius Deni Mardiansyah
Prodi / Fakultas : Teknik Informatika / Teknik & Ilmu Komputer
Kelas : IF-3 / Semester 6

Referensi

Longobucco, A., & Ferwerda, J. (2026). Machine Learning Detects Corruption Risk in Public Procurement: The Impact of Beneficial Ownership Data. Utrecht University Working Papers on Governance and Anti-Corruption Economics.
Gnoffo, S., & Santos, M. (2024). Detection of Anomalous Proposals in Governmental Bidding Processes: A Machine Learning-Based Approach. In Proceedings of the Workshop on Computer Science in Governance and Economy (WCGE), 234-245.
Benitez, L., & Ayala, H. (2020). Anomaly Detection in Public Procurements using the Open Contracting Data Standard. CEUR Workshop Proceedings, 2369, 45-52.
Al-Shabi, M. A. (2025). AI-Powered Fraud Detection in Digital Payment Systems: Leveraging Machine Learning for Real-Time Risk Assessment. Preprints, 2025020278. doi:10.20944/preprints202502.0278.v1.