Data menjadi fondasi penting dalam berbagai pengambilan keputusan, mulai dari penyusunan kebijakan pembangunan hingga penelitian ilmiah. Namun, dalam praktiknya, data yang dikumpulkan sering kali tidak lengkap atau memiliki missing values, sehingga berpotensi menurunkan akurasi hasil analisis. Kondisi tersebut menjadi tantangan tersendiri, terutama ketika data yang digunakan memiliki banyak variabel dan saling berkaitan.

Berangkat dari permasalahan tersebut, penelitian kolaboratif mengembangkan sebuah metode baru berbasis kecerdasan buatan (Artificial Intelligence/AI) yang mampu mengatasi data tidak lengkap sekaligus menyederhanakan analisis data yang kompleks. Inovasi ini dipublikasikan dalam IAES International Journal of Artificial Intelligence melalui artikel berjudul Development of Generalized Principal Component Analysis Using Multiple Imputation Genetic Algorithm.

Penelitian ini dipimpin oleh Fahrezal Zubedi, dosen Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Gorontalo (UNG), bersama I Made Sumertajaya, Khairil Anwar Notodiputro, dan Utami Dyah Syafitri dari IPB University.

Dalam penelitian tersebut, tim mengembangkan metode Integrated GPCA-MIGA, yaitu pendekatan yang mengintegrasikan Generalized Principal Component Analysis (GPCA) dengan Multiple Imputation Genetic Algorithm (MIGA). Secara sederhana, metode ini memungkinkan proses pengisian data yang hilang dan penyederhanaan data dilakukan secara bersamaan dalam satu mekanisme yang saling terhubung. Pendekatan ini menghasilkan representasi data yang lebih akurat dibandingkan metode konvensional yang mengerjakan kedua proses tersebut secara terpisah.

Kemampuan tersebut menjadi penting karena berbagai data di dunia nyata, termasuk data pembangunan, kesehatan, ekonomi, maupun pendidikan, umumnya memiliki jumlah variabel yang besar dan sering kali mengandung data yang tidak lengkap. Apabila kondisi ini tidak ditangani dengan baik, hasil analisis dapat menyimpang dari kondisi sebenarnya sehingga memengaruhi kualitas informasi yang dihasilkan.

Untuk menguji performanya, para peneliti melakukan simulasi dengan berbagai tingkat kehilangan data, mulai dari 5 hingga 20 persen. Hasil pengujian menunjukkan bahwa Integrated GPCA-MIGA secara konsisten menghasilkan tingkat kesalahan (error) yang lebih rendah dibandingkan beberapa metode lain yang selama ini digunakan. Selain itu, metode ini mampu mempertahankan struktur asli data dengan lebih baik sehingga informasi penting yang terkandung di dalam data tetap terjaga meskipun terdapat banyak nilai yang hilang.

Keunggulan tersebut kemudian diuji menggunakan data pembangunan manusia pada 514 kabupaten/kota di Indonesia selama periode 2019–2022. Analisis dilakukan terhadap 20 indikator yang mewakili dimensi kesehatan, pendidikan, dan standar hidup layak. Melalui pendekatan ini, data yang semula sangat kompleks berhasil diringkas menjadi bentuk yang lebih sederhana tanpa kehilangan sebagian besar informasi penting, sehingga pola hubungan antarwilayah maupun antarindikator dapat dianalisis dengan lebih mudah.

Salah satu hasil analisis menunjukkan adanya perkembangan positif pada Kabupaten Jayawijaya, khususnya pada indikator angka partisipasi sekolah usia 16–18 tahun yang terus menunjukkan peningkatan selama periode 2019 hingga 2022. Di sisi lain, penelitian ini juga mengidentifikasi masih adanya tantangan dalam akses sanitasi dasar dan penyediaan air minum layak. Temuan tersebut menunjukkan bahwa metode yang dikembangkan tidak hanya mampu mengolah data secara lebih akurat, tetapi juga membantu mengungkap karakteristik pembangunan setiap daerah secara lebih komprehensif.

Visualisasi hasil analisis menggunakan teknik biplot semakin memudahkan interpretasi data. Melalui visualisasi tersebut, pemerintah maupun peneliti dapat melihat kesamaan karakteristik antarwilayah, mengenali indikator yang masih memerlukan perhatian, serta menentukan prioritas pembangunan berdasarkan kondisi yang sebenarnya terjadi di lapangan.

Melalui penelitian ini, tim peneliti menunjukkan bahwa pengembangan metode analisis data berbasis kecerdasan buatan tidak hanya memberikan kontribusi pada bidang statistika dan ilmu data, tetapi juga dapat menjadi perangkat pendukung dalam penyusunan kebijakan berbasis bukti (evidence-based policy). Kemampuan metode Integrated GPCA-MIGA dalam mengolah data yang tidak lengkap secara lebih akurat diharapkan dapat membantu menghasilkan informasi yang lebih andal untuk mendukung pengambilan keputusan di berbagai sektor pembangunan.

Sumber: https://ijai.iaescore.com/index.php/IJAI/article/view/28603