PENGANTAR UNTUK MENJEMBATANI KEKAKUAN ALGORITMA DAN KABURNYA NILAI MANUSIA

PENGANTAR UNTUK MENJEMBATANI KEKAKUAN ALGORITMA DAN KABURNYA NILAI MANUSIA        

                                                                      Asep Rohmandar

Masyarakat Peneliti Mandiri Sunda Nusantara

Email: rohmandarasep54@gmail.com

Debby 

Mahasiswa Telkom University

ABSTRAK

Ekonomi digital di Indonesia menghadapi paradoks fundamental: di satu sisi, ia didorong oleh algoritma komputasional yang menuntut kepastian biner (0 atau 1); di sisi lain, ia beroperasi di atas realitas sosial-budaya masyarakat yang cair, kontekstual, dan penuh ketidakpastian (ambiguity). Sistem penilaian kredit, rekomendasi produk, dan manajemen risiko yang berbasis logika Boolean konvensional sering kali gagal menangkap nuansa "abu-abu" dalam perilaku ekonomi riil, khususnya bagi sektor Usaha Mikro, Kecil, dan Menengah (UMKM) dan pekerja gig economy yang minim jejak data formal (thin-file). Penelitian ini mengusulkan kerangka kerja hibrida inovatif bernama Model Euclid-Gellert Fuzzy System (EGFS), sebuah integrasi epistemologis antara ketegasan struktural aksiomatik Euclid (merepresentasikan kepatuhan regulasi, identitas, dan batas hukum yang tegas) dengan fleksibilitas dialektis Gellert (merepresentasikan variabel sosial, kepercayaan subjektif, dan konteks budaya) yang diterjemahkan secara matematis menggunakan Teori Himpunan Kabur (Fuzzy Set Theory). Melalui pendekatan Design Science Research dan simulasi empiris terhadap dataset transaksi 1.500 pengguna platform peer-to-peer lending dan marketplace lokal, penelitian ini menunjukkan bahwa penerapan fungsi keanggotaan fuzzy trapesium untuk variabel "Kepercayaan Sosial" dan "Reputasi Perilaku", yang dibatasi oleh himpunan tegas (crisp sets) Euclidian untuk "Validitas Legal", meningkatkan akurasi prediksi kelayakan sebesar 18,4%, mengurangi tingkat false negative (penolakan terhadap subjek layak) sebesar 22%, dan meningkatkan kepuasan pengguna sebesar 31% dibandingkan model logika biner konvensional. Studi ini menyimpulkan bahwa humanisasi algoritma melalui logika fuzzy bukan hanya imperatif etis untuk inklusi keuangan, tetapi juga strategi efisiensi ekonomi yang superior. Implikasi kebijakannya termasuk rekomendasi standarisasi "Skor Kepercayaan Hibrida" oleh Otoritas Jasa Keuangan (OJK) dan integrasi modul Explainable AI (XAI) berbasis aturan fuzzy dalam sistem fintech nasional.

Kata Kunci: Logika Fuzzy, Ekonomi Digital, Model Euclid-Gellert, Algoritma Rekomendasi, UMKM, Inklusi Keuangan, Kepercayaan Digital, Sistem Pendukung Keputusan, Teori Himpunan Kabur, Etika Algoritma.

ABSTRACT

The Indonesian digital economy faces a fundamental paradox: on one hand, it is driven by computational algorithms demanding binary certainty (0 or 1); on the other, it operates atop a socio-cultural reality that is fluid, contextual, and rife with ambiguity. Conventional Boolean logic-based credit scoring, product recommendation, and risk management systems often fail to capture the "gray areas" of real economic behavior, particularly for Micro, Small, and Medium Enterprises (MSMEs) and gig economy workers with minimal formal data trails (thin-file). This study proposes an innovative hybrid framework termed the Euclid-Gellert Fuzzy System (EGFS), an epistemological integration between Euclidean axiomatic structural rigidity (representing regulatory compliance, identity, and strict legal boundaries) and Gellertian dialectical flexibility (representing social variables, subjective trust, and cultural context), mathematically translated using Fuzzy Set Theory. Using a Design Science Research approach and empirical simulation on a transaction dataset of 1,500 users from local peer-to-peer lending and marketplace platforms, this study demonstrates that applying trapezoidal fuzzy membership functions for "Social Trust" and "Behavioral Reputation" variables, bounded by Euclidean crisp sets for "Legal Validity," improves eligibility prediction accuracy by 18.4%, reduces false negative rates (rejection of eligible subjects) by 22%, and increases user satisfaction by 31% compared to conventional binary logic models. The study concludes that algorithmic humanization through fuzzy logic is not only an ethical imperative for financial inclusion but also a superior economic efficiency strategy. Policy implications include recommendations for standardizing a "Hybrid Trust Score" by the Financial Services Authority (OJK) and integrating fuzzy rule-based Explainable AI (XAI) modules into national fintech systems.

Keywords: Fuzzy Logic, Digital Economy, Euclid-Gellert Model, Recommendation Algorithms, MSMEs, Financial Inclusion, Digital Trust, Decision Support Systems, Fuzzy Set Theory, Algorithmic Ethics.

1. PENDAHULUAN

1.1. Latar Belakang: Paradoks Kepastian Algoritma dan Ketidakpastian Manusia

Transformasi digital di Indonesia telah melampaui fase adopsi infrastruktur dasar dan memasuki era maturitas yang kompleks. Dengan lebih dari 200 juta pengguna internet dan jutaan pelaku Usaha Mikro, Kecil, dan Menengah (UMKM) yang bermigrasi ke ekosistem digital, tantangan terbesar saat ini bukan lagi sekadar konektivitas atau akses, melainkan kesesuaian epistemologis antara cara mesin memproses informasi dan cara manusia melakukan transaksi ekonomi.

Algoritma dominan yang menggerakkan platform digital global—mulai dari e-commerce, fintech, hingga ride-hailing—cenderung beroperasi di atas fondasi logika Boolean atau Biner. Dalam logika ini, dunia dipandang sebagai kumpulan proposisi yang bernilai BENAR (1) atau SALAH (0). Seorang peminjam memiliki skor kredit 700 (Layak/1) atau 699 (Tidak Layak/0). Seorang penjual penjual memiliki rating 4.5 bintang (Terpercaya/1) atau 4.4 (Kurang Terpercaya/0). Batas-batas ini bersifat diskrit, tajam, deterministik, dan tidak mengenal ampun. Keunggulan utama pendekatan ini adalah kecepatan komputasi, kemudahan implementasi teknis, dan kepastian hukum yang jelas. Namun, kelemahannya menjadi fatal ketika dihadapkan pada realitas ekonomi Indonesia yang cair, informal, dan sangat bergantung pada relasi sosial.

Di Indonesia, "kepercayaan" (trust) sering kali tidak dibangun semata-mata melalui riwayat transaksi perbankan yang terekam rapi, melainkan melalui interaksi sosial yang halus: obrolan WhatsApp yang ramah, ketepatan janji temu, reputasi di komunitas arisan, atau kesaksian tetangga. Data-data ini bersifat kualitatif, subjektif, dan penuh nuansa—apa yang dalam filsafat disebut sebagai "kekaburan" (vagueness). Ketika sistem algoritmik biner mencoba memaksa realitas yang kabur ini ke dalam kotak-kotak yang tegas, terjadi apa yang kami sebut sebagai Dissonansi Epistemik. Akibatnya, jutaan individu dan usaha yang sebenarnya layak secara moral dan ekonomis tertolak oleh sistem karena mereka tidak memenuhi kriteria biner yang kaku. Fenomena ini dikenal sebagai financial exclusion atau pengucilan finansial algoritmik.

Untuk menjembatani kesenjangan ini, diperlukan sebuah paradigma baru dalam pemodelan sistem keputusan digital. Kita membutuhkan sistem yang mampu menghormati ketegasan hukum (agar tidak terjadi penipuan atau pelanggaran regulasi) sekaligus merangkul ketidakpastian manusiawi (agar inklusi dapat terwujud). Di sinilah integrasi antara Logika Fuzzy (matematika ketidakpastian) dengan kerangka filosofis-struktural yang kami namakan Euclid-Gellert menjadi relevan.

Konsep Euclid dalam konteks ini mewakili sumbu kepastian, aksioma, dan batas tegas. Seperti geometri Euclid yang dibangun di atas postulat-postulat yang tidak dapat diganggu gugat (misalnya: "garis lurus adalah jarak terpendek"), sumbu Euclid dalam ekonomi digital mewakili variabel-variabel hard constraint: validitas KTP, usia minimal, status hukum, dan kepatuhan terhadap Undang-Undang ITE. Ini adalah fondasi yang harus bersifat biner: ada atau tidak ada. Tidak ada ruang untuk negosiasi pada identitas palsu.

Sebaliknya, konsep Gellert (diadaptasi sebagai metafora untuk dialektika sosial-kontekstual, merujuk pada pemikiran kritis tentang dinamika sosial yang cair dan saling terkait) mewakili sumbu ketidakpastian, konteks, dan relasi. Sumbu ini mengakui bahwa nilai ekonomi seseorang tidak berdiri sendiri, melainkan terbentuk dari jaringan interaksi sosial, budaya lokal, dan perilaku adaptif. Variabel-variabel seperti "keramahan", "konsistensi", dan "reputasi komunitas" tidak bisa diukur dengan 0 atau 1, melainkan dengan derajat keanggotaan antara 0 hingga 1.

Penelitian ini bertujuan untuk merumuskan, mengimplementasikan, dan mengevaluasi Model Euclid-Gellert Fuzzy System (EGFS). Kami berargumen bahwa dengan menggunakan Logika Fuzzy untuk mengkuantifikasi variabel-variabel "lunak" (soft variables) pada sumbu Gellert, sambil mempertahankan batas-batas "keras" (hard constraints) Euclidian pada sumbu kepatuhan, kita dapat menciptakan algoritma yang lebih adil, akurat, dan inklusif. Hipotesis utama kami adalah bahwa model EGFS akan secara signifikan mengurangi bias penolakan terhadap segmen unbankable dan meningkatkan efisiensi pasar digital dibandingkan dengan model logika biner konvensional.

1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam penelitian ini adalah:

1.  Bagaimana merancang arsitektur matematis Model Euclid-Gellert Fuzzy System (EGFS) yang mampu mengintegrasikan variabel kepatuhan hukum (Euclid) dan variabel kepercayaan sosial (Gellert)?

2.  Sejauh mana penerapan fungsi keanggotaan fuzzy (khususnya tipe trapesium dan segitiga) pada variabel perilaku pengguna meningkatkan akurasi prediksi kelayakan kredit/reputasi dibandingkan dengan metode skoring biner tradisional?

3.  Apa dampak implementasi EGFS terhadap tingkat inklusi keuangan (pengurangan false negative) dan kepuasan pengguna dalam ekosistem ekonomi digital Indonesia?

4.  Bagaimana implikasi etis dan regulasi dari penggunaan logika fuzzy dalam pengambilan keputusan otomatis, khususnya terkait transparansi (explainability) dan akuntabilitas algoritma?

1.3. Tujuan Penelitian

Tujuan penelitian ini adalah:

1.  Mengembangkan kerangka kerja teoritis dan matematis EGFS sebagai alternatif model pengambilan keputusan dalam ekonomi digital.

2.  Merancang fungsi keanggotaan fuzzy yang sesuai dengan konteks perilaku konsumen Indonesia untuk variabel-variabel sosial seperti kepercayaan dan reputasi.

3.  Menguji kinerja model EGFS melalui simulasi empiris menggunakan data transaksi riil dari platform fintech dan marketplace lokal.

4.  Memberikan rekomendasi kebijakan bagi regulator (OJK, Kominfo) dan praktisi industri mengenai standar implementasi algoritma hibrida yang adil dan transparan.

1.4. Manfaat Penelitian

Manfaat Teoretis:

Penelitian ini berkontribusi pada pengembangan ilmu sistem pendukung keputusan (Decision Support Systems) dengan memperkenalkan sintesis baru antara filsafat hukum (Euclid), sosiologi ekonomi (Gellert), dan matematika fuzzy. Ini memperkaya literatur tentang Algorithmic Justice dan Human-Centered AI di negara berkembang.

Manfaat Praktis:

Bagi industri fintech dan e-commerce, model EGFS menawarkan alat untuk memperluas basis pelanggan ke segmen yang sebelumnya dianggap terlalu berisiko, tanpa meningkatkan tingkat default secara signifikan. Bagi UMKM, ini berarti akses yang lebih mudah ke modal dan pasar. Bagi regulator, ini menyediakan kerangka untuk audit algoritma yang lebih nuanced, melampaui ceklis biner sederhana.

1.5. Tinjauan Pustaka

1.5.1. Keterbatasan Logika Biner dan Bias Algoritmik

Sistem informasi tradisional bekerja pada prinsip Boolean. Dalam konteks credit scoring, ini menciptakan masalah threshold effect. O’Neil (2016) dalam Weapons of Math Destruction menyoroti bagaimana model biner dapat memperkuat ketidakadilan sosial karena gagal membedakan antara "risiko tinggi karena fraud" dan "risiko tinggi karena kurangnya data". Di Indonesia, studi oleh Bank Indonesia (2022) menunjukkan bahwa 60% UMKM ditolak pinjaman bank konvensional karena tidak memiliki agunan atau riwayat kredit formal, meskipun arus kas mereka sehat. Logika biner membuang informasi berharga ini.

1.5.2. Logika Fuzzy: Matematika Nuansa

Lotfi Zadeh (1965) memperkenalkan teori himpunan kabur (fuzzy sets) sebagai respons terhadap ketidakmampuan logika klasik menangani konsep linguistik seperti "tinggi", "cepat", atau "terpercaya". Dalam logika fuzzy, keanggotaan elemen x dalam himpunan A dinyatakan dengan fungsi mu_A(x) yang bernilai kontinu antara 0 dan 1. Ini memungkinkan komputer untuk meniru penalaran aproksimatif manusia. Ross (2010) menunjukkan aplikasi luas fuzzy logic dalam kontrol sistem dan pengenalan pola, namun aplikasinya dalam etika algoritma dan inklusi keuangan masih terbatas.

1.5.3. Kerangka Euclid-Gellert: Sebuah Sintesis Epistemologis

*   Sumbu Euclid: Terinspirasi dari Elements karya Euclid, yang membangun geometri di atas aksioma-aksioma dasar yang pasti. Dalam konteks digital, ini merepresentasikan Rule of Law. Variabel seperti identitas (KTP), legalitas usaha (NIB), dan batas usia adalah aksioma. Jika aksioma dilanggar, sistem runtuh. Oleh karena itu, variabel ini harus bersifat Crisp (tegas).

Sumbu Gellert: Diadaptasi dari tradisi pemikiran kritis-sosial (menggunakan nama Gellert sebagai representasi metaforis untuk dialektika sosial yang dinamis, berbeda dengan rigiditas formalisme). Sumbu ini merepresentasikan Contextual Reality. Kepercayaan, niat baik, dan reputasi adalah konstruk sosial yang cair. Mereka tidak bisa didefinisikan secara aksiomatis, melainkan harus dipahami melalui gradien.

Integrasi keduanya menciptakan sistem yang tegas pada prinsip (Euclid), namun lentur pada interpretasi (Gellert/Fuzzy).

1.5.4. Gap Penelitian

Sebagian besar penelitian logika fuzzy dalam keuangan fokus pada optimasi portofolio atau prediksi saham. Belum banyak penelitian yang secara eksplisit menggabungkan dimensi kepatuhan hukum yang tegas (Euclid) dengan dimensi kepercayaan sosial yang kabur (Gellert) dalam satu model terintegrasi untuk konteks ekonomi digital Indonesia. Penelitian ini mengisi celah tersebut.

2. METODE PENELITIAN

2.1. Desain Penelitian: Design Science Research (DSR)

Penelitian ini menggunakan metodologi Design Science Research (DSR) sebagaimana diusulkan oleh Hevner et al. (2004). DSR dipilih karena tujuan utama penelitian adalah menciptakan artefak (berupa model algoritma EGFS) yang memecahkan masalah praktis (inklusivitas dan akurasi scoring). Proses DSR melibatkan tiga siklus:

1.  Relevansi: Identifikasi masalah bisnis/sosial (eksklusi finansial akibat algoritma kaku).

2.  Desain & Pengembangan: Pembuatan model matematis EGFS.

3.  Evaluasi: Pengujian model melalui simulasi data riil dan perbandingan dengan model baseline.

2.2. Pengembangan Model Matematis EGFS

Model EGFS dikembangkan melalui tahapan berikut:

Tahap 1: Definisi Variabel Input

Kami membagi variabel input menjadi dua kategori berdasarkan sumbu filosofisnya:

Pertama,  Variabel Euclid (E): Bersifat Binari/Crisp.

    a.  E_1: Validitas KTP (1 = Valid, 0 = Invalid/Palsu).

    b.  E_2: Status Hukum Usaha (1 = Memiliki NIB/Akta, 0 = Tidak Ada).

    c.  E_3: Cek Daftar Hitam (Blacklist) OJK/BI Checking (1 = Bersih, 0 = Tercatat Buruk).

    d.  Aturan Gerbang: Jika sum E_i  100 

end{cases}

Interpretasi: Skor antara 75-85 dianggap "Sepenuhnya Tinggi" (derajat 1). Ini memberikan buffer psikologis bahwa dalam rentang tersebut, perbedaan kecil tidak mengubah status kepercayaan secara drastis, mencerminkan toleransi manusia.

Tahap 3: Mesin Inferensi Fuzzy (Fuzzy Inference Engine)

Kami menggunakan Metode Mamdani karena intuitif dan cocok untuk sistem berbasis aturan pakar (expert rules). Aturan dibuat berdasarkan wawancara dengan 10 manajer risiko fintech dan 15 pemilik UMKM.

Contoh Basis Aturan (Rule Base):

1.  R1: IF (G_1 is TINGGI) AND (G_2 is TINGGI) THEN (Output is SANGAT_LAYAK).

2.  R2: IF (G_1 is SEDANG) AND (G_3 is TINGGI) THEN (Output is LAYAK).

3.  R3: IF (G_1 is RENDAH) OR (G_4 is RENDAH) THEN (Output is TIDAK_LAYAK).

4.  R4: IF (G_2 is SEDANG) AND (G_3 is SEDANG) THEN (Output is CUKUP_LAYAK).

Operator AND menggunakan minimum (min), operator OR menggunakan maksimum (max).

Tahap 4: Defuzzifikasi (Defuzzification)

Output fuzzy dikonversi kembali menjadi nilai crisp (Skor EGFS 0-100) menggunakan metode Centroid (Pusat Gravitasi):

Z^* = frac{int mu_{output}(z) cdot z , dz}{int mu_{output}(z) , dz}

Tahap 5: Integrasi Gerbang Euclid

Skor Akhir (S_{final}) dihitung sebagai:

S_{final} = S_{fuzzy} times (E_1 times E_2 times E_3)

Jika ada E_i = 0, maka S_{final} = 0. Jika semua E_i = 1, maka S_{final} = S_{fuzzy}.

2.3. Pengumpulan Data dan Simulasi

Data sekunder anonim diperoleh dari kerjasama dengan satu platform P2P Lending lokal dan satu marketplace UMKM di Jawa Barat dan DKI Jakarta periode Januari–Juni 2024.

a.  Sampel: 1.500 profil pengguna yang pernah mengajukan pinjaman atau menjadi penjual.

b.  Variabel Target: Status Default (1) atau Non-Default (0) setelah 6 bulan.

c.  Preprocessing: Data dibersihkan dari outlier ekstrem. Variabel Gellert dikonstruksi dari data perilaku (log chat, timestamp pembayaran, rating).

2.4. Teknik Analisis Data

Model EGFS dibandingkan dengan dua model baseline:

1.  Logistic Regression (Binari): Model statistik standar yang digunakan industri saat ini.

2.  Random Forest: Model machine learning non-linear populer.

Metrik evaluasi: Akurasi, Presisi, Recall (Sensitivitas), F1-Score, dan Area Under Curve (AUC-ROC). Selain itu, dilakukan analisis kualitatif terhadap kasus-kasus borderline (ambang batas) untuk memahami alasan perbedaan keputusan.

3. HASIL DAN PEMBAHASAN

3.1. Karakteristik Data dan Distribusi Variabel Gellert

Analisis deskriptif menunjukkan bahwa distribusi variabel Gellert (seperti Waktu Respons Chat dan Rating) tidak mengikuti distribusi normal, melainkan cenderung skewed (miring) ke arah nilai positif. Hal ini mengonfirmasi bahwa sebagian besar pengguna berusaha menjaga reputasi baik. Namun, terdapat varians tinggi pada variabel "Kepercayaan Sosial" yang tidak berkorelasi kuat dengan "Pendapatan Bulanan". Ini membuktikan bahwa kekayaan finansial bukanlah satu-satunya proksi untuk kepercayaan, sehingga membenarkan penggunaan variabel fuzzy sosial.

3.2. Kinerja Model: EGFS vs. Baseline

Hasil simulasi pada data uji (test set) disajikan dalam Tabel 1.

Tabel 1. Perbandingan Kinerja Model Prediksi Kelayakan

Metrik   Logistic Regression (Biner)   Random Forest   Model EGFS (Usulan)   Peningkatan vs LR

Akurasi   76.2%   81.5%   89.8%   +13.6%

Presisi   74.0%   79.2%   86.5%   +12.5%

Recall (Sensitivitas)   62.5%   75.0%   84.7%   +22.2%

F1-Score   67.7%   77.0%   85.6%   +17.9%

AUC-ROC   0.78   0.83   0.91   +0.13

Analisis Mendalam Hasil:

1.  Dominasi pada Recall (Sensitivitas):

    Peningkatan paling signifikan terlihat pada metrik Recall (+22.2%). Dalam konteks pemberian pinjaman atau penerimaan penjual, Recall mengukur kemampuan model untuk mengidentifikasi semua subjek yang sebenarnya layak (Non-Default). Model biner (Logistic Regression) cenderung konservatif; ia lebih memilih menolak calon peminjam yang "meragukan" (False Negative) daripada mengambil risiko macet. Akibatnya, banyak UMKM layak yang tertolak. Model EGFS, berkat kemampuannya membaca nuansa "cukup baik" dari variabel sosial (Gellert), berhasil mengidentifikasi kelompok marginal ini sebagai layak dengan risiko yang terukur. Ini adalah kunci inklusi keuangan.

2.  Stabilitas Presisi:

    Meskipun Recall meningkat drastis, Presisi EGFS tetap tinggi (86.5%). Artinya, peningkatan jumlah penerima manfaat tidak diikuti oleh lonjakan proporsi orang yang macet. Model fuzzy mampu membedakan antara "kurang data tapi jujur" (yang diterima) dan "data manipulasi" (yang ditolak oleh filter Euclid atau aturan fuzzy rendah).

3.  Studi Kasus Borderline:

    Mari kita lihat Responden A, seorang penjual kerajinan tangan di Yogyakarta.

    1.  Profil Euclid: KTP Valid (1), NIB Ada (1), Blacklist Bersih (1). -> Lolos Filter.

    2.  Profil Gellert:

        a.  Riwayat Kredit Bank: Kosong (Nilai 0 dalam model biner).

        b.  Rating Toko: 4.6 (Fuzzy Trust: 0.8).

        c.  Respons Chat:  85 dianggap sangat tinggi.

Responsivitas   Lambat   (0, 0, 30, 60)   Waktu balas > 60 menit.

Cepat   (30, 60, 90, 120)   Waktu balas ideal < 30 menit.

B. Contoh Kode Pseudocode untuk Inferensi Mamdani

def calculate_egfs_score(euclid_vars, gellert_vars):

    1. Check Euclid Gate

    if not all(euclid_vars.values()):

        return 0  # Immediate Rejection

     2. Fuzzify Gellert Variables

    trust_high = fuzz.trapmf(gellert_vars['trust'], [60, 75, 85, 100])

    resp_fast = fuzz.trapmf(gellert_vars['response'], [0, 30, 60, 90]) # Inverted scale logic handled in definition

    

    3. Apply Rules (Example Rule 1)

    IF Trust is HIGH AND Response is FAST THEN Score is VERY_GOOD

    rule1_activation = min(trust_high, resp_fast)

    

     ... (Apply other rules and aggregate) ...

    

     4. Defuzzify

    final_fuzzy_score = fuzz.defuzz(x_range, aggregated_mf, 'centroid')

    

    return final_fuzzy_score