Analitik Ramalan Berasaskan Kecerdasan Buatan untuk Mengenal Pasti Pembayar Zakat Tidak Berulang: Satu Kajian Awal ke Arah Kelestarian Kutipan Zakat

Abstract

Kajian ini menilai kebolehlaksanaan penggunaan analitik ramalan berasaskan kecerdasan buatan (AI) untuk mengenal pasti dan mengurus pembayar zakat tidak tegar di Pusat Pungutan Zakat (PPZ-MAIWP). Menggunakan pendekatan kaedah campuran, penyelidikan ini menggabungkan analisis kualitatif terhadap corak tingkah laku pembayar zakat dengan set data kuantitatif yang besar, melibatkan 504,206 rekod kutipan sejarah dari tahun 2021 hingga 2025. Bagi membezakan antara pembayar tegar dan tidak tegar, kajian ini membangunkan dan menguji empat versi model klasifikasi pembelajaran mesin (Versi 1 hingga Versi 4). Walaupun penilaian awal menunjukkan kadar ketepatan hampir sempurna (~100%), ujian diagnostik lanjut mendedahkan bahawa keputusan tersebut adalah ralat positif (false positive). Hasil ini telah dimanipulasi oleh isu kebocoran data (data leakage) akibat kecenderungan struktur dalam set data terutamanya pergantungan keterlaluan pada pemboleh ubah “kategori_zakat”. Penemuan kritikal ini menekankan kepentingan tadbir urus data yang ketat dan kejuruteraan ciri (feature engineering) dalam analitik kewangan Islam. Meskipun berdepan kekangan pemodelan awal, kajian ini berjaya mengeluarkan cadangan tingkah laku yang mendalam daripada data tersebut. Kajian ini menterjemahkan petunjuk tingkah laku yang kompleks ini kepada Sistem Pemarkahan Berasaskan Peraturan yang praktikal dan mudah difahami (skala 0 hingga 100). Sistem ini mampu menyediakan institusi zakat dengan maklumat strategik untuk mengoptimumkan strategi pengekalan pembayar zakat dan seterusnya membuktikan bahawa pengurusan zakat yang berkesan bukan sahaja bergantung pada ketepatan ramalan, malah pada ketelusan dan kebolehtafsiran isyarat tingkah laku. Bagi memastikan AI yang dibangunkan lebih komprehensif, kajian ini mencadangkan kerangka kerja untuk peningkatan model masa depan (Versi 5). Iterasi seterusnya akan menyepadukan analisis RFM (Recency, Frequency, Monetary) bersama algoritma pembelajaran mesin termaju seperti XGBoost dan LightGBM untuk mengubah pembuatan keputusan institusi secara menyeluruh melalui struktur data yang teguh dan prinsip AI yang beretika.