Frame Daily, Jakarta - Data desil bansos kembali menjadi sorotan setelah pengelompokan kesejahteraan masyarakat dalam 10 tingkatan dinilai berpotensi menghasilkan penerima bantuan yang tidak tepat sasaran. Kritik tersebut muncul seiring penggunaan Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) sebagai basis berbagai kebijakan pemerintah.
Pengelompokan masyarakat berdasarkan data desil bansos pada dasarnya ditujukan untuk memperbaiki ketepatan sasaran program perlindungan sosial. Masyarakat dikelompokkan mulai desil 1 hingga desil 10 berdasarkan tingkat kesejahteraan yang dihitung menggunakan sejumlah indikator.
Persoalan muncul ketika data tersebut digunakan untuk menentukan akses masyarakat terhadap program pemerintah, termasuk bantuan sosial dan kebijakan lain seperti subsidi bahan bakar minyak (BBM). Kelompok desil 9 dan 10, misalnya, diwacanakan menjadi kelompok yang tidak lagi mendapatkan sejumlah fasilitas subsidi.
Kondisi tersebut menjadi perhatian karena kesalahan pemetaan ekonomi dapat berdampak langsung terhadap kehidupan masyarakat. Kritik mengenai data desil bansos juga menyoroti potensi warga yang sebenarnya membutuhkan bantuan justru keluar dari daftar penerima.
Pandangan tersebut disampaikan Barid Hardiyanto, dosen Universitas Nahdlatul Ulama (UNU) Purwokerto dan Universitas Islam Negeri (UIN) Prof Saifuddin Zuhri sekaligus Direktur Eksekutif Lembaga Penelitian Pengembangan Sumberdaya dan Lingkungan Hidup (LPPSLH).
Menurut Barid, kualitas data menjadi fondasi utama sebelum pemerintah menjalankan program pengentasan kemiskinan. Data yang keliru dapat membuat kebijakan yang dirancang untuk membantu kelompok rentan justru tidak mencapai sasaran.
Mengapa Data Desil Dipersoalkan?
Dalam sistem perlindungan sosial, pemerintah menggunakan pengelompokan desil untuk menentukan tingkat kesejahteraan rumah tangga. Basis data sebelumnya menggunakan Data Terpadu Kesejahteraan Sosial (DTKS) dan Registrasi Sosial Ekonomi (Regsosek), yang kemudian diarahkan dalam sistem data nasional terpadu.
Badan Pusat Statistik (BPS) menggunakan metode Proxy-Means Testing (PMT) untuk memperkirakan tingkat kesejahteraan keluarga. Metode ini tidak hanya memperhitungkan penghasilan, tetapi juga karakteristik rumah tangga yang dapat diamati.
Indikator yang digunakan mencakup kondisi tempat tinggal, sumber air, energi untuk memasak, kepemilikan aset, konsumsi listrik, jumlah anggota keluarga, pendidikan, pekerjaan, kesehatan, hingga kondisi disabilitas.
Metode PMT dikembangkan Bank Dunia pada 1995 untuk memperkirakan tingkat kesejahteraan rumah tangga ketika pendapatan sulit diukur secara langsung. Pendekatan tersebut relevan terutama di negara dengan sektor informal yang besar dan catatan pendapatan pekerja tidak selalu tersedia.
Barid menilai proses pendataan lapangan tetap penting untuk mendapatkan gambaran kondisi masyarakat. Persoalan yang perlu mendapat perhatian, menurut dia, berada pada kualitas verifikasi terhadap temuan petugas.
Ia mencontohkan kasus yang disampaikan Gubernur Maluku Utara Sherly Tjoanda. Dalam temuan tersebut, terdapat warga yang masuk kategori tidak mampu tetapi dikeluarkan dari daftar penerima bansos karena rumahnya dianggap tergolong bagus.
Rumah tersebut disebut merupakan hasil renovasi melalui program bantuan pemerintah daerah. Contoh itu dinilai menunjukkan bahwa indikator fisik tertentu dapat menghasilkan pembacaan yang tidak sepenuhnya menggambarkan kondisi ekonomi sebuah keluarga.
Risiko Salah Sasaran dan Gesekan Sosial
Pemerintah membuka ruang bagi masyarakat untuk mengoreksi data desil apabila hasil pengelompokan tidak sesuai dengan kondisi sebenarnya. BPS juga menyediakan mekanisme verifikasi dan pemutakhiran data secara berkala.
Kebijakan koreksi tersebut dinilai penting untuk memperbaiki kualitas data desil bansos. Akan tetapi, menurut Barid, tanggung jawab utama terhadap akurasi data tetap berada pada pemerintah sebagai penyelenggara sistem perlindungan sosial.
Ia mengutip evaluasi akademis pada 2017 yang menyebut model PMT konvensional memiliki potensi kesalahan sekitar 28 persen dalam menentukan sasaran. Untuk identifikasi kelompok yang masuk kategori kemiskinan ekstrem, tingkat kekeliruan dalam evaluasi tersebut disebut dapat mencapai 44–47,6 persen.
Angka tersebut merupakan klaim yang disampaikan dalam tulisan Barid dan perlu ditempatkan dalam konteks metodologi serta penelitian yang menjadi rujukannya. Validitas penerapannya pada sistem DTSEN saat ini memerlukan pengujian tersendiri.
Persoalan akurasi data desil bansos berpotensi menimbulkan persoalan sosial ketika masyarakat membandingkan kondisi penerima bantuan di lingkungan mereka. Kecemburuan dapat muncul apabila rumah tangga yang dinilai lebih mampu tetap menerima bantuan, sedangkan warga dengan kondisi rentan justru kehilangan akses terhadap program perlindungan sosial.
Barid juga menyoroti rencana pemerintah menghadirkan skema bantuan tunai senilai Rp5,4 juta per orang pada awal tahun berikutnya. Menurut dia, semakin besar program bantuan yang menggunakan basis data kesejahteraan, semakin penting memastikan data penerimanya akurat.
Pemerintah juga disebut mengajukan tambahan anggaran BPS sebesar Rp1,7 triliun sehingga menjadi sekitar Rp7,9 triliun pada 2027. Anggaran tersebut antara lain berkaitan dengan kebutuhan pemutakhiran data.
Alternatif Bantuan Tunai Jadi Sorotan
Barid menawarkan gagasan alternatif melalui pendekatan Affirmative Basic Income (ABI). Konsep tersebut memberikan bantuan tunai kepada kelompok masyarakat yang ditentukan berdasarkan kriteria yang lebih sederhana tanpa terlalu bergantung pada pengujian aset rumah tangga secara berlapis.
Dalam simulasi yang dibuatnya, Barid mengusulkan kelompok 40 persen masyarakat berpendapatan terendah atau empat desil terbawah menjadi penerima manfaat. Ia menggunakan angka 9,54 juta jiwa dari total 23,85 juta penduduk miskin per Maret 2025 sebagai salah satu dasar perhitungan.
Dengan asumsi bantuan Rp75 juta per penerima setiap tahun, Barid memperkirakan kebutuhan anggaran mencapai Rp715,5 triliun per tahun atau sekitar 21 persen dari APBN. Angka tersebut merupakan simulasi penulis dan bukan angka anggaran yang telah ditetapkan pemerintah.
Gagasan ABI tersebut juga perlu dibandingkan dengan kapasitas fiskal negara dan desain program perlindungan sosial yang telah berjalan. Barid menyebut APBN 2026 sempat mengalokasikan Rp335 triliun untuk program Makan Bergizi Gratis (MBG), meskipun besaran anggarannya mengalami perubahan.
Menurut Barid, pendekatan bantuan tunai yang lebih sederhana berpotensi mengurangi biaya administrasi untuk pendataan, verifikasi berulang, serta proses penargetan. Kelompok rentan seperti lansia dan penyandang disabilitas berat juga dapat menjadi bagian dari skema perlindungan yang lebih terarah.
Pada akhirnya, perdebatan mengenai data desil bansos tidak hanya berkaitan dengan teknologi pendataan, tetapi juga menyangkut efektivitas perlindungan sosial. Pemerintah perlu memastikan setiap pembaruan data dilakukan secara transparan, terukur, dapat diverifikasi, serta menyediakan ruang koreksi bagi masyarakat.
Upaya membangun sistem “Satu Data” yang dikoordinasikan BPS menjadi salah satu fondasi untuk menyelaraskan informasi antarkementerian dan lembaga. Akurasi data menjadi faktor penting agar anggaran perlindungan sosial benar-benar menjangkau warga yang membutuhkan.
Komentar