Jakarta: Sistem penyaluran bantuan sosial (bansos) di Indonesia masih menghadapi persoalan mendasar.
Data yang tidak diperbarui secara real time menjadi salah satu penyebab utama tingginya potensi salah sasaran penerima bantuan.
Hal ini disampaikan oleh Anggota Dewan Ekonomi Nasional (DEN) sekaligus Tim Ahli Pensasaran Perlinsos Digital Arief Anshory Yusuf.
Ia menyoroti kasus penerima Kartu Indonesia Pintar (KIP) Kuliah yang kondisi ekonominya telah membaik namun masih tercatat sebagai penerima bantuan karena data belum diperbarui.
Data Usang Jadi Masalah Utama
Menurut Arief, salah satu masalah utama dalam sistem perlindungan sosial di Indonesia adalah ketergantungan pada data lama.
Sebagian besar data yang digunakan pemerintah masih berasal dari pembaruan beberapa tahun lalu, bahkan ada yang dari sekitar 2022.
“Empat tahun itu sangat mungkin membuat kondisi sosial ekonomi masyarakat berubah signifikan,” katanya. Akibatnya, muncul dua jenis kesalahan dalam penyaluran bansos, yaitu exclusion error dan inclusion error.
Exclusion error adalah kondisi di mana orang yang seharusnya menerima bantuan justru tidak mendapatkannya. Sementara inclusion error terjadi ketika orang yang tidak layak justru menerima bantuan.
Arief menegaskan kesalahan sasaran dalam program bantuan sosial masih cukup tinggi, termasuk dalam program bantuan pendidikan.
Ia menilai persoalan ini terjadi karena proses pendataan dan pemutakhiran data belum berjalan optimal.
“Kasus seperti ini cukup banyak terjadi. Ada yang sebenarnya tidak layak tetapi tetap menerima bantuan,” ujarnya.
Digitalisasi Jadi Solusi
Untuk mengatasi persoalan tersebut, Arief menekankan pentingnya digitalisasi sistem perlindungan sosial. Dengan digitalisasi, data dapat diperbarui lebih cepat, bahkan mendekati real time.
“Dengan digitalisasi, data tidak lagi berbasis 2022, tetapi bisa 2026, bahkan bulan ini atau hari ini,” jelasnya.
Dalam sistem ideal, masyarakat dapat memperbarui data secara mandiri sehingga kondisi sosial ekonomi langsung tercermin dalam basis data pemerintah.
Arief juga menjelaskan kompleksitas dalam menentukan desil kesejahteraan masyarakat. Saat ini, sistem masih mengandalkan pendekatan tidak langsung karena data pengeluaran rumah tangga tidak tersedia secara lengkap.
Sebagai gantinya, pemerintah menggunakan data sampel dan indikator seperti kondisi rumah, aset, pekerjaan, dan karakteristik lainnya. “Ini seperti berburu musang di pohon.
Kita tidak melihat langsung, tetapi menebak dari tanda-tanda,” ujarnya memberi analogi.
Ia menambahkan, meskipun model statistik dan kecerdasan buatan (AI) telah digunakan, hasilnya tetap tidak sempurna.
“Untuk kelompok 20 persen terbawah saja, tingkat error bisa mencapai sekitar 45 persen,” katanya.
Arief menekankan pentingnya pembangunan Digital Public Infrastructure (DPI) yang terdiri dari tiga komponen utama: identitas digital, pertukaran data, dan sistem pembayaran digital.
Komponen pertama adalah identitas digital yang memungkinkan masyarakat memiliki identitas tunggal untuk berbagai layanan publik.
Komponen kedua adalah data exchange, yaitu integrasi data antarinstansi pemerintah. Sementara komponen ketiga adalah digital payment yang berfungsi mempercepat dan mengefisienkan penyaluran bantuan.
“Dengan tiga komponen ini, kita bisa mengurangi baik exclusion error maupun inclusion error,” jelasnya.
Arief juga menyoroti pentingnya dynamic registry, yaitu sistem data yang terus diperbarui secara berkala tanpa harus menunggu beberapa tahun.
Dengan sistem tersebut, verifikasi kelayakan penerima bansos dapat menjadi lebih akurat.
Integrasi data aset dan administrasi lintas lembaga menjadi kunci agar penyaluran bantuan sosial lebih tepat sasaran dan adil.
“Orang yang mampu tidak akan mudah lagi menerima bansos, dan yang membutuhkan bisa lebih cepat terdeteksi,” ujarnya menutup.
Tantangan Penentuan Desil dan Keterbatasan Data
Arief juga menjelaskan kompleksitas dalam menentukan desil kesejahteraan masyarakat di Indonesia. Saat ini, sistem masih mengandalkan pendekatan tidak langsung karena data pengeluaran rumah tangga tidak tersedia secara lengkap.
Sebagai gantinya, pemerintah menggunakan data sampel dan indikator seperti kondisi rumah, aset, pekerjaan, dan karakteristik lainnya untuk memperkirakan tingkat kesejahteraan.
