Data Desil Kurang Akurat, DPR Minta Pemerintah Benahi Agar Bansos Tepat Sasaran

Berdasarkan data Badan Pusat Statistik (BPS) per September 2024, tingkat kemiskinan nasional tercatat sebesar 8,57 persen atau setara dengan 24,06 juta jiwa, sementara rasio gini bertahan di kisaran 0,381. Di tengah angka tersebut, pemerintah mengalokasikan anggaran perlindungan sosial lebih dari Rp 500 triliun dalam APBN 2025, sehingga ketepatan sasaran penyaluran bantuan menjadi persoalan yang tidak bisa ditawar. Sorotan tajam pun datang dari Senayan. Anggota Komisi II DPR dari Fraksi PDI Perjuangan, Giri Ramanda Nazaputra Kiemas, menyoroti penentuan desil masyarakat yang selama ini menjadi acuan penyaluran berbagai bantuan pemerintah. Ia meminta pemerintah memastikan keakuratan data tersebut agar bansos benar-benar menjangkau kelompok yang paling membutuhkan.

Apa Itu Desil dan Mengapa Menjadi Penentu Utama?

Desil adalah pengelompokan penduduk menjadi sepuluh bagian sama besar berdasarkan tingkat kesejahteraan, dari desil 1 (kelompok termiskin, 10 persen terbawah) hingga desil 10 (10 persen terkaya). Dalam praktik penyaluran bansos, pemerintah umumnya memprioritaskan rumah tangga yang masuk kategori desil 1 hingga desil 2, dengan sebagian program juga menjangkau desil 3 dan desil 4. Data ini bersumber dari Data Terpadu Kesejahteraan Sosial (DTKS) yang dikelola Kementerian Sosial serta Pensasaran Percepatan Penghapusan Kemiskinan Ekstrem (P3KE), kemudian dipadankan dengan basis data kependudukan. Bagi pembaca awam, konsep ini bisa dimaknai sederhana: bila seratus orang diurutkan dari yang paling miskin, sepuluh orang pertama berada di desil 1.

Di Satu Sisi: Akurasi Data Menekan Kesalahan Sasaran

Koreksi terhadap data desil membawa dampak fiskal yang nyata. Setiap salah sasaran berarti ada keluarga mampu yang menikmati subsidi, sekaligus keluarga miskin yang terlewat. Dalam kajian para peneliti kebijakan, kesalahan sasaran dibedakan menjadi inclusion error, yaitu kelompok tidak miskin yang justru menerima bantuan, dan exclusion error, yaitu kelompok miskin yang tidak terlayani. Sejumlah estimasi menunjukkan tingkat exclusion error yang masih signifikan, bahkan sebagian kajian memperkirakan hampir separuh keluarga miskin belum masuk jaring pengaman sosial. Dengan desil yang lebih presisi, pemerintah dapat menghemat ruang fiskal dan mengalihkan alokasinya ke program yang lebih produktif. Efektivitas ini krusial bagi program berskala besar seperti PKH yang menyasar sekitar 10 juta keluarga dan bantuan pangan BPNT dengan penerima mendekati 19 juta keluarga.

"Pokok permintaan Giri Ramanda kepada pemerintah sederhana namun fundamental: pastikan data desil mencerminkan kondisi riil di lapangan, karena dari angka itulah seluruh rantai penyaluran bantuan bermula. Jika datanya keliru, anggaran sebesar apa pun tidak akan pernah tepat sasaran."

Di Sisi Lain: Dinamika Data dan Kendala di Lapangan

Namun, membenahi data desil bukan pekerjaan sederhana. Di sisi lain, karakteristik kemiskinan bersifat dinamis; status ekonomi sebuah rumah tangga bisa berubah hanya dalam hitungan bulan akibat kehilangan pekerjaan, gagal panen, atau gejolak harga pangan. Data yang akurat hari ini bisa menjadi usang sebelum tahun anggaran berakhir. Selain itu, pendekatan pengukuran lewat proksi seperti kondisi rumah, kepemilikan aset, dan daya listrik memiliki keterbatasan karena realitas sosial tidak selalu linier. Kebutuhan pemutakhiran lapangan yang masif menuntut biaya, tenaga, dan koordinasi lintas lembaga antara BPS, Kemensos, TNP2K, hingga pemerintah daerah, yang tidak selalu berjalan mulus. Kritik lain datang dari pengamat yang menilai risiko perpindahan antardesil justru dapat memicu gejolak sosial apabila pemutakhiran dilakukan drastis dalam satu waktu.

Proyeksi dan Langkah yang Perlu Ditempuh

Ke depan, arah kebijakan tampak bergerak menuju penyatuan basis data melalui arsitektur Satu Data Indonesia serta pemutakhiran DTKS secara berkala dan partisipatif. Beberapa daerah juga mulai menguji coba penentuan sasaran berbasis kombinasi data administratif dan verifikasi komunitas. Para ekonom menilai efektivitas langkah ini akan terlihat dari dua indikator utama: menurunnya keluhan ketidaktepatan sasaran dan membaiknya penyerapan anggaran bansos tanpa inflasi biaya administrasi. Terlepas dari optimisme tersebut, pengalaman beberapa tahun terakhir mengingatkan bahwa akurasi data bukanlah peristiwa satu kali, melainkan proses berkelanjutan yang menuntut komitmen politik dan institusional yang stabil. Dengan anggaran perlindungan sosial yang terus membengkak setiap tahun, tekanan kepada pemerintah untuk membuktikan bahwa setiap rupiah bansos mencapai tangan yang tepat akan semakin besar.