Menakar Kesiapan Data di Balik Terobosan Digital Single ID

Sebuah pertanyaan sederhana sekarang mengemuka di tengah euforia transformasi digital pemerintah: Siapa nan berkuasa menerima support sosial menurut algoritma? Jawabannya berjuntai pada info mana nan digunakan, arti kemiskinan mana nan dipilih, dan seberapa jeli sistem kepintaran buatan (AI) dalam membaca realitas kehidupan jutaan penduduk Indonesia.

Pemerintah sekarang mempersiapkan Digital Single ID berbasis AI sebagai tulang punggung penyaluran support sosial. Sistem ini bakal membangun profil penerima berasas info terintegrasi lintas kementerian.

Seiring dengan itu, Data Terpadu Kesejahteraan Sosial (DTKS) secara resmi digantikan oleh Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) berasas Instruksi Presiden Nomor 4 Tahun 2025. DTSEN dirancang sebagai pedoman info tunggal nan sah dan terverifikasi, menggantikan sistem lama nan selama ini dinilai tidak akurat. Seberapa siap fondasi info itu menyangga beban sistem nan baru, itulah inti persoalannya.

Keterbatasan Metodologi BPS sebagai Fondasi Profiling

Profiling kemiskinan berbasis AI bekerja berdasarkan parameter nan telah ditetapkan. Parameter terpenting adalah garis kemiskinan. Berdasarkan info BPS September 2025, garis kemiskinan nasional tercatat sebesar Rp641.443 per kapita per bulan. Dengan ukuran ini, jumlah masyarakat miskin Indonesia tercatat 23,36 juta jiwa alias 8,25% dari total populasi.

AI nan dilatih dengan info BPS bakal membangun profil kemiskinan berasas garis kemiskinan tersebut. Metodologi BPS menggunakan pendekatan pengeluaran konsumsi per kapita, nan tidak selalu mencerminkan kerentanan ekonomi seseorang secara menyeluruh. Kondisi seperti beban kesehatan mendadak, hilangnya pekerjaan musiman, alias ketergantungan pada sektor informal tidak selalu tertangkap secara jeli oleh pendekatan ini. Akibatnya, profil kemiskinan nan dihasilkan AI berpotensi lebih sempit dari realitas nan sesungguhnya.

Kelompok Rentan nan Mungkin Terlewat

Persoalan nan lebih kritis terletak pada golongan nan berada tepat di atas garis kemiskinan resmi. BPS mencatat bahwa penurunan nomor kemiskinan belum otomatis memperkuat daya tahan ekonomi masyarakat. Banyak rumah tangga berada sangat dekat dengan garis kemiskinan dan sangat rentan terhadap guncangan harga, kehilangan pekerjaan, alias biaya kesehatan nan tidak terduga. Kelompok ini tidak tercatat sebagai masyarakat miskin, tetapi kondisinya tidak kurang rapuh.

Dalam sistem DTSEN, posisi golongan rentan ini ditentukan oleh pembagian status kesejahteraan ke dalam sepuluh desil, mulai dari desil 1 nan paling tidak sejahtera hingga desil 10 nan paling sejahtera. Profiling AI bakal menentukan seseorang masuk desil mana. Batas antardesil ini menjadi penentu apakah seseorang menerima support alias tidak. Mereka nan berada di perbatasan desil 3 dan desil 4, misalnya, hanya dipisahkan oleh selisih tipis info nan sewaktu-waktu bisa berubah.

Tantangan pemisah desil itu diperparah oleh sifat info BPS nan berkarakter periodik. BPS memperbarui info kemiskinan setiap enam bulan sekali. Sementara itu, kondisi ekonomi masyarakat berubah setiap saat. Warga nan baru kehilangan pekerjaan hari ini tidak bakal langsung tecermin dalam info BPS. Profiling AI nan mengandalkan info tersebut bakal tetap menganggap mereka bisa hingga periode pembaruan berikutnya tiba. Realitas ini bukan sekadar soal teknologi, melainkan juga soal sejarah panjang persoalan info nan belum tuntas.

Pekerjaan Rumah nan Belum Selesai

Permasalahan info bansos bukan rumor baru. Selama bertahun-tahun, DTKS dikritisi lantaran mengandung info tidak valid, ganda, dan tidak termutakhirkan. Presiden Prabowo Subianto sendiri pada 30 Oktober 2024 memanggil sejumlah menteri untuk segera menindaklanjuti konsep info tunggal terpadu, dengan menegaskan bahwa info nan tetap sangat sektoral menjadi akar masalah ketidaktepatan sasaran bansos.

DTSEN datang sebagai jawaban atas kritik tersebut. Sistem baru ini mengintegrasikan info lintas kementerian, termasuk Kemendagri, BPS, dan Kemensos, dengan verifikasi otomatis berbasis NIK untuk mencegah info ganda. Langkah ini merupakan kemajuan nan nyata. Sebuah sistem baru nan dibangun di atas fondasi info lama, bagaimanapun, tetap mewarisi persoalan lama andaikan proses pembersihan dan verifikasi info tidak dilakukan secara menyeluruh sebelum AI mulai bekerja.

Risiko Akurasi dan Hak Warga

Persoalan tidak berakhir pada kualitas info semata. Bahkan ketika info telah dibersihkan, sistem AI itu sendiri menyimpan akibat nan tidak bisa diabaikan.

Risiko itu berkarakter inheren dalam setiap sistem pengelompokkan berbasis kepintaran buatan. Kajian di beragam negara menunjukkan bahwa model AI untuk kemiskinan umumnya jeli dalam kondisi eksperimental, tetapi tingkat kesalahan selalu ada. Pada skala nasional seperti Indonesia dengan 23,36 juta masyarakat miskin, apalagi margin kesalahan sebesar 5 persen saja berpotensi menyebabkan lebih dari satu juta orang salah diklasifikasi: sebagian nan berkuasa tidak menerima bantuan, sebagian nan tidak berkuasa justru menerimanya.

Inilah kenapa Pasal 10 Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) menemukan relevansinya. Pasal tersebut memberikan kewenangan kepada setiap penduduk negara untuk mengusulkan keberatan atas keputusan nan dihasilkan sepenuhnya oleh pemrosesan info secara otomatis, termasuk pemrofilan, andaikan keputusan tersebut berakibat signifikan bagi dirinya.

Penentuan kepantasan menerima bansos jelas masuk dalam kategori ini. Mekanisme keberatan nan mudah diakses, transparan, dan responsif bukan sekadar pelengkap sistem, melainkan juga tanggungjawab hukum.

Algoritma dan Kualitas Data

Transformasi digital penyaluran bansos menawarkan angan nan patut diapresiasi. Efisiensi, ketepatan sasaran, dan transparansi adalah tujuan nan patut diperjuangkan. Keberhasilan sistem AI dalam profiling penerima bansos bukan ditentukan oleh kecanggihan algoritmanya semata, melainkan oleh kualitas info nan menjadi fondasinya, keadilan arti kemiskinan nan digunakan, dan kekuatan sistem keberatan nan diberikan kepada warga.

Teknologi hanya secerdas info nan diberikan kepadanya. Apabila datanya tidak bisa memandang mereka nan berada tepat di periode pemisah kemiskinan, algoritmanya pun tidak bakal bisa melindungi mereka. Penyaluran bansos nan setara bukan soal seberapa sigap sistem mengklasifikasi, melainkan soal seberapa jujur info nan digunakan untuk mengklasifikasikannya.