Efektivitas Penentuan Desil: Acuan atau Vonis Kesejahteraan?

Efektivitas Penentuan Desil: Acuan atau Vonis Kesejahteraan?

Oleh: Dr. Muhammad Ichsan Hadjri, S.T., M.M.
Perubahan posisi seorang penarik becak di Kulon Progo dari desil 1 menjadi desil 9 dalam Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) baru-baru ini menyentakkan ruang publik. Badan Pusat Statistik (BPS) kemudian melakukan pengecekan lapangan dan mendampingi pemutakhiran datanya.
Kasus tersebut bukan sekadar cerita tentang angka yang meloncat. Di belakang satu digit desil terdapat peluang memperoleh bantuan pangan, jaminan kesehatan, dan bantuan pendidikan. Ia memperlihatkan paradoks perlindungan sosial modern: negara membutuhkan keputusan berbasis data dalam skala sangat besar, sedangkan warga membutuhkan keadilan yang bekerja pada skala manusia.
DTSEN merupakan lompatan penting dalam reformasi data sosial Indonesia. Melalui Instruksi Presiden Nomor 4 Tahun 2025, pemerintah menjadikannya sumber data utama bagi perencanaan, pelaksanaan, dan evaluasi kebijakan sosial-ekonomi. Basis data ini mengintegrasikan berbagai sumber yang sebelumnya tersebar, memadankan identitas, serta memperbarui kondisi sosial dan ekonomi keluarga.
Hingga versi ketiga tahun 2026, BPS menyebut cakupannya telah mencapai hampir 96 juta record keluarga. Dalam negara sebesar Indonesia, penyatuan rujukan semacam ini merupakan prasyarat untuk mengurangi tumpang tindih program, menekan kebocoran anggaran, dan menemukan warga rentan yang selama ini tidak terlihat.
Namun, data tunggal tidak boleh berubah menjadi kebenaran tunggal.
Desil pada dasarnya adalah peringkat relatif. Seluruh keluarga diurutkan berdasarkan karakteristik sosial-ekonomi, kemudian dibagi ke dalam sepuluh kelompok yang masing-masing berisi sekitar 10 persen keluarga. Desil 1 menempati posisi kesejahteraan relatif terendah dan desil 10 tertinggi.
Penilaiannya tidak hanya melihat penghasilan, tetapi juga pekerjaan, pendidikan, kondisi rumah, daya listrik, sanitasi, aset, kesehatan, disabilitas, dan kepemilikan usaha. Karena bersifat relatif, desil bukan sertifikat miskin atau kaya.
Konsekuensi konsep tersebut sering luput dari perdebatan. Jika pendapatan semua keluarga meningkat dua kali lipat, tetap akan ada 10 persen keluarga pada desil 1. Sebaliknya, jika hampir semua keluarga mengalami kemerosotan yang sama, posisi desil mereka dapat relatif tidak berubah.
Bahkan, satu keluarga dapat naik desil tanpa memperoleh tambahan pendapatan karena kondisi keluarga lain memburuk. Oleh sebab itu, perpindahan desil tidak identik dengan mobilitas ekonomi, dan jumlah keluarga yang naik desil tidak dapat digunakan sendirian sebagai ukuran keberhasilan pengentasan kemiskinan.
Pembedaan ini makin penting ketika desil menjadi pintu masuk program publik. Portal Cek Bansos Kementerian Sosial menjelaskan bahwa desil 1 sampai 4 dapat diusulkan untuk Program Keluarga Harapan dan bantuan sembako, sedangkan desil 5 dapat diusulkan sebagai peserta Penerima Bantuan Iuran Jaminan Kesehatan.
KIP Kuliah 2026 juga menggunakan DTSEN maksimum desil 4 sebagai salah satu bukti keterbatasan ekonomi, meskipun tersedia jalur alternatif berbasis penghasilan orang tua di bawah upah minimum dan Surat Keterangan Tidak Mampu.
Dengan anggaran perlindungan sosial APBN 2026 sebesar Rp508,2 triliun, mutu klasifikasi desil bukan persoalan teknis pinggiran. Ia menentukan efektivitas belanja publik dan peluang hidup jutaan orang.
Efektivitas penentuan desil setidaknya harus lulus tiga pengujian.
Pertama, ketepatan statistik: apakah keluarga yang diperingkat benar-benar mencerminkan kondisi terkini.
Kedua, ketepatan administratif: apakah koreksi dapat dilakukan dengan mudah, cepat, dan dapat dilacak.
Ketiga, ketepatan kesejahteraan: apakah penggunaan desil benar-benar memperbaiki konsumsi, kesehatan, pendidikan, dan kemampuan keluarga keluar dari kerentanan.
Sistem yang akurat secara rata-rata belum tentu adil apabila kesalahannya jatuh berulang kali pada kelompok yang sama atau terjadi pada saat yang paling menentukan.
Secara metodologis, pendekatan desil memiliki kekuatan. Pemeringkatan berbasis banyak variabel lebih mampu menangkap kesejahteraan dibandingkan satu indikator penghasilan, terutama karena sebagian besar pekerja Indonesia berada pada sektor informal dengan pendapatan yang tidak tetap.
BPS di daerah menjelaskan bahwa pembentukan desil memanfaatkan puluhan variabel, model Proxy Means Test berbasis pembelajaran mesin, citra kondisi hunian, dan penyelarasan dengan data administratif seperti PLN, BPJS, pajak bumi dan bangunan, Samsat, serta BKN. Kombinasi ini dapat membantu mengenali pola yang tidak terlihat apabila pemerintah hanya mengandalkan pengakuan penghasilan.
Akan tetapi, kecanggihan model tidak menghapus keterbatasan data. Proxy Means Test memperkirakan kemampuan ekonomi dari ciri-ciri yang mudah diamati; ia tidak mengukur seluruh arus kas dan beban hidup secara langsung.
Rumah berdinding permanen belum tentu berarti penghuninya memiliki pendapatan memadai. Sepeda motor dapat menjadi alat kerja yang dibeli dengan kredit. Daya listrik tidak merekam utang, biaya pengobatan kronis, kebutuhan perawatan disabilitas, kehilangan pekerjaan mendadak, atau jumlah anak yang sedang menempuh pendidikan.
Foto rumah dapat menangkap atap, tetapi tidak selalu menangkap tekanan ekonomi di bawahnya.
Lebih banyak data pun tidak otomatis menghasilkan keputusan yang lebih baik. Setiap sumber membawa definisi, tanggal pencatatan, dan tingkat ketelitian yang berbeda.
Pada awal September 2026, pemerintah menjelaskan bahwa masuknya sekitar 12 juta data baru dari BKKBN yang belum seluruhnya terverifikasi ikut memicu pergeseran desil yang signifikan pada DTSEN Volume 3. Koreksi kemudian dilakukan melalui Volume 3.1.
Peristiwa ini bukan alasan untuk menghentikan integrasi, melainkan peringatan bahwa data baru perlu menjalani pengujian paralel, deteksi anomali, dan validasi sebelum dipakai untuk keputusan yang mencabut atau menunda manfaat.
Masalah berikutnya adalah ketimpangan kapasitas untuk mengoreksi data.
Pemutakhiran triwulanan jelas lebih baik daripada basis data yang membeku selama bertahun-tahun. Namun, kalender kemiskinan bergerak setiap hari: orang dapat kehilangan pekerjaan hari ini, jatuh sakit besok, dan menghadapi tenggat daftar ulang kuliah minggu depan.
Bagi keluarga rentan, menunggu satu siklus pemutakhiran dapat terlalu lama. Kanal digital juga dapat memindahkan beban pembuktian kepada warga yang justru paling terbatas dalam perangkat, koneksi internet, literasi data, dan akses ke kantor pelayanan.
Pengaduan kepada Ombudsman pada 2026 menunjukkan bahwa hambatan tidak selalu terletak pada algoritma, tetapi dapat bermula dari layanan pemutakhiran yang tidak dilakukan di tingkat desa.
Ombudsman juga menemukan masih adanya salah paham mengenai kewenangan: desa dan dinas sosial mengusulkan serta memverifikasi data, sedangkan BPS menghitung peringkat desil.
Ketika rantai tanggung jawab tidak dipahami, warga berkeliling dari satu meja ke meja lain tanpa mengetahui siapa yang wajib menyelesaikan masalah. Dalam situasi demikian, akurasi teknis kehilangan makna karena tidak diterjemahkan menjadi kepastian pelayanan.
Bila penetapan desil tepat, dampak ekonominya sangat besar. Bantuan yang mencapai kelompok dengan kecenderungan konsumsi tinggi segera menopang belanja pangan, transportasi, dan kebutuhan dasar; uang itu kembali berputar di warung, pasar, dan usaha lokal.
Jaminan kesehatan mencegah keluarga menjual aset atau berutang ketika sakit. Bantuan pendidikan menjaga anak tetap bersekolah dan memperkuat produktivitas jangka panjang.
Ketepatan sasaran dengan demikian menghasilkan dua dividen sekaligus: mengurangi tekanan ekonomi rumah tangga dan meningkatkan daya guna setiap rupiah anggaran.
Sebaliknya, kesalahan pengecualian memiliki biaya yang sering lebih berat daripada kesalahan memasukkan orang yang tidak layak.
Inclusion error memang memboroskan anggaran dan mengurangi kepercayaan publik. Namun, exclusion error dapat membuat pasien menunda berobat, mahasiswa gagal daftar ulang, atau keluarga mengurangi asupan pangan. Kerugiannya dapat bersifat tidak dapat dipulihkan.
Karena itu, tujuan sistem tidak cukup hanya memaksimalkan akurasi rata-rata. Untuk program berisiko tinggi seperti jaminan kesehatan dan pendidikan, model harus memberi bobot lebih besar pada pencegahan salah penolakan.
Penggunaan batas keras juga menciptakan efek tebing kesejahteraan. Perbedaan tipis antara keluarga pada ujung desil 4 dan awal desil 5 dapat berujung pada perbedaan manfaat yang besar, padahal kondisi mereka hampir sama.
Jika beberapa program memakai satu batas desil secara serentak, satu perubahan peringkat berpotensi memutus berlapis-lapis dukungan.
Dalam jangka panjang, desain seperti ini juga berisiko mendorong keluarga menyembunyikan aset produktif, enggan memperbarui data, atau takut memasuki pekerjaan formal karena khawatir kehilangan bantuan.
Perlindungan sosial seharusnya menjadi jembatan menuju kemandirian, bukan jurang di ujung peningkatan pendapatan.
Konteks makro memperkuat urgensi perbaikan. BPS mencatat kemiskinan Maret 2026 turun menjadi 8,07 persen atau 22,93 juta orang, tetapi garis kemiskinan nasional masih hanya Rp669.235 per kapita per bulan.
Pada saat yang sama, rasio gini meningkat dari 0,363 pada September 2025 menjadi 0,368 pada Maret 2026.
Artinya, penurunan angka kemiskinan perlu dibaca bersama kerentanan besar di sekitar garis kemiskinan dan ketimpangan yang belum sepenuhnya mereda.
Kelompok 40 persen terbawah tidak identik dengan penduduk miskin, tetapi banyak di antaranya hanya berjarak satu PHK, satu penyakit, atau satu kenaikan harga dari kesulitan serius.
Perbaikan pertama ialah memakai desil sebagai kompas prioritas, bukan satu-satunya palang pintu. Kelayakan sebaiknya menggabungkan peringkat relatif dengan ambang absolut serta indikator kebutuhan spesifik setiap program.
Bantuan pangan perlu mempertimbangkan kemampuan konsumsi aktual. Jaminan kesehatan perlu memberi perlindungan khusus bagi penyakit kronis, disabilitas, dan risiko katastropik. Bantuan pendidikan perlu menghitung beban tanggungan, biaya tempat tinggal, dan kesinambungan studi.
Kriteria lokal juga penting karena biaya hidup dan akses layanan sangat berbeda antarwilayah.
Perbaikan kedua ialah membangun transparansi yang dapat dipakai warga. Setiap keluarga seharusnya dapat melihat tanggal pembaruan terakhir, variabel faktual yang tersimpan, sumber datanya, serta alasan umum perubahan peringkat.
Pemerintah tidak harus membuka data pribadi atau seluruh kode model, tetapi wajib menerbitkan dokumentasi metode, ukuran kesalahan, hasil uji menurut wilayah dan kelompok rentan, serta riwayat versi.
Warga yang mengajukan koreksi perlu memperoleh nomor pelacakan, batas waktu penyelesaian, dan penjelasan tertulis atas hasilnya. Hak untuk mengetahui alasan merupakan bagian dari akuntabilitas, bukan ancaman terhadap teknologi.
Perbaikan ketiga ialah menerapkan prinsip tidak ada penghentian otomatis untuk layanan esensial sebelum verifikasi manusia.
Perubahan besar, misalnya melompati beberapa desil dalam satu siklus, semestinya memicu pemeriksaan anomali. Untuk JKN dan bantuan pendidikan yang sedang berjalan, perlu masa transisi agar perubahan data tidak langsung menghentikan pengobatan atau studi.
Versi baru DTSEN idealnya diuji dalam mode bayangan terhadap versi lama, lalu dampaknya pada penerima dipetakan sebelum diberlakukan. Integrasi data harus memiliki rem keselamatan.
Terakhir, keberhasilan DTSEN perlu dinilai dengan ukuran yang menyentuh kehidupan warga: berapa lama koreksi diselesaikan, berapa besar kesalahan inklusi dan eksklusi, kelompok mana yang paling sering terdampak, berapa banyak penerima yang benar-benar keluar dari kerentanan, dan apakah penghentian bantuan diikuti peningkatan pendapatan yang bertahan.
Audit independen dan publikasi indikator tersebut akan membantu pemerintah membedakan graduasi yang nyata dari sekadar perpindahan peringkat.
Indonesia telah memilih arah yang benar dengan membangun satu fondasi data sosial-ekonomi. Tantangannya kini bukan memilih antara algoritma dan penilaian manusia, melainkan merancang keduanya agar saling mengoreksi.
Desil diperlukan untuk mengalokasikan sumber daya yang terbatas, tetapi martabat dan hak warga tidak boleh diringkas menjadi satu angka.
Ketika data menjadi dasar keputusan negara, ukuran tertinggi efektivitasnya bukan seberapa rapi penduduk diurutkan, melainkan seberapa sedikit warga yang jatuh karena sistem gagal melihat keadaan mereka.