Kebijakan Berbasis Data: Antara Evidence-Based dan Bias Berbasis Sistem

Kebijakan berbasis data pernah dipandang sebagai penawar bagi kebuntuan kebijakan tradisional yang kerap mengandalkan intuisi, dogma ideologis, atau kedekatan politik semata. Negara modern seharusnya menggunakan data sebagai fondasi pengambilan keputusan, analisis kebutuhan, penargetan sumber daya, dan evaluasi dampak program. Namun realitas Indonesia menunjukkan bahwa dalam praktiknya kebijakan berbasis data sering terjebak antara aspirasi evidence-based yang ideal dengan bias berbasis sistem yang tak terduga bias yang justru berasal dari cara data dikumpulkan, diolah, dan dipakai.

Bukan rahasia lagi bahwa pemerintah menempatkan data sebagai jantung transformasi digital pemerintahan. Sejak inisiasi Satu Data Indonesia di era 2020, ada dorongan kuat untuk mengelola data secara terstandar, terintegrasi, dan dapat digunakan lintas instansi. Di satu sisi, ini adalah kemajuan besar: dengan data yang andal dan terstruktur, pembuat kebijakan bisa mengidentifikasi masalah secara empiris dan menyusun solusi yang lebih tepat. Di sisi lain, ketika data itu sendiri berasal dari sistem yang belum matang atau belum akurat representasinya, apa yang dihasilkan tidak lagi evidence-based, tetapi system-biased. Tanpa reformasi tata kelola data yang mendasar, kebijakan berbasis data berpotensi menghasilkan kesimpulan yang salah arah, justru memperkuat ketidaksetaraan, bukan meredakannya.

Dalam tulisan ini menegaskan bahwa kebijakan berbasis data memiliki potensi transformatif yang besar, tetapi bila bias sistem tidak diakui dan diperbaiki, kebijakan itu bukan mengambil data sebagai rujukan obyektif melainkan memperkuat bias tertanam dalam sistem itu sendiri.

Di banyak kajian publikasi internasional termasuk oleh organisasi seperti World Bank dan OECD sudah ditegaskan bahwa data bukan entitas netral. Data mencerminkan realitas sosial yang dipotong melalui banyak proses: pilihan apa yang diukur, bagaimana data dikumpulkan, oleh siapa, dan dengan metode apa. Dalam konteks Indonesia, titik bias ini muncul dari beberapa fenomena klasik.

Pertama, fragmentasi data sektoral. Meskipun pemerintah mencanangkan Satu Data Indonesia, kenyataannya masih terdapat banyak basis data sektoral yang berbeda standar, baik di pusat maupun daerah. Misalnya data kependudukan, data pendidikan, dan data kesehatan sering kali memiliki format, definisi, dan metode validasi yang berbeda. Agar data benar-benar menjadi akar keputusan yang valid, perlu ada harmonisasi dan standardisasi yang tak sekadar deklaratif tetapi diterapkan secara teknis dan diaudit secara berkala. Tanpa standardisasi yang kuat, pemerintah berisiko menarik kesimpulan dari data yang tidak berbicara dengan konteks yang sama sebuah bias sistematik yang bisa menggiring kebijakan ke arah yang tidak diinginkan.

Kedua, ketimpangan akses dan representasi data di daerah pinggiran. Survei penetrasi internet di Indonesia sering dipakai untuk menjustifikasi digitalisasi layanan publik, tetapi angka penetrasi nasional yang berada di kisaran lebih dari 80 persen menurut APJII terbaru menyembunyikan ketimpangan besar di wilayah perbatasan atau daerah 3T (tertinggal, terdepan, terluar). Data administratif yang dikumpulkan secara daring sering kali kurang representatif bagi kelompok yang kurang terkoneksi atau kurang melek digital. Akibatnya, kebijakan yang digarap berdasarkan data bisa saja menempatkan kebutuhan warga pinggiran pada urutan prioritas yang lebih rendah, bukan karena mereka kurang membutuhkan layanan, tetapi karena data mereka kurang terwakili.

Ketiga, kualitas dan validitas data administratif. Banyak program bansos, layanan kesehatan, hingga perizinan usaha kini bergantung pada data yang dimasukkan oleh pengguna atau petugas. Apabila struktur verifikasi data lemah, terjadi duplikasi, error input, atau data lama yang tidak diperbarui, hasil analisis pun menjadi rentan bias. Studi internasional menunjukkan bahwa data administrasi tanpa proses validasi independen sering kali mengandung kesalahan sistemik yang serius namun dalam banyak evaluasi kebijakan, kekeliruan semacam itu jarang diakui sebagai sumber bias.

Perdebatan antara evidence-based policy (EBP) dan system-biased policy (SBP) bukan sekadar debat akademis. Ia muncul dalam implementasi nyata kebijakan sosial seperti bantuan sosial (bansos), integrasi layanan kesehatan, dan penentuan prioritas program inklusi digital.

Dalam kasus penyaluran bantuan sosial digital yang diperluas pemerintah, data kependudukan dan basis data silang antar lembaga dipakai untuk menentukan siapa yang layak menerima bantuan. Di atas kertas, ini terdengar logis: gunakan data untuk mengatasi kesalahan sasaran. Namun ketika data yang digunakan bermasalah misalnya belum lengkap, belum diperbarui, atau kurang representatif kelompok marginal kebijakan pun bisa saja memperkuat ketidakadilan secara digital. Warga yang paling membutuhkan justru terlewat karena tidak muncul dalam data. Inilah bukti bahwa data tidak netral: data yang buruk akan menghasilkan kebijakan yang buruk pula.

Situasi serupa bisa terlihat dalam pemetaan bantuan kesehatan berbasis digital, di mana prioritas layanan ditentukan oleh perhitungan algoritma. Ketika algoritma dibuat tanpa memperhitungkan bias geografis atau sosial, maka model itu bisa merugikan warga di daerah terpencil hanya karena pola data mereka berbeda dari pola mayoritas.

Jika data merupakan basis keputusan, maka kualitas data dan proses pemerolehan data harus dipertimbangkan sebagai komponen kebijakan, bukan elemen teknis tambahan.

Perdebatan penting dalam kebijakan berbasis data adalah perbedaan antara menjadi data-driven dan data-informed. Kebijakan data-driven sering kali menempatkan angka sebagai otoritas utama semua harus mengikuti angka tanpa mempertimbangkan konteks, nilai sosial, atau keadilan sosial. Data independent of context terkadang menutupi bias. Sebaliknya, kebijakan data-informed adalah kebijakan yang menggunakan data sebagai salah satu sumber bukti, tetapi tetap mempertimbangkan konteks sosial, suara masyarakat marginal, dan prinsip keadilan.

Indonesia perlu bergeser dari pendekatan data-driven semata ke data-informed policy. Ini berarti:

• Data dipakai bersama dengan kajian kualitatif,

• Kebutuhan warga marginal diukur dengan alat yang sesuai konteks,

• Analisis data dilengkapi dengan audit data independen,

• Mekanisme pengaduan publik dilibatkan dalam perumusan dan evaluasi kebijakan berbasis data.

Pengambil keputusan harus sadar bahwa data bukan pesan final dari kenyataan objektif, tetapi sebuah representasi realitas dan representasi itu dipengaruhi oleh banyak faktor sistemik.

Agar kebijakan berbasis data dapat berjalan secara adil dan efektif di Indonesia, beberapa komponen tata kelola harus diperkuat:

1. Standardisasi Metadata dan Verifikasi Lintas Sistem

Perlu kerangka yang memastikan data dari berbagai instansi bisa diharmonisasikan sesuai standar nasional yang jelas. Ini mencakup definisi variabel yang seragam, skema klasifikasi data yang konsisten, dan mekanisme verifikasi silang.

2. Audit Data Berkala oleh Lembaga Independen

Sebagai negara demokratis, pemerintah perlu membuka ruang audit data yang dilakukan oleh auditor independen untuk memastikan data yang dipakai bebas dari kesalahan sistemik atau bias yang tidak terdeteksi.

3. Pelibatan Publik dalam Perumusan Data Policy

Warga harus dibekali hak dan saluran untuk mengoreksi data pribadi dan menyampaikan pengalaman mereka terhadap layanan berbasis data. Ini akan memperbaiki kedua aspek: kualitas data dan legitimasi kebijakan.

4. Literasi Data bagi Pembuat Kebijakan dan Masyarakat

Tenaga ahli di pemerintahan harus memiliki keterampilan membaca dan menganalisis data secara kritis. Sementara warga perlu literasi agar bisa memahami bagaimana data mereka dimanfaatkan dan bagaimana mengoreksi kesalahan data.

5. Mekanisme Evaluasi Sosial Digital

Kebijakan berbasis data harus memasukkan indikator outcome sosial seperti pemerataan layanan, representasi kelompok marginal, dan dampak distribusi manfaat bukan hanya sekadar indikator output teknis.

Kebijakan berbasis data bukan sekadar trend semata ia merupakan satu cara penting untuk meningkatkan efektivitas pemerintahan dan responsivitas publik. Namun data tidak bisa menjadi satu-satunya otoritas tanpa kontekstualisasi sosial, audit independen, dan kontrol terhadap bias sistem. Indonesia tidak boleh terjebak dalam jebakan data-driven policy yang mengagungkan angka, tetapi harus beralih ke data-informed policymaking yang menjadikan data sebagai alat, bukan diktator.

Tanpa pengakuan atas bias berbasis sistem dan tanpa perbaikan tata kelola data secara fundamental, kebijakan yang dibangun dari data bisa saja semakin memperkuat ketidakadilan yang ada menghasilkan pseudoevidence yang tampak ilmiah di permukaan tetapi rapuh dalam praktik sosialnya. Kebijakan yang benar adalah yang mengakui keterbatasan data, memperkuat tata kelola, dan menempatkan keadilan sosial sebagai tujuan utama.