Menakar Kesiapan Data di Balik Terobosan Digital Single ID

Sebuah pertanyaan sederhana kini mengemuka di tengah euforia transformasi digital pemerintah: Siapa yang berhak menerima bantuan sosial menurut algoritma? Jawabannya bergantung pada data mana yang digunakan, definisi kemiskinan mana yang dipilih, dan seberapa akurat sistem kecerdasan buatan (AI) dalam membaca realitas kehidupan jutaan warga Indonesia.

Pemerintah kini mempersiapkan Digital Single ID berbasis AI sebagai tulang punggung penyaluran bantuan sosial. Sistem ini akan membangun profil penerima berdasarkan data terintegrasi lintas kementerian.

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

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

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

Persoalan yang lebih kritis terletak pada kelompok yang berada tepat di atas garis kemiskinan resmi. BPS mencatat bahwa penurunan angka 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, atau biaya kesehatan yang tidak terduga. Kelompok ini tidak tercatat sebagai penduduk miskin, tetapi kondisinya tidak kurang rapuh.

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

Tantangan batas desil itu diperparah oleh sifat data BPS yang bersifat periodik. BPS memperbarui data kemiskinan setiap enam bulan sekali. Sementara itu, kondisi ekonomi masyarakat berubah setiap saat. Warga yang baru kehilangan pekerjaan hari ini tidak akan langsung tecermin dalam data BPS. Profiling AI yang mengandalkan data tersebut akan tetap menganggap mereka mampu hingga periode pembaruan berikutnya tiba. Realitas ini bukan sekadar soal teknologi, melainkan juga soal sejarah panjang permasalahan data yang belum tuntas.

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

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

Persoalan tidak berhenti pada kualitas data semata. Bahkan ketika data telah dibersihkan, sistem AI itu sendiri menyimpan risiko yang tidak bisa diabaikan.

Risiko itu bersifat inheren dalam setiap sistem klasifikasi berbasis kecerdasan buatan. Kajian di berbagai negara menunjukkan bahwa model AI untuk kemiskinan umumnya akurat dalam kondisi eksperimental, tetapi tingkat kesalahan selalu ada. Pada skala nasional seperti Indonesia dengan 23,36 juta penduduk miskin, bahkan margin kesalahan sebesar 5 persen saja berpotensi menyebabkan lebih dari satu juta orang salah diklasifikasi: sebagian yang berhak tidak menerima bantuan, sebagian yang tidak berhak justru menerimanya.

Inilah mengapa Pasal 10 Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP) menemukan relevansinya. Pasal tersebut memberikan hak kepada setiap warga negara untuk mengajukan keberatan atas keputusan yang dihasilkan sepenuhnya oleh pemrosesan data secara otomatis, termasuk pemrofilan, apabila keputusan tersebut berdampak signifikan bagi dirinya.

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

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

Teknologi hanya secerdas data yang diberikan kepadanya. Apabila datanya tidak mampu melihat mereka yang berada tepat di ambang batas kemiskinan, algoritmanya pun tidak akan mampu melindungi mereka. Penyaluran bansos yang adil bukan soal seberapa cepat sistem mengklasifikasi, melainkan soal seberapa jujur data yang digunakan untuk mengklasifikasikannya.