Kalau Desil Bisa Salah, Buat Apa Ada DTSEN?

Ketika anggaran terbatas, bantuan tidak selalu dapat diberikan kepada semua orang. Bayangkan pemerintah memiliki anggaran Rp100 juta untuk membantu 100 keluarga. Jika dibagi rata, setiap keluarga mendapat Rp1 juta.

Namun, jika bantuan ditargetkan kepada 20 keluarga yang paling membutuhkan, masing-masing dapat menerima Rp5 juta.

Bagaimana jika dari 20 keluarga yang menjadi sasaran, hanya separuh yang benar-benar tepat sasaran? Sepuluh lainnya terlewat dari bantuan. Meski demikian, 10 keluarga yang tepat sasaran tetap menerima total Rp50 juta.

Jika anggaran yang sama dibagi rata kepada 100 keluarga, 20 keluarga prioritas hanya menerima total Rp20 juta.

Artinya, targeting tidak harus sempurna untuk tetap mengarahkan manfaat yang lebih besar kepada kelompok yang paling membutuhkan. Keberhasilan intervensi tidak hanya ditentukan oleh akurasi targeting, tetapi juga oleh cakupan dan besarnya manfaat yang diterima kelompok sasaran.

Karena itu, evaluasi targeting tidak cukup hanya menghitung berapa banyak penerima yang “salah”, tetapi juga perlu melihat berapa besar bantuan yang akhirnya diterima kelompok yang membutuhkan.

Temuan empiris juga menunjukkan bahwa penggunaan basis data untuk targeting dapat meningkatkan manfaat. Tohari dkk. (2019), misalnya, ketika mengevaluasi penggunaan Basis Data Terpadu (BDT), menemukan bahwa penggunaan BDT dapat meningkatkan komplementaritas program dan konsumsi keluarga dibandingkan keluarga yang tidak menerima program.

Desil adalah Hasil Pemeringkatan Prediksi Kesejahteraan

Tantangan bagi pemerintah dalam kebijakan targeting adalah informasi pendapatan atau konsumsi tidak selalu tersedia, mahal dikumpulkan, dan sulit diverifikasi.

Solusinya, kesejahteraan keluarga diprediksi melalui karakteristik yang mudah diamati. Seperti kepemilikan aset, kualitas rumah, tingkat pendidikan, dan karakteristik sosial ekonomi lainnya. 

Keluarga kemudian dapat diperingkatkan berdasarkan perkiraan kesejahteraannya dan dibagi ke dalam 10 kelompok atau desil. Desil 1 adalah kelompok dengan prediksi kesejahteraan terendah. Desil 10 adalah kelompok dengan prediksi kesejahteraan tertinggi. 

Tapi sistem prediksi ini tidak sempurna. Ada yang diprediksi terlalu kaya. Ada yang diprediksi terlalu miskin. Dan di sinilah persoalannya.

Tidak Ada Sistem Targeting yang Sempurna

Polemik mengenai desil keluarga berdasarkan Data Tunggal Sosial Ekonomi Nasional (DTSEN) belakangan menunjukkan persoalan tersebut.

Masyarakat menemukan posisi desil yang menurut mereka tidak sesuai dengan kondisi kehidupan sehari-hari. Ada yang merasa hidup pas-pasan, tetapi tidak mendapatkan bantuan.

BPS telah menjelaskan bahwa desil dalam DTSEN bukan label mutlak bahwa sebuah keluarga “miskin” atau “kaya”.

Kondisi ekonomi berubah. Pendapatan berubah. Pekerjaan berubah. Usaha bisa berkembang, tetapi bisa pula bangkrut. Karena itu, posisi sebuah keluarga dalam distribusi kesejahteraan juga dapat berubah. Bukan karena angka desil sedang “berbohong”. Tetapi karena kehidupan sangat dinamis.

Selain kemutakhiran data, sistem prediksi juga bergantung pada daya pembeda setiap indikator. Makna sebuah aset juga dapat berubah. Sepeda motor, misalnya, tidak selalu mencerminkan kemampuan ekonomi yang tinggi. 

Bagi banyak keluarga berpendapatan rendah, motor justru merupakan alat utama untuk mencari nafkah. Artinya, sebuah indikator tidak selalu memiliki daya pembeda yang sama dari waktu ke waktu. Karena itu, indikator dalam sistem targeting perlu terus dievaluasi dan diperbarui.  

Ketika Kesalahan Menjadi Konsekuensi

Dalam praktiknya, targeting menghadapi dua jenis kesalahan. Pertama, exclusion error: keluarga yang seharusnya menerima bantuan justru tidak menerima. Kedua, inclusion error: keluarga yang bukan prioritas justru menerima bantuan.

Keduanya tidak ideal. Namun ketika anggaran terbatas, menekan salah satu jenis kesalahan dapat meningkatkan risiko jenis kesalahan lainnya. Memperluas cakupan dapat mengurangi risiko keluarga miskin terlewat, tetapi meningkatkan peluang keluarga yang relatif lebih mampu ikut menerima. 

Sebaliknya, mempersempit cakupan dapat menekan inclusion error, tetapi meningkatkan risiko exclusion error. Trade-off inilah yang ditemukan Klasen dan Lange (2016) ketika mengevaluasi kesalahan targeting di Indonesia melalui data Susenas 2011. 

Jadi, pertanyaan mengenai DTSEN seharusnya tidak berhenti pada: “Apakah ada keluarga yang salah desilnya?” 

Jawabannya hampir pasti ada. 

Mengakui adanya kesalahan bukan berarti membenarkan kesalahan. Namun yang lebih penting adalah: seberapa besar kesalahannya? Siapa yang terdampak? Bagaimana mekanisme memperbaiki informasi yang keliru? 

Jangan Hanya Menghitung Berapa yang Salah

Kita tentu harus mengkritisi ketika masyarakat yang membutuhkan tidak memperoleh bantuan. Cerita individual tentang salah desil penting sebagai alarm. Tetapi cerita tersebut belum cukup untuk mengukur kinerja keseluruhan sistem targeting. Kita membutuhkan ukuran yang lebih objektif.

Berapa besar exclusion error? Berapa besar inclusion error? Seberapa cepat pengajuan sanggah diverifikasi? Berapa banyak data yang berhasil diperbaiki setelah masyarakat mengajukan keberatan? Setelah data diperbaiki, seberapa cepat perubahan tersebut berdampak pada penerimaan bantuan?

Pertanyaan-pertanyaan tersebut jauh lebih penting daripada sekadar memperdebatkan apakah seseorang seharusnya berada di desil 4, 5, atau 8.

DTSEN Harus Diperbarui, tapi Bantuan tidak Bisa Menunggu

DTSEN harus terus dimutakhirkan karena kondisi jutaan keluarga senantiasa berubah. Namun, pemutakhiran data tidak boleh menjadi alasan untuk menunda intervensi. 

Keluarga yang tiba-tiba kehilangan penghasilan tidak dapat menunggu berbulan-bulan hanya karena data belum sempat diperbarui. Kebutuhan hidup berjalan jauh lebih cepat daripada siklus administrasi. Karena itu, pemutakhiran data dan pelaksanaan program harus berjalan beriringan.

Data diperbarui. Program berjalan. Masyarakat melakukan sanggah. Pemerintah melakukan verifikasi. Data diperbaiki. Program menyesuaikan. Begitu seterusnya.

Pada akhirnya, yang dibutuhkan masyarakat bukanlah data yang mengklaim selalu benar, melainkan sistem perlindungan sosial yang mampu menemukan kesalahan, memperbaikinya, dan memastikan keluarga yang membutuhkan tidak terlalu lama menunggu. 

Bagi pemerintah, DTSEN merupakan penunjuk arah penggunaan anggaran agar lebih efektif dan efisien. DTSEN tidak harus menjadi data yang tidak pernah salah. DTSEN harus menjadi data yang mampu belajar dari kesalahan.