Fenomena salah sasaran ini bukan rahasia lagi. Di level akar rumput, masalah ini kerap memicu gesekan sosial, kecemburuan, hingga tuduhan miring kepada aparat desa. Pertanyaannya: Mengapa sistem digital milik Badan Pusat Statistik (BPS) dan Kementerian Sosial yang dirancang begitu berlapis dan canggih, masih saja kebobolan?
Jika kita membedahnya dengan kacamata analisis sistem (system analysis), kita akan menyadari bahwa sengkarut data ini bukan sekadar masalah "petugas yang malas" atau "adanya permainan orang dalam". Ini adalah masalah sistemik yang terjadi dari hulu hingga ke hilir.
Di Balik Layar: Bagaimana Sistem Berjalan Saat Ini?
Untuk memahami letak masalahnya, kita perlu tahu dulu bagaimana sistem saat ini menyaring aduan kita. Ketika seorang warga merasa datanya tidak sesuai, mereka bisa mengajukan sanggahan secara mandiri melalui aplikasi Cek Bansos atau lewat operator desa.
Dari sana, sebuah alur birokrasi digital yang panjang sebenarnya langsung berputar:
1. Aduan Masuk (Real-Time): Data sanggahan tersimpan di pangkalan data pusat dengan status "Menunggu Verifikasi".
2. Ground Check (2–4 Minggu): Petugas lapangan atau pendamping sosial mendatangi rumah warga untuk memvalidasi kondisi fisik hunian dan aset secara nyata.
3. Sidang Komunitas (Musdes/Muskel): Hasil pengecekan lapangan dibawa ke forum Musyawarah Desa. Di sini, kepala desa, ketua RT/RW, dan tokoh masyarakat berkumpul untuk menilai kelayakan warga secara kolektif.
4. Validasi Daerah (SIKS-NG): Hasil musyawarah diunggah ke sistem SIKS-NG untuk disetujui atau ditolak oleh Dinas Sosial Kabupaten/Kota.
5. Ketukan Palu Pusat: Kementerian Sosial memadankan data tersebut dengan instansi lain (seperti data ASN atau BPJS) sebelum akhirnya menerbitkan Keputusan Menteri yang memperbarui status desil warga.
Secara teori, alur ini terdengar sangat kokoh dan ideal. Namun mengapa komplain warga tetap saja nyaring terdengar?
Mengapa Masih Jebol? Anatomi Kegagalan Sistem
Dalam analisis sistem, sebuah sistem informasi tidak bekerja di ruang hampa. Ada beberapa celah kritis yang membuat hasil akhir di layar komputer berbeda jauh dengan realitas di lapangan:
1. Jebakan "Garbage In, Garbage Out" dan Latensi Data
Kondisi ekonomi manusia itu dinamis. Seseorang bisa mendadak miskin karena PHK, atau mendadak mampu karena usahanya mendadak laris. Sayangnya, pembaruan data sistemik kita sering kali menderita time lag atau jeda waktu karena masih berbasis siklus (bulanan atau kuartal). Akibatnya, sistem membaca data "masa lalu" warga, bukan kondisi kedaruratan mereka hari ini. Ditambah lagi, faktor kesalahan entri data manual oleh operator di tingkat desa (human error) memperparah kualitas masukan data di awal.
2. Kaku-nya Algoritma dan Kotak Hitam (Black Box)
Sistem komputer bekerja berdasarkan angka dan variabel kuantitatif yang kaku (seperti jenis lantai, dinding, atau daya listrik). Sistem sering kali gagal membaca konteks kualitatif. Transparansi yang buntu ini memicu prasangka bahwa pemerintah bertindak tidak adil.
|
Contoh Kasus: Seorang janda lansia menempati rumah tembok peninggalan almarhum suaminya, tetapi ia tidak memiliki penghasilan dan sakit-sakitan. Secara algoritma, skor rumahnya tinggi sehingga ia otomatis tergolong 'mampu' dan terdepak dari desil bawah. Ketika ia dicoret, masyarakat hanya disajikan hasil akhir berupa status 'Tidak Layak' tanpa tahu indikator apa yang membuatnya dicoret. |
3. Ego Sektoral dan Pangkalan Data yang Terisolasi (Data Siloes)
Hingga saat ini, integrasi data antar-lembaga kita belum sepenuhnya mulus. Data kemiskinan sering kali terlambat disinkronkan dengan data Korlantas (kepemilikan kendaraan), data BPJS Ketenagakerjaan, atau data perbankan. Ketidakmampuan sistem untuk saling "berbicara" secara instan membuat celah manipulasi data menjadi terbuka lebar.
4. Malafungsi Subsistem Sosial (Subjektivitas Musdes)
Sistem penargetan kita melibatkan manusia melalui forum Musyawarah Desa (Musdes). Di sinilah bias subjektivitas sering merusak objektivitas algoritma. Faktor kedekatan kekerabatan (nepotisme lokal) atau bahkan dinamika politik pasca-Pilkades kerap membuat oknum aparat desa meloloskan kerabatnya yang mampu (inclusion error), atau sengaja mencoret warga miskin yang kebetulan berseberangan pilihan politik (exclusion error).
Merajut Solusi: Bagaimana Memperbaikinya Semisalnya?
Jika kita ingin menyelesaikan masalah ini secara tuntas, kita tidak bisa hanya mengandalkan perbaikan tambal sulam. Kita membutuhkan reformasi arsitektur sistem yang menyeluruh:
• Sistem Sinkronisasi Berbasis Peristiwa (Event-Driven Data): Sistem harus diubah agar adaptif secara real-time. Jika ada data kematian kepala keluarga atau laporan PHK yang sah masuk ke sistem Dukcapil atau Ketenagakerjaan, sistem DTKS harus otomatis langsung memicu perubahan status kedaruratan keluarga tersebut tanpa perlu menunggu siklus bulanan.
• Otomatisasi Validasi Berbasis AI: Sebelum data masuk ke ranah perdebatan sosial di desa, gunakan teknologi kecerdasan buatan (machine learning) untuk melakukan pemadanan dini secara otomatis terhadap profil pengeluaran riil warga (seperti tagihan listrik, kepemilikan aset tanah, dan mutasi rekening di atas ambang batas tertentu). Ini akan langsung menyaring warga mampu yang mencoba "menyamar" menjadi miskin.
• Buka Kotak Hitam Lewat Open Scorecard: Jangan hanya menampilkan status "Diterima" atau "Ditolak" di portal publik. Berikan transparansi penilaian kepada warga. Tunjukkan rincian indikatornya, misalnya: "Anda berada di Desil 4 karena daya listrik rumah Anda 1300 VA dan terdaftar memiliki sepeda motor tahun produksi terbaru." Dengan begitu, komplain warga akan bergeser dari sekadar marah-marah menjadi koreksi data yang substantif.
• Digitalisasi Jejak Petugas Lapangan: Wajibkan seluruh petugas verifikasi menggunakan aplikasi berbasis koordinat GPS (geo-tagging) dengan lampiran foto kondisi rumah terkini yang mengunci waktu digital (timestamp). Langkah ini menutup celah bagi petugas yang malas dan hanya mengisi data di atas meja kerja tanpa benar-benar mendatangi lokasi.
• Lokalisasi Parameter Kemiskinan: Sistem tidak boleh memukul rata indikator kemiskinan secara nasional. Parameter kemiskinan di wilayah urban padat penduduk seperti Jakarta tentu memiliki karakteristik pengeluaran dan standar hidup yang berbeda total dengan wilayah perdesaan pedalaman di Papua. Bobot algoritma pemeringkatan desil harus dirancang fleksibel mengikuti konteks geografis wilayah tersebut.
Mendatang :
Teknologi digital pada akhirnya hanyalah sebuah alat bantu. Secanggih apa pun algoritma desil yang dibangun oleh BPS atau Kemensos, ia akan tetap memicu protes warga selama ia kaku, tertutup, dan mudah diintervensi oleh kepentingan sepihak.
Mengubah sistem perlindungan sosial kita dari sebuah "kotak hitam" yang kaku menjadi ekosistem data yang terbuka, adaptif, dan kontekstual bukan lagi sekadar pilihan inovasi teknologi. Ini adalah langkah mendasar untuk mengembalikan kepercayaan publik dan memastikan bahwa keadilan sosial benar-benar sampai ke pintu rumah mereka yang berhak.
-enhr-
Jika Menurut anda tulisan ini menarik jangan ragu untuk membagikannya. Anda memiliki pendapat, kritik, saran atau masukan ? silahkan tulis di kolom komentar.
Posting Komentar