BPS Tingkatkan Akurasi DTSEN demi Bansos Tepat Sasaran
Kualitas data DTSEN perlu menjadi perhatian, karena kesalahan dalam basis data perlindungan sosial dapat berdampak langsung kepada masyarakat yang membutuhkan bantuan.
Tambahkan SUAR ke Google
Badan Pusat Statistik (BPS) memperkuat akurasi Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) sesuai dengan kondisi riil masyarakat, sehingga penyaluran program perlindungan sosial lebih tepat sasaran.
Direktur Metodologi Statistik dan Sains Data BPS Setia Pramana mengatakan, proses pemutakhiran dan evaluasi DTSEN masih terus berjalan. Berdasarkan evaluasi, tingkat inclusion-exclusion error pada model DTSEN telah menurun dari sekitar 37% pada tahap awal menjadi sekitar 23%.
Dia menjelaskan, kesalahan dalam DTSEN dapat berasal dari kualitas dan kemutakhiran data, maupun model yang digunakan untuk memprediksi kondisi sosial ekonomi masyarakat. Oleh karena itu, BPS terus melakukan evaluasi.
Baca juga:
Wawancara Eksklusif Wakil Kepala BPS: Partisipasi Masyarakat Dalam Sensus Ekonomi Menentukan Kualitas Data
Wawancara eksklusif Wakil Kepala Badan Pusat Statistik (BPS) RI, Dr. Sonny Harry B Harmadi dalam siniar dengan Suar.id. Sonny menyatakan pelaksanaan Sensus Ekonomi 2026 mendapat dukungan dari banyak pihak. Partisipasi masyarakat sangat menentukan kualitas data untuk pengambilan kebijakan.
Gianie
Menurut dia, angka inclusion-exclusion error tersebut tidak serta-merta menggambarkan seluruh kesalahan yang terjadi di masyarakat. Ada sejumlah faktor lain yang dapat memengaruhi ketepatan data, mulai dari data yang belum mutakhir, kesalahan klasifikasi, kondisi geografis, hingga perubahan kondisi masyarakat.
"Bagaimana data yang akurat dan akhirnya bisa didatangkan. Itu yang menjadi PR kami semua. Ini masih berproses, bukan berarti ini selesai," kata Setia dalam diskusi Metodologi Penentuan Desil dan Pengukuran Kemiskinan di Indonesia di Jakarta, Jumat (11/9/2026).
Integrasi Data Masih Berlangsung
Dia menjelaskan DTSEN dibentuk melalui proses integrasi sejumlah basis data yang sebelumnya memiliki karakteristik dan kelengkapan informasi berbeda. Data tersebut kemudian dipadukan untuk membentuk basis data tunggal yang dapat digunakan sebagai rujukan bersama dalam kebijakan sosial dan ekonomi.
Proses integrasi tersebut mencakup data Registrasi Sosial Ekonomi (Regsosek), Data Terpadu Kesejahteraan Sosial (DTKS), Data Pensasaran Percepatan Penghapusan Kemiskinan Ekstrem (P3KE), serta sejumlah sumber data lainnya. Dari proses tersebut, pemerintah memperoleh basis data keluarga yang cakupannya mendekati populasi.
Namun, tidak seluruh keluarga memiliki informasi sosial ekonomi yang lengkap. Oleh karena itu, BPS menggunakan pendekatan statistik untuk memperkirakan kondisi keluarga yang belum memiliki informasi pengeluaran secara langsung. Salah satu pendekatan yang digunakan adalah Proxy Means Test (PMT), yakni memperkirakan tingkat pengeluaran berdasarkan karakteristik rumah tangga.
Baca juga:
Menyongsong Sensus Ekonomi 2026, Membaca Peta Dunia Usaha Indonesia
Sensus Ekonomi merupakan pilar utama BPS dalam memotret struktur ekonomi nasional non-pertanian setiap sepuluh tahun sekali. Pada Sensus Ekonomi 2026 ini, sejumlah variabel baru diintegrasikan, seperti ekonomi digital, ekonomi hijau, dan ekonomi biru untuk menyesuaikan dengan perkembangan zaman.
Zikrina Ratri
BPS menggunakan data Susenas sebagai salah satu sumber untuk membangun model tersebut. Data sekitar 1,4 juta keluarga digunakan untuk melihat hubungan antara karakteristik rumah tangga dengan tingkat pengeluaran.
Karakteristik yang digunakan antara lain kondisi rumah, aset, komposisi keluarga, pendidikan, serta karakteristik sosial ekonomi lainnya. Dari informasi tersebut, BPS membangun model untuk memperkirakan pengeluaran per kapita keluarga yang datanya belum tersedia secara langsung.
Model tersebut kemudian digunakan untuk melakukan pemeringkatan keluarga berdasarkan kondisi sosial ekonominya. Hasil pemeringkatan tersebut selanjutnya menjadi dasar dalam pengelompokan masyarakat ke dalam desil.
"Karena kita tidak memiliki data pendapatan, sehingga kita lakukan data pengeluaran. Nah, data pengeluaran tersebut kita bisa lakukan perangkingan bahwa asumsinya dengan ranking pengeluaran 1, 2, 3, sampai ke atas itu nanti terkait dengan kondisi ekonominya," katanya.
Setia menjelaskan, desil merupakan pengelompokan masyarakat berdasarkan posisi relatif kondisi sosial ekonominya. Dengan metode tersebut, masyarakat dalam DTSEN diurutkan berdasarkan tingkat kesejahteraan yang diperkirakan dari model yang digunakan BPS.
Pembagian desil tidak menunjukkan batas pendapatan yang bersifat tetap. Posisi seseorang dalam desil ditentukan berdasarkan distribusi kondisi sosial ekonomi masyarakat dalam data.
Cakupan Data Diperluas
Sementara itu, Tenaga Ahli Kementerian Sosial Andy Kurniawan mengatakan penggunaan DTSEN ditujukan untuk memperluas cakupan data sekaligus memperbaiki ketepatan sasaran program perlindungan sosial.
Menurut dia, basis data sebelumnya, yakni DTKS, hanya mencakup sekitar 43% dari keseluruhan keluarga di Indonesia. Kondisi tersebut membuat masyarakat yang membutuhkan bantuan tetapi belum masuk dalam data berpotensi tidak terjangkau.
"Nah kemudian bergabunglah DTKS itu dengan Regsosek dan P3KE pada tahun 2025, yang itu kemudian menunggalkan data dengan jumlah mendekati populasi, sekitar 90 juta keluarga dan 290 juta individu. Maka kalau kita (bandingkan) menggunakan DTKS dan kita menggunakan DTSEN, perbandingannya pasti akan mengurangi jauh inclusion error-nya ketika kita pakai DTSEN," katanya.
Andy mengatakan, DTSEN memungkinkan pemerintah menggunakan desil sebagai salah satu dasar menentukan prioritas penerima bantuan ketika anggaran yang tersedia terbatas.
Kualitas Data Jadi Kunci
Di tengah proses penyempurnaan tersebut, Direktur Kebijakan Publik Center of Economic and Law Studies (Celios) Media Wahyu Askar menilai, kualitas DTSEN tetap perlu menjadi perhatian, karena kesalahan dalam basis data perlindungan sosial dapat berdampak langsung kepada masyarakat yang membutuhkan bantuan.
Dia menyoroti potensi exclusion error, yakni kondisi ketika masyarakat yang sebenarnya membutuhkan bantuan tidak masuk sebagai penerima. Menurutnya, persoalan tersebut perlu diperhatikan karena perubahan status penerima bantuan dapat menimbulkan dampak ekonomi bagi rumah tangga yang kehilangan bantuan secara tiba-tiba.
“Yang terganggu adalah masyarakat yang memang membutuhkan bansos sebelum menerima bansos dan sangat butuh bansos. Kemudian karena exclusion error, mereka tidak punya,” ujarnya.
Ia menilai persoalan tersebut perlu dilihat bersama dengan kualitas data yang menjadi dasar pemodelan. Menurutnya, penggunaan model statistik yang semakin kompleks tidak otomatis menghasilkan keputusan yang lebih akurat apabila data yang menjadi input masih memiliki persoalan.
“Kalau bentukan datanya sudah tidak betul, apapun modeling-nya, regresi machine learning-nya juga pasti akan ada masalah," katanya.
Karena itu, Celios menilai pemutakhiran data perlu dilakukan secara hati-hati. Menurutnya, pemerintah perlu memastikan terlebih dahulu kualitas basis data sebelum kembali mengandalkan hasil pemeringkatan untuk menentukan akses masyarakat terhadap program perlindungan sosial.
“Masyarakat itu juga tidak menuntut sempurna. Bahkan di titik tertentu masyarakat juga tidak butuh penjelasan soal proxy means test itu. Masyarakat mungkin hanya ingin agar data yang ada sesuai dengan realitas mereka hari ini,” katanya.
