Bansos Tunai Rp5,4 Juta per Orang: Bisakah AI Akhiri Problem Klasik Salah Sasaran?
Baca dalam 60 detik
- Pemerintah berencana mengkonsolidasi berbagai bansos menjadi transfer tunai Rp5,4 juta per orang dan menggunakan AI untuk verifikasi penerima.
- Tanpa data yang dinamis dan akurat, teknologi machine learning berisiko gagal memperbaiki tingkat akurasi penyaluran yang saat ini hanya 47,46% untuk bantuan sembako.
- Integrasi data lintas instansi dan perlindungan privasi menjadi tantangan utama yang harus diatasi agar AI tidak menimbulkan masalah baru.
Pemerintah berencana mengubah skema bantuan sosial menjadi transfer tunai langsung senilai Rp5,4 juta per orang dan mengandalkan kecerdasan buatan untuk memastikan bantuan tepat sasaran. Langkah ini diumumkan Ketua Dewan Ekonomi Nasional Luhut Binsar Pandjaitan pada 9 Juni 2026, menggabungkan berbagai program seperti BPNT, PKH, dan bansos lainnya ke dalam satu kanal pembayaran.
Rencana tersebut menyertakan penggunaan teknologi pengenalan wajah dan identitas digital tunggal untuk verifikasi penerima. Namun, sejumlah pengamat meragukan efektivitas AI jika data dasar yang digunakan masih statis dan tidak mencerminkan kondisi terkini. Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) yang menjadi acuan selama ini dinilai lambat diperbarui, sehingga banyak rumah tangga miskin yang terlewat atau justru kelompok tidak berhak yang menerima bantuan.
Catatan historis menunjukkan bahwa program bansos di Indonesia masih dihantui masalah inklusi dan eksklusi. Studi terbaru menyebutkan tingkat akurasi penargetan BPNT hanya 47,46%, artinya lebih dari separuh penerima yang seharusnya justru tidak tersentuh. Sementara itu, kesalahan inklusi mencapai 71,04%, menandakan banyak rumah tangga mampu yang tetap menikmati bantuan. Salah satu penyebabnya adalah mekanisme community-based targeting yang rawan intervensi politik dan relasi sosial lokal.
Teknologi machine learning memang menawarkan kemampuan mengelompokkan penerima secara real-time berdasarkan kondisi ekonomi terkini. Namun, para ahli mengingatkan bahwa output AI sangat bergantung pada kualitas data pelatihan. Kemiskinan dan kerentanan bersifat dinamis—dipengaruhi musim, perubahan iklim, atau guncangan ekonomi—sehingga basis data statis tidak akan cukup. Studi di Papua, misalnya, menemukan bahwa Orang Asli Papua memiliki kerentanan berbeda dengan non-OAP meski tinggal di wilayah yang sama.
Pemerintah berencana memadankan data dari Kementerian Dalam Negeri, BPJS Kesehatan, PLN, dan Polri. Namun, tanpa integrasi data iklim dari BMKG atau indikator kerentanan spesifik wilayah, model AI tetap berisiko meleset. Peneliti menyarankan agar model pembelajaran mesin juga dilatih dengan hasil riset akademik dan data digital alternatif, selama digunakan secara bertanggung jawab dan transparan.
Aspek krusial lainnya adalah perlindungan data pribadi. Semakin banyak data yang dikumpulkan dan diintegrasikan melalui identitas digital tunggal, semakin besar pula risiko kebocoran atau penyalahgunaan. Keamanan siber harus menjadi prasyarat utama sebelum sistem diterapkan secara luas. Tanpa jaminan privasi yang kuat, publik bisa kehilangan kepercayaan terhadap program bansos berbasis AI.
Ke depan, keberhasilan transformasi bansos ini tidak hanya ditentukan oleh kecanggihan teknologi, tetapi juga oleh kemauan politik untuk memperbaiki tata kelola data dan memperluas sumber informasi. Pertanyaan mendasar yang masih menggantung: akankah AI benar-benar menjadi solusi, atau justru menambah lapisan masalah baru dalam penyaluran bantuan sosial?
