Data Kemiskinan Kusut, Bansos Berisiko Salah Sasaran: Saatnya Skema ABI Dipertimbangkan

Gelombang protes atas pengelompokan masyarakat dalam sepuluh desil ekonomi nasional kembali mencuat, menandakan kegagalan negara dalam memetakan kondisi riil warganya. Data yang seharusnya menjadi fondasi penyaluran bantuan sosial (bansos) justru dipertanyakan akurasinya, memicu kekhawatiran bahwa program-program prioritas pemerintah akan kembali meleset dari sasaran.

Kebijakan yang digadang-gadang untuk memperbarui Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) ini awalnya dirancang untuk mempermudah penargetan bantuan, termasuk rencana pembatasan pembelian BBM bersubsidi bagi desil 9-10. Namun, publik menilai dasar pengelompokan tersebut jauh dari kata akurat. Badan Pusat Statistik (BPS) sendiri mengandalkan metode Proxy-Means Testing (PMT), sebuah pendekatan yang dikembangkan Bank Dunia pada 1995 untuk mengestimasi tingkat kesejahteraan rumah tangga ketika pendapatan sulit diukur langsung.

Metode PMT sebenarnya relevan bagi negara dengan sektor informal besar seperti Indonesia. Indikator yang digunakan pun beragam, mulai dari kondisi rumah, sumber air, kepemilikan aset, hingga pendidikan dan kesehatan. Hanya saja, survei lapangan yang dilakukan petugas tidak dibarengi verifikasi yang memadai. Gubernur Maluku Utara, Sherly Tjoanda, bahkan mengungkapkan keheranannya saat warganya yang tergolong miskin dicoret dari daftar penerima bansos hanya karena rumahnya tampak bagus—padahal rumah tersebut merupakan hasil renovasi dari program bantuan pemerintah daerah.

Evaluasi akademis pada 2017 menunjukkan bahwa model PMT konvensional memiliki tingkat kesalahan hingga 28 persen dari target. Angka tersebut melebar menjadi 44 hingga 47,6 persen ketika mengidentifikasi warga miskin ekstrem. Konsekuensinya, kecemburuan sosial pun tak terhindarkan. Banyak warga yang lebih mampu justru tercatat sebagai penerima manfaat, sementara tetangganya yang sakit menahun harus kehilangan akses layanan BPJS gratis. Pemerintah akhirnya mengakui kesalahan ini dan BPS mengajukan tambahan anggaran Rp1,7 triliun untuk pemutakhiran data pada 2027.

Di tengah kegaduhan ini, pemerintah perlu mempertimbangkan pendekatan baru. Salah satu gagasan yang mulai mengemuka adalah Affirmative Basic Income (ABI), sebuah skema pemberian bantuan tunai tanpa perlu melalui proses verifikasi aset yang rumit. Alih-alih terus berupaya menyeleksi siapa yang layak menerima bantuan, ABI mengusulkan penetapan kelompok penerima yang lebih luas, misalnya 40 persen penduduk berpenghasilan terendah atau empat desil terbawah.

Simulasi yang dilakukan menunjukkan bahwa dengan asumsi 40 persen kelompok miskin atau sekitar 9,54 juta jiwa dari total 23,85 juta warga miskin per Maret 2025, skema ABI membutuhkan anggaran sekitar Rp715,5 triliun per tahun. Angka ini setara dengan 21 persen dari APBN, dengan setiap penerima manfaat menerima bantuan tunai Rp75 juta per tahun. Meski terlihat besar, jumlah ini perlu dibandingkan dengan belanja program prioritas lainnya, seperti Makan Bergizi Gratis (MBG) yang dialokasikan Rp335 triliun dalam APBN 2026.

Konsep ABI tidak hanya menawarkan kemudahan administrasi, tetapi juga mengubah paradigma perlindungan sosial dari sekadar bantuan menjadi hak ekonomi warga negara. Kelompok rentan seperti lansia, penyandang disabilitas berat, dan warga dalam klaster kemiskinan tertentu tidak lagi dipaksa membuktikan status kemiskinan mereka secara berulang. Hal ini berpotensi mengurangi biaya pendataan dan verifikasi yang selama ini menjadi beban negara.

Pertanyaan besarnya, apakah pemerintah berani mengambil langkah berani ini? Atau justru akan terus terjebak dalam perbaikan data yang tak kunjung tuntas? Ke depan, keputusan untuk mengadopsi skema ABI atau memperbaiki sistem yang ada akan menentukan apakah program bansos benar-benar mampu menjangkau mereka yang membutuhkan, atau hanya menjadi simbol kegagalan birokrasi dalam memetakan kesejahteraan rakyatnya.