Mengenal desil, memahami cara data bekerja

POSISI dalam desil sering dikaitkan dengan akses terhadap berbagai program perlindungan sosial. Karena itu, ketika posisi desil berubah, muncul pula kekhawatiran apakah bantuan yang selama ini diterima akan berubah.

Kekhawatiran tersebut sebenarnya dapat dipahami. Ketika sebuah istilah statistik mulai berhubungan dengan kehidupan sehari-hari, angka tidak lagi terasa sebagai angka. Ia dapat menjadi harapan, kekhawatiran, bahkan penentu keputusan.

Namun, mungkin kita perlu melihat desil dengan cara yang sedikit berbeda. Desil bukanlah label tentang siapa yang miskin dan siapa yang kaya. Desil adalah cara untuk melihat posisi relatif seseorang atau keluarga dalam distribusi kesejahteraan.

Bayangkan sebuah peta. Ketika kita melihat titik pada peta, yang kita ketahui adalah posisi kita dibandingkan dengan tempat lain. Kita tidak serta-merta mengetahui seluruh cerita tentang tempat tersebut. Begitu pula dengan desil.

Secara sederhana, desil membagi penduduk atau keluarga ke dalam 10 kelompok berdasarkan tingkat kesejahteraan relatif. Desil 1 berada pada kelompok dengan tingkat kesejahteraan relatif paling rendah, sedangkan desil 10 berada pada kelompok dengan tingkat kesejahteraan relatif paling tinggi. Karena itu, desil bukan angka pendapatan. Ia juga bukan label permanen bahwa seseorang "miskin" atau "kaya".

Sebuah keluarga dapat mengalami perubahan kondisi ekonomi dan pada saat yang sama, posisi relatifnya dalam masyarakat juga berubah.

Keluarga yang sebelumnya berada pada kelompok bawah dapat bergerak ke kelompok yang lebih tinggi. Sebaliknya, keluarga yang sebelumnya relatif aman dapat mengalami tekanan ekonomi dan bergerak ke kelompok yang lebih rendah. Desil menunjukkan di mana kita berada, bukan seluruh cerita tentang bagaimana kita sampai di sana.

Ketika pendapatan tak mudah diukur

Lalu, bagaimana posisi tersebut diperkirakan? Di sinilah kita mengenal Proxy Means Test (PMT). Secara sederhana, PMT adalah metode statistik untuk memperkirakan tingkat kesejahteraan rumah tangga berdasarkan berbagai karakteristik yang dapat diamati dan diverifikasi.

Mengapa tidak langsung bertanya mengenai pendapatan? Karena pendapatan tidak selalu mudah diukur.

Sebagian masyarakat bekerja di sektor informal, memiliki pendapatan yang berubah-ubah, atau tidak memiliki catatan pendapatan yang lengkap. Dalam kondisi seperti ini, mengukur kesejahteraan hanya dari pendapatan aktual dapat menjadi tantangan.

PMT kemudian menggunakan berbagai karakteristik rumah tangga yang memiliki hubungan dengan kesejahteraan. Kondisi tempat tinggal, pendidikan, pekerjaan, komposisi anggota rumah tangga, kepemilikan aset, dan karakteristik sosial ekonomi lainnya dapat menjadi bagian dari informasi yang digunakan dalam model.

Analogi sederhananya seperti seorang dokter.

Dokter tidak menentukan kondisi kesehatan seseorang hanya dari satu gejala. Ia melihat tekanan darah, suhu tubuh, hasil pemeriksaan, riwayat kesehatan, dan berbagai informasi lainnya. Semua informasi tersebut kemudian dipertimbangkan untuk memperoleh gambaran yang lebih utuh.

PMT bekerja dengan prinsip yang serupa. Bedanya, dokter menggunakan pengetahuan klinis, sedangkan PMT menggunakan model statistik. Karena itu, PMT bukan hasil tebakan.

Model dibangun dari data. Data rumah tangga yang memiliki informasi mengenai karakteristik sosial ekonomi sekaligus ukuran kesejahteraan digunakan untuk mempelajari hubungan di antara keduanya. Hubungan tersebut kemudian digunakan untuk membuat prediksi bagi rumah tangga lainnya.

Gagasan ini bukan sesuatu yang hanya digunakan di Indonesia. PMT telah lama digunakan dalam berbagai sistem perlindungan sosial di berbagai negara sebagai alternatif ketika pengukuran pendapatan secara langsung sulit dilakukan.

Namun, memahami PMT juga berarti memahami keterbatasannya. Tidak ada model statistik yang sempurna. PMT pada dasarnya adalah model prediksi. Karena itu, selalu ada kemungkinan hasil prediksi berbeda dengan kondisi sebenarnya.

Dalam literatur penargetan perlindungan sosial, hal ini dikenal sebagai targeting error. Ada exclusion error, ketika keluarga yang sebenarnya membutuhkan justru tidak masuk kelompok sasaran. Ada pula inclusion error, ketika keluarga yang sebenarnya tidak termasuk kelompok sasaran justru masuk ke dalam kelompok sasaran.

Penelitian Alatas dan kolega di Indonesia memberikan pelajaran menarik. Melalui eksperimen di 640 desa, mereka membandingkan beberapa pendekatan penargetan, termasuk PMT berbasis aset dan penargetan berbasis komunitas. Hasilnya menunjukkan bahwa PMT berbasis aset cenderung lebih baik dalam mengidentifikasi kelompok miskin, meskipun tidak berarti mampu menghasilkan penargetan yang sempurna.

Penelitian mengenai PMT juga semakin menekankan pentingnya validasi. Model tidak cukup hanya terlihat baik pada data yang digunakan untuk membangunnya. Ia harus diuji pada data lain untuk melihat apakah kemampuan prediksinya tetap baik.

Dengan kata lain, model statistik juga perlu terus "belajar". Masyarakat berubah. Struktur pekerjaan berubah, harga berubah, kepemilikan aset berubah dan pola konsumsi berubah. Karena itu, model yang dibangun dari kondisi masa lalu juga perlu dievaluasi agar tetap relevan dengan kondisi sekarang.

Data yang bergerak bersama kehidupan

Di sinilah persoalan desil sebenarnya menjadi lebih menarik.

Kehidupan manusia tidak diam. Seseorang bisa mendapatkan pekerjaan baru. Sebaliknya, seseorang dapat kehilangan pekerjaan. Anak yang sebelumnya masih sekolah dapat lulus dan mulai bekerja. Anggota keluarga dapat bertambah, kondisi rumah dapat berubah dan penghasilan dapat naik atau turun.

Data seharusnya mengikuti perubahan tersebut. Karena itu, jika seseorang merasa posisi desilnya tidak lagi menggambarkan kondisi keluarganya, yang perlu dilakukan bukan memberikan informasi yang tidak sesuai agar posisi desil menjadi lebih rendah.

Yang perlu dilakukan adalah memperbarui data sesuai kondisi yang sebenarnya. Data yang benar bukan hanya data yang benar ketika pertama kali dikumpulkan. Data juga harus tetap relevan ketika kehidupan masyarakat berubah.

Di sisi lain, pemerintah memiliki tanggung jawab yang sama pentingnya. Sistem data kesejahteraan perlu menyediakan mekanisme pemutakhiran, validasi, dan koreksi. Model juga perlu dievaluasi secara berkala agar kesalahan penargetan dapat terus dikurangi.

Dengan demikian, kualitas sistem perlindungan sosial tidak hanya ditentukan oleh satu rumus. Ia merupakan hasil dari rangkaian yang lebih panjang, data yang baik, model yang tepat, pembaruan yang rutin, verifikasi yang memadai, dan masyarakat yang bersedia memberikan informasi secara benar.

Mungkin karena itu, pertanyaan tentang desil tidak seharusnya berhenti pada, "Mengapa desil saya berubah?" Ada pertanyaan lain yang lebih penting: "Apakah data saya sudah menggambarkan kondisi saya saat ini?" Jika jawabannya belum, maka data perlu diperbarui.

Jika model masih memiliki kekurangan, maka model perlu disempurnakan. Jika masih ada keluarga yang membutuhkan tetapi belum terjangkau, maka mekanisme penargetan perlu diperbaiki.

Begitulah seharusnya kita memandang statistik. Statistik bukan sesuatu yang tidak boleh dikoreksi. Justru statistik yang baik adalah statistik yang terbuka untuk diuji, dievaluasi, dan diperbaiki.

Pada akhirnya, tujuan kita bukan membuat posisi desil seseorang serendah mungkin. Tujuannya adalah memastikan mereka yang membutuhkan tidak terlewat, sementara sumber daya negara dapat digunakan secara lebih adil dan tepat sasaran.

Desil hanyalah salah satu cara untuk membaca keadaan. Di balik angka tersebut selalu ada manusia, keluarga, dan kehidupan yang terus bergerak.

Karena itu, mungkin kita tidak perlu takut pada desil. Kita hanya perlu memahami cara kerjanya, menjaga kualitas datanya, dan bersama-sama membangun sistem yang semakin baik.

Ketika data semakin baik, kebijakan dapat menjadi semakin tepat. Dan ketika kebijakan semakin tepat, semakin besar pula peluang bantuan dan perlindungan sosial benar-benar sampai kepada mereka yang membutuhkannya. (*)