(Kementerian Sosial)● Pemerintah akan menggunakan AI agar bantuan sosial lebih tepat sasaran.● Tanpa data kredibel dan dinamis, penggunaan AI untuk bansos sulit efektif.● Perlindungan data pribadi dalam penggunaan AI untuk bansos masih menjadi pertanyaan.Pada 9 Juni 2026, Ketua Dewan Ekonomi Nasional (DEN), Luhut Binsar Pandjaitan, menyampaikan bahwa pemerintah tengah menyiapkan perubahan bentuk bantuan sosial (bansos) menjadi transfer tunai langsung. Nilai bantuannya bisa mencapai Rp5,4 juta per orang. Nilai tersebut merupakan akumulasi dari berbagai jenis bantuan sosial yang selama ini berjalan, seperti bantuan pangan nontunai (BPNT), program keluarga harapan (PKH), dan program lainnya.Selain perubahan bentuk bantuan, hal baru lainnya dalam bansos adalah adalah rencana pemerintah memanfaatkan akal imitasi (AI) untuk mendukung verifikasi penerima. Pemeriksaan nantinya memakai teknologi pengenalan wajah (face recognition) dan berbasis identitas digital tunggal (digital single ID).Pemanfaatan AI dalam penyaluran bansos mungkin berkaitan dengan pemanfaatan pembelajaran mesin (machine learning) dalam pengelompokan individu ke dalam kategori prioritas penerima manfaat yang mendekati real-time.Artinya, teknologi tersebut dapat mengenali rumah tangga penerima bansos yang saat itu memang tergolong miskin ataupun rentan, tak hanya mengandalkan Data Tunggal Sosial dan Ekonomi Nasional (DTSEN). Dalam DTSEN, rumah tangga penerima bansos adalah yang berada pada desil 1 – 4 distribusi tingkat kesejahteraan.Selama ini, ada risiko perbedaan status suatu rumah tangga dalam DTSEN dengan kondisi sebenarnya. Alhasil, rumah tangga yang termasuk dalam kelompok target utama bisa jadi tak menerima bansos. Warga sebenarnya berhak menyanggah status tersebut, tapi prosesnya memerlukan verifikasi dan pembaruan data dengan waktu kurang lebih tiga bulan.Teknologi pembelajaran mesin dalam AI memang berpotensi menghasilkan ketepatan sasaran yang lebih tinggi dibandingkan kemampuan manusia. Namun, sejauh mana penggunaannya benar-benar bisa menyelesaikan masalah klasik bansos ini?Masalah penyaluran bansosBerbagai literatur menunjukkan bahwa sejumlah program bantuan sosial di Indonesia belum tepat sasaran. Salah satunya adalah bantuan sembako/Bantuan Pangan Nontunai (BPNT) yang mencatat tingkat targeting accuracy hanya sebesar 47,46%. Indikator ini menggambarkan sejauh mana bantuan benar-benar diterima oleh kelompok sasaran yang tepat.Selain itu, angka tersebut juga menunjukkan bahwa lebih dari separuh rumah tangga yang seharusnya menerima bansos justru belum tercakup dalam program (exclusion error). Pada saat yang sama, terdapat inclusion error bantuan sembako yang mencapai 71,04%. Angka ini menandai masih banyak rumah tangga yang tidak memenuhi kriteria, tetapi tetap menerima bantuan. Salah satu penyebab erornya adalah distorsi dalam pemanfaatan community-based targeting untuk menentukan penerima program. Dalam mekanisme ini, penerima program bansos merupakan hasil rekomendasi dari aktor lokal—dari musyawarah desa atau kelurahan. Pemanfaatan community-based targeting tidak sepenuhnya salah karena informasi aktor lokal dapat langsung mengidentifikasi pihak yang benar-benar membutuhkan bantuan di lokasi tersebut.Namun dalam praktiknya, penentuan target oleh aktor lokal sering dipengaruhi oleh faktor nonteknis, termasuk preferensi politik, relasi sosial, maupun asimetri informasi. Akibatnya, terdapat risiko sejumlah rumah tangga yang berhak justru tidak menerima bansos karena tidak memiliki kedekatan, akses, atau posisi dengan pemberi rekomendasi.Mengatasi kelemahan AIMeski terdengar menjanjikan, pemanfaatan AI tak bisa menjadi solusi tunggal atas masalah penyaluran bansos. Dalam praktiknya, berkaca dari pengalaman Indonesia, efektivitas sistem tetap bergantung pada kualitas informasi yang digunakan serta tata kelolanya. Petugas memeriksa data penerima bantuan sosial. (Kementerian Sosial) Pemerintah setidaknya perlu memitigasi risiko dari dua aspek utama ini:Pertama, seperti teknologi prediktif lainnya, keluaran pembelajaran mesin dalam AI sangat bergantung pada kualitas data untuk melatih model. Dalam terobosan kali ini, pemerintah sebenarnya berencana memadankan berbagai basis data lainnya, seperti dari Kementerian Dalam Negeri, BPJS Kesehatan, PLN, dan Polri.Namun, kemiskinan dan kerentanan bisa berubah-ubah sesuai kondisi sosial, ekonomi, bahkan lingkungan saat itu. Pembelajaran mesin, dengan demikian, memerlukan lebih banyak basis data lainnya. Sebagai contoh, perubahan iklim dan kondisi cuaca dapat menyebabkan kelompok seperti petani dan nelayan yang tidak rentan saat pengambilan data justru menjadi rentan hanya pada musim atau periode tertentu. Kerentanan ini kami temukan dalam studi terbaru (belum dipublikasi).Basis data untuk AI penyaluran bansos juga perlu memperhatikan karakteristik kemiskinan dan kerentanan yang berbeda-beda sesuai kondisi wilayah dan kelompok masyarakat setempat. Sebagai contoh, studi kami di Papua menunjukkan bahwa Orang Asli Papua (OAP) menghadapi kerentanan berbeda daripada non-OAP, meskipun tinggal dalam wilayah geografis yang sama.Penargetan yang mengandalkan data statis berisiko membatasi kemampuan pembelajaran mesin untuk menangkap perubahan kondisi ekonomi rumah tangga maupun bentuk kerentanan yang berubah-ubah.Karena itu, pemerintah idealnya tak memperbaiki bansos hanya melalui penggunaan AI, tetapi juga pada memperluas sumber data yang digunakan. Integrasi data cuaca dan iklim, misalnya dari BMKG, dapat menjadi salah satu opsi untuk menangkap perubahan kondisi masyarakat.Pemerintah juga dapat mempertimbangkan pemanfaatan data digital lain untuk memperkirakan tingkat kesejahteraan secara lebih adaptif, selama penggunaannya dilakukan dengan penuh tanggung jawab dan transparan. Selain itu, model pembelajaran mesin juga perlu dirancang agar mampu mempertimbangkan karakteristik lokal yang sering kali sulit digambarkan melalui indikator administratif seperti jumlah penduduk, dan luas wilayah.Sebagai contoh, AI perlu dilatih untuk memahami penelitian-penelitian yang sudah ada. Kombinasi berbagai sumber informasi dinamis berpotensi menghasilkan performa prediksi yang lebih baik dibandingkan penggunaan satu sumber data statis semata. Baca juga: Kemiskinan tidak selalu netral gender, perempuan lebih menderita akan dampaknya Namun, semakin luas dan beragam data yang digunakan, semakin besar pula kebutuhan terhadap tata kelola dan perlindungan privasi yang memadai. Inilah aspek kedua yang perlu diperhatikan pemerintah.Integrasi data melalui identitas digital tunggal memang berpotensi meningkatkan konsistensi dan efisiensi penyaluran bantuan, tetapi pada saat yang sama juga meningkatkan risiko kebocoran atau penyalahgunaan data. Oleh karena itu, keamanan data perlu menjadi prasyarat utama dalam penyaluran bansos berbasis AI. Harapannya, peningkatan akurasi penargetan tidak mengorbankan perlindungan data pribadi masyarakat.Jonathan Farez Satyadharma tidak bekerja, menjadi konsultan, memiliki saham, atau menerima dana dari perusahaan atau organisasi mana pun yang akan mengambil untung dari artikel ini, dan telah mengungkapkan bahwa ia tidak memiliki afiliasi selain yang telah disebut di atas.