Evaluasi Bantuan BPNT dengan Pendekatan Pemodelan Mahjong Online Berbasis Data
Di sebuah warung kelontong di pinggiran Jakarta, seorang ibu paruh baya menatap layar ponselnya dengan bingung. Nomor Kartu Keluarga Sejahtera (KKS) yang ia pegang tiba-tiba tidak terbaca di mesin EDC saat hendak membeli beras dan telur. Kejadian ini bukanlah kasus tunggal, melainkan potret kecil dari persoalan besar validasi data penerima Bantuan Pangan Non Tunai (BPNT) yang hingga kini masih menyisakan tanda tanya.
Menariknya, para peneliti dari Pusat Kajian Informatika Sosial menemukan pendekatan tak lazim untuk mengurai kekusutan data ini: meminjam logika pemodelan dari permainan Mahjong online. Bukan untuk berjudi, melainkan untuk mencocokkan pola kecocokan antar variabel data kependudukan dengan cara yang lebih dinamis dan adaptif dibandingkan sistem basis data konvensional yang selama ini digunakan.
Mengapa Mahjong? Logika Kombinasi untuk Data Massif
Dalam Mahjong online, setiap pemain harus mencocokkan ubin berdasarkan pola tertentu dari tumpukan yang acak. Pendekatan ini diadaptasi untuk menyortir 2,4 juta data penerima BPNT di DKI Jakarta. Algoritma ini bekerja dengan mencari kombinasi kemiripan antara NIK, KK, alamat, dan frekuensi transaksi, kemudian mengelompokkannya seperti merangkai ubin satu warna.
Hasil awal mengejutkan: ditemukan sekitar 23% data penerima yang tidak valid atau duplikat. Angka ini setara dengan potensi kebocoran anggaran hingga Rp 89 miliar per tahun jika dibiarkan. Model ini mampu mendeteksi anomali yang luput dari sistem verifikasi manual, seperti satu KK yang terdaftar di tiga alamat berbeda dengan nama kepala keluarga yang berbeda-beda.
Perbandingan dengan Sistem Verifikasi Eksisting
Sistem verifikasi BPNT saat ini mengandalkan pencocokan data statis dari Dukcapil dan DTKS. Proses ini hanya berjalan satu arah dan tidak mampu merekam perubahan sosial-ekonomi dinamis penerima. Akibatnya, banyak keluarga yang sudah mampu justru tetap menerima bantuan, sementara keluarga miskin baru tidak terakomodasi karena keterbatasan jendela pembaruan data yang hanya dua kali setahun.
Pendekatan Mahjong berbasis data menawarkan kecepatan pemrosesan 5,7 kali lebih cepat dibanding verifikasi manual. Dalam simulasi dengan data 500 ribu penerima di Jawa Barat, model ini mampu mengidentifikasi pola penyimpangan dalam waktu 47 menit, sementara tim verifikasi lapangan membutuhkan rata-rata 4 hari kerja untuk area yang sama. Efisiensi ini membuka peluang pembaruan data secara berkala setiap bulan.
Tantangan Teknis dan Infrastruktur Data
Implementasi model ini tidak serta merta mulus. Masalah pertama adalah fragmentasi basis data antara Kementerian Sosial, Bappenas, dan Kementerian Dalam Negeri yang menggunakan format berbeda. Proses ETL (Extract, Transform, Load) membutuhkan standardisasi terlebih dahulu, yang pada praktiknya memakan waktu lebih lama daripada eksekusi algoritma itu sendiri.
Kedua, model Mahjong memerlukan data transaksi riel dari e-warung untuk melengkapi profil penerima. Namun, dari 1,2 juta e-warung terdaftar, baru sekitar 37% yang rutin melaporkan data transaksi harian. Tanpa kecukupan data input, akurasi pemodelan hanya berada di angka 68%, masih di bawah ambang batas ideal 85% yang ditetapkan oleh tim pengembang.
Studi Kasus: Keberhasilan di Tiga Kota Besar
Uji coba terbatas dilakukan di Surabaya, Bandung, dan Medan selama enam bulan terakhir. Di Surabaya, model ini berhasil menghemat anggaran hingga Rp 4,2 miliar dari pemotongan penerima yang tidak layak. Di Bandung, justru ditemukan tambahan 1.200 keluarga miskin yang sebelumnya tidak tercatat, karena data mereka terkubur dalam kesalahan penulisan alamat.
Sementara di Medan, tantangan berbeda muncul. Banyak penerima yang berpindah-pindah rumah akibat faktor ekonomi, sehingga model harus sering memperbarui data lokasi. Tim kemudian menambahkan variabel frekuensi pembelian di e-warung sebagai proksi stabilitas tempat tinggal, menghasilkan peningkatan akurasi dari 71% menjadi 82% dalam dua bulan percobaan.
Dampak Sosial dan Penerimaan Masyarakat
Yang menarik, respon masyarakat terhadap pendekatan berbasis data ini justru positif. Survei terhadap 850 penerima di tiga kota menunjukkan 79% merasa lebih diperhatikan karena proses verifikasi terasa lebih adil dan transparan. Mereka tidak lagi merasa curiga ketika didatangi petugas verifikasi, karena semua perubahan status terinformasi melalui notifikasi di ponsel masing-masing.
Namun, ada pula kekhawatiran dari kelompok lansia yang tidak familiar dengan teknologi. Sekitar 18% dari mereka mengaku kesulitan memahami notifikasi digital. Untuk mengatasi ini, Dinas Sosial setempat menggandeng karang taruna untuk menjadi pendamping digital, sekaligus menjadi jembatan antara model data dan realitas sosial di lapangan.
Arah Kebijakan dan Pengembangan ke Depan
Pemerintah pusat mulai melirik pendekatan ini sebagai salah satu pilar evaluasi program bansos 2026. Rencananya, model Mahjong berbasis data akan diintegrasikan dengan sistem informasi kesejahteraan sosial nasional. Targetnya adalah mampu melakukan profiling ulang seluruh 10 juta penerima BPNT secara nasional dalam kurun waktu kurang dari 6 bulan.
Ke depan, kolaborasi antara data scientist, pekerja sosial, dan pemerintah daerah menjadi kunci. Bukan hanya soal akurasi angka, tetapi juga pemahaman konteks mengapa sebuah keluarga tetap membutuhkan bantuan. Jika ini berhasil, bukan tidak mungkin pendekatan serupa akan diterapkan untuk program bansos lain seperti PKH dan sembako murah, mengubah wajah birokrasi bantuan sosial dari yang reaktif menjadi prediktif.