BPS Akui Tingkat 'Error' dalam Permodelan DTSEN Masih 23%, Turun dari 37%

JAKARTA, investortrust.id - Badan Pusat Statistik (BPS) mengakui bahwa permodelan atas proyeksi pengeluaran dalam Data Tunggal Sosial dan Ekonomi Nasional (DTSEN) masih mengalami galat atau cacat sebesar 23%. Angka ini terbilang turun dari permodelan awal yang mencapai 37%.

“Bahwa di awal DTSEN dilakukan itu sekitar 37% (error-nya). Kemudian makin lama makin turun. Saat ini, model matematisnya itu sekitar 23% (error-nya) itu disebut inclusion-exclusion error,” kata Direktur Metodologi dan Sains Data Badan Pusat Statistik (BPS) Setia Pramana, saat diskusi publik di Politeknik Statistika STIS, Jakarta, Jumat (11/9/2026).

Setia menjelaskan DTSEN bersumber dari pemadanan data individu dari Registrasi Sosial Ekonomi (Regsosek), Data Terpadu Kesejahteraan Sosial (DTKS), dan Pensasaran Percepatan Penghapusan Kemiskinan Ekstrem (P3KE), serta data dari Kependudukan dan Catatan Sipil (Dukcapil). Pemrosesan data juga melibatkan sumber lain yang berasal dari PLN dan BPJS Ketenagakerjaan.

BPS, kata Setia, menggunakan model Proximity Mean Test (PMT). Model ini untuk membuat proksi dengan perhitungan linier. Setelah itu, BPS memproses pembaruan data tersebut menggunakan machine learning yaitu XGBoost dan Random Forest.

“Kita gunakan untuk meningkatkan keakuratan,” kata dia.

Setelah mendapat tabulasi data tersebut, Setia mengatakan bahwa BPS melakukan prediksi terhadap 90an juta data yang tidak memiliki informasi tentang pengeluaran. BPS menggunakan variable predictor. Variabel ini memuat komposisi rumah tangga, kondisi rumah, aset, dan sebagainya.

“Kita gunakan untuk memperkirakan, berapa sih nilai pengeluaran per kapitanya,” jelas dia.

Baca Juga

Benahi DTSEN, Pemerintah Ukur Ulang Parameter Desil Masyarakat

Pertimbangan lain yang digunakan BPS yaitu karakteristik wilayah. Setia menyebut, BPS telah memodelkan karakteristik rumah tangga di 514 kabupaten/kota. Permodelan ini digunakan untuk melengkapi karakteristik PMT setiap kota hingga muncullah pemeringkatan.

Setia menyadari permodelan ini tetap membutuhkan verifikasi. Untuk itu, BPS menerjunkan tim untuk mengecek langsung situasi masyarakat di lapangan.

Setia mengakui masalah kegalatan data ini terjadi bukan hanya masalah metode matematis. Dia menyebut ada beberapa masalah lain di antaranya, keterbatasan anggaran, kendala pembayaran, geografi yang sulit, dan korupsi. Selain itu, terdapat pula kemungkinan salah klasifikasi desil terjadi karena data tidak mutakhir dan tidak akurat.

BPS, kata Setia, bekerja sama dengan kementerian/lembaga lain meminimalisir galat dari data dengan terus meningkatkan akurasi.

“Ini menjadi PR kami semua,” ucap dia.

Berdasarkan paparan, BPS mencatat 93.025.360 catatan keluarga untuk DTSEN pada 3 Februari 2025. Data ini berkembang. Pada 10 Juli 2026, data ini telah termutakhirkan sebanyak 33,13% menjadi 95.980.577 catatan keluarga.

Loophole di Parameter Kemiskinan

Direktur Kebijakan Publik Center of Economic and Law Studies (CELIOS) Media Askar melihat terjadi lubang dalam metode yang digunakan BPS. Salah satunya, ketika mengukur kemiskinan.

Menurut Media, pengukuran kemiskinan yang digunakan BPS masih mengandalkan garis kemiskinan berbasis pengeluaran. Media melihat bahwa sejak 1984, metode perhitungan yang digunakan BPS tidak berubah. Untuk itu diperlukan perubahan yang signifikan terhadap data.

Pembenahan data ini penting karena ketika data itu masuk ke permodelan, hasil data yang keluar pun justru tak mencerminkan kondisi nyata. Tanpa perbaikan data pula, Media menyebut pemeringkatan berdasarkan desil menjadi berbahaya.

Selain perbaikan data, Media juga menyarankan BPS mulai menangkap data tentang pendapatan masyarakat. Langkah ini dapat dilakukan dengan bekerja sama dengan sistem Coretax yang dimiliki Direktorat Jenderal Pajak (DJP) Kementerian Keuangan (Kemenkeu).

“Kalau masih berbasis pengeluaran masih ada banyak masalah hari ini. Ke depan perlu data pendapatan,” kata dia.

Secara spesifik, Media menyarankan BPS menangkap disposable income yaitu pendapatan yang tersisa setelah dikurangi utang dan kebutuhan sehari-hari, tabungan, dan investasi.

“Jadi disposable income itu jauh lebih reliable,” ucap dia.