Data Bukan Bola Kristal Kebijakan

“Ada satu persoalan yang jarang dibicarakan: data pada dasarnya merekam dunia yang sudah terjadi, sementara kebijakan selalu dibuat untuk dunia yang belum terjadi”.

Oleh: Andri Yudhi Supriadi - Statistisi Badan Pusat Statistik, Alumni Universitas Indonesia

INVESTORTRUST - Ada satu jargon yang hampir tak terbantahkan dalam percakapan kebijakan publik hari ini: evidence-based policy. Kebijakan harus berbasis bukti. Kalimat ini terdengar begitu masuk akal sampai-sampai mempertanyakannya terasa seperti membela kebijakan yang dibuat berdasarkan selera, intuisi, atau bahkan kedekatan politik.

Data memang penting. Dalam pemerintahan modern, data menjadi salah satu benteng agar keputusan tidak sepenuhnya disandera oleh persepsi. Data kependudukan membantu menentukan kebutuhan sekolah dan fasilitas kesehatan. Data kemiskinan membantu mengarahkan perlindungan sosial. Data harga membantu membaca tekanan inflasi. Data ketenagakerjaan memberi gambaran tentang kondisi pasar kerja.

Namun, ada satu persoalan yang jarang dibicarakan: data pada dasarnya merekam dunia yang sudah terjadi, sementara kebijakan selalu dibuat untuk dunia yang belum terjadi.

Di situlah paradoksnya.

Statistik dapat memberi tahu berapa banyak pengangguran hari ini, bagaimana pertumbuhan ekonomi kemarin, atau di mana kemiskinan terkonsentrasi. Tetapi pemerintah tidak sedang membuat kebijakan untuk kemarin. Pemerintah membuat keputusan untuk bulan depan, tahun depan, bahkan satu dekade ke depan.

Dengan kata lain, data bukan bola kristal.

Ketika Angka Menjadi Terlalu Meyakinkan

Kekuatan data terletak pada kemampuannya membatasi ruang bagi opini. Data memaksa pembuat kebijakan berhadapan dengan kenyataan yang dapat diverifikasi. Dalam konteks pemerintahan, ini bukan perkara kecil. Kebijakan tanpa data mudah berubah menjadi kebijakan berbasis asumsi.

Namun, muncul godaan baru di era big data dan kecerdasan artifisial: karena data semakin banyak, masa depan dianggap semakin mudah ditebak.

Padahal, banyak data tidak selalu berarti lebih banyak kepastian.

Bayangkan sebuah kendaraan dengan dashboard yang sangat lengkap. Kecepatan, suhu mesin, konsumsi bahan bakar, tekanan ban, hingga berbagai indikator lainnya dapat dipantau secara real time. Tetapi dashboard yang sempurna sekalipun tidak otomatis memberi tahu bahwa seratus meter di depan terdapat pohon tumbang atau jalan tiba-tiba longsor.

Data bekerja dengan cara yang sama.

Ia dapat menggambarkan kondisi dengan sangat rinci, tetapi tidak otomatis mengetahui kejutan yang belum pernah tercatat.

Masa Lalu Bisa Kehilangan Daya Ramalnya

Masalah menjadi semakin serius ketika dunia mengalami perubahan struktural.

Pola konsumsi masyarakat sebelum pandemi, misalnya, tidak serta-merta dapat digunakan untuk membaca perilaku setelah pandemi. Cara orang bekerja berubah. Belanja digital meningkat. Teknologi mengubah proses produksi. Perubahan iklim menggeser pola produksi pertanian. Demografi mengubah kebutuhan layanan publik.

Dalam statistik dan ekonometrika, perubahan semacam ini dikenal sebagai structural break: hubungan yang selama ini terlihat stabil tiba-tiba berubah.

Di sinilah model prediksi menghadapi persoalan. Model yang sangat baik dalam menjelaskan masa lalu belum tentu baik dalam menjelaskan masa depan apabila aturan mainnya berubah.

Ironisnya, semakin canggih modelnya, semakin besar pula godaan untuk mempercayainya.

Angka dengan banyak digit di belakang koma sering terlihat lebih meyakinkan daripada kalimat “kita belum tahu”. Padahal, ketepatan matematis tidak sama dengan kepastian substantif.

Data Bukan Evidence, Evidence Bukan Keputusan

Ada perbedaan penting yang sering dilompati dalam diskusi kebijakan: data, evidence, dan keputusan bukanlah hal yang sama.

Data adalah hasil pengukuran. Evidence adalah data yang sudah diberi konteks, diuji, dibandingkan, dan ditafsirkan untuk menjawab pertanyaan tertentu. Sedangkan keputusan adalah pilihan yang dibuat berdasarkan evidence, nilai, risiko, serta tujuan yang ingin dicapai.

Karena itu, data yang sama bahkan dapat menghasilkan rekomendasi kebijakan yang berbeda.

Angka kemiskinan, misalnya, dapat digunakan untuk memperluas bantuan sosial. Tetapi angka yang sama juga dapat menjadi alasan untuk memperluas penciptaan lapangan kerja. Mana yang dipilih bukan semata-mata persoalan statistik. Ada pilihan tentang apa yang dianggap paling mendesak dan bagaimana pemerintah ingin mengintervensinya.

Di titik ini, statistik berhenti menjadi sekadar persoalan angka. Ia bersinggungan dengan penilaian dan tanggung jawab.

Bahaya Baru: Tirani Metrik

Ada bahaya lain ketika kebijakan terlalu terpaku pada data: apa yang mudah diukur akan mendapatkan perhatian lebih besar daripada apa yang sulit diukur.

Jumlah penerima bantuan mudah dihitung. Jumlah sekolah yang dibangun mudah dilaporkan. Persentase kemiskinan, tingkat pengangguran, pertumbuhan ekonomi, dan berbagai indeks pembangunan dapat dimasukkan ke dalam dashboard.

Tetapi rasa aman warga? Kepercayaan masyarakat kepada pemerintah? Kualitas hubungan sosial? Harapan anak muda terhadap masa depan?

Sebagian dapat diukur, tetapi tidak seluruhnya dapat direduksi menjadi satu angka.

Inilah yang dapat disebut sebagai tirani metrik: ketika sesuatu dianggap penting terutama karena ia dapat diukur, bukan karena ia memang penting.

Pada tahap tertentu, indikator yang semula dibuat untuk membantu kebijakan justru dapat mengendalikan kebijakan.

Dari Data-Driven Menuju Data-Informed

Karena itu, mungkin sudah waktunya mengubah cara memandang evidence-based policy.

Bukan berarti meninggalkan data. Justru sebaliknya: data harus digunakan lebih serius dengan memahami batasnya.

Kebijakan yang baik tidak hanya bertanya, “Apa yang dikatakan data?”, tetapi juga “Apa yang tidak bisa dikatakan data?”

Pertanyaan kedua sama pentingnya.

Data perlu dipadukan dengan indikator yang lebih mutakhir, informasi lapangan, pengetahuan sektoral, riset kualitatif, serta skenario mengenai berbagai kemungkinan perubahan. Ketika ketidakpastian tinggi, pemerintah tidak seharusnya terjebak pada satu angka proyeksi, melainkan menyiapkan kebijakan yang cukup adaptif untuk menghadapi beberapa kemungkinan.

Dengan pendekatan seperti itu, evaluasi bukan kegiatan yang dilakukan setelah kebijakan gagal. Evaluasi menjadi bagian dari desain kebijakan sejak awal.

Data masuk, kebijakan bekerja, hasil diamati, asumsi diuji, lalu kebijakan diperbaiki.

Itulah bentuk kebijakan berbasis data yang lebih dewasa: bukan data-driven secara membabi buta, melainkan data-informed dengan kesadaran penuh terhadap ketidakpastian.

Sebab pada akhirnya, pemerintah tidak pernah mengambil keputusan di atas dunia yang sudah selesai. Pemerintah selalu mengambil keputusan di atas dunia yang sedang bergerak.

Statistik dapat membantu memahami jejak yang telah dilalui. Ia dapat menunjukkan arah perubahan, memberi peringatan dini, bahkan membantu memperkirakan beberapa kemungkinan.

Tetapi ia tidak pernah bisa menjamin apa yang ada di tikungan berikutnya.

Karena itu, persoalan terbesar kebijakan publik bukan memilih antara data atau intuisi. Persoalannya adalah bagaimana menggunakan data tanpa kehilangan kerendahan hati epistemik—kesadaran bahwa ada hal-hal yang belum diketahui.

Data bukan bola kristal. Ia lebih mirip kompas.

Dan kompas yang baik tidak pernah menjanjikan bahwa perjalanan akan tanpa kejutan. Ia hanya membantu memastikan bahwa ketika memilih arah, alasan untuk berjalan ke sana dapat dipertanggungjawabkan.***