Jl. Lapangan Banteng Timur No.2-4, Jakarta Pusat
 1 50-991    ID | EN      Login Pegawai
 
Artikel DJKN
Penggunaan Teknologi Informasi Di Bidang Penilaian
Rohman Juani
Selasa, 09 Agustus 2022 pukul 11:31:47   |   896 kali

Laju perubahan dalam perkembangan teknologi meningkat dengan sangat cepat (Kayihura, 2021). Revolusi industri ke empat atau dikenal dengan industri 4.0 membawa banyak teknologi baru pada digitalisasi proses bisnis (Ghobakhloo, 2018). Pemanfaatan teknologi informasi juga sangat masif di berbagai bidang. Tetapi keunggulan utama dalam penggunaan teknologi adalah peningkatan produktifitas, transparansi proses, model bisnis yang menguntungkan, peningkatan kualitas dan peningkatan kondisi kerja (Nosalska et.al, 2019). Sebagai gambaran ketika seseorang mencari lokasi atau alamat, sebelum google maps populer digunakan, orang tersebut akan mencari informasi telebih dahulu nama jalan dan landmark terdekat, kemudian apabila belum menemukan alamatnya mereka harus bertanya pada orang sekitar yang mungkin belum tentu juga mengetahui tujuan tersebut. Setelah Google Maps dan digunakan, orang tersebut hanya perlu meminta pin lokasi dan google maps akan mengarahkan pada lokasi tersebut step-by-step jalan yang harus dilewati sesuai dengan koordinat Global Positioning System (GPS) yang telah ditetapakn. Selain itu, pemanfaatan teknologi GPS saat ini sudah merambah ke berbagai bidang misalnya untuk keperluan transportasi, pesan makanan, pengiriman dan door to door.

Tidak seperti pasar lainnya, pasar real estate secara umum tertinggal dalam menyesuaikan dan menggabungkan perkembangan teknologi (Kayihura, 2021). Sebagai contoh penggunaan Artificial Neural Network (ANN) di bidang penilaian baru digunakan oleh Borst pada tahun 1991 untuk melakukan prediksi nilai properti residensial di New England Amerika Serikat, padahal teknologi tersebut sudah diperkenalkan sejak tahun 1958 oleh Frank Rosenblatt. Walaupun demikian, seiring perkembangan teknologi yang berkembang bukan lagi dalam konteks linear, akan tetapi sudah berkembang dengan kecepatan eksponensial, adopsi teknologi pada bidang penilaian pada dasarnya sudah menjadi suatu keharusan. Hal ini juga didorong oleh kebutuhan pengguna jasa penilaian yang menuntut efisiensi dan akurasi dalam pelayanan penilaian.

Saat ini telah banyak perkembangan teknologi informasi yang dapat digunakan dalam pelaksanaan penilaian. Penulis mencoba merangkum beberapa issue atau hasil penelitian berkaitan dengan penggunaan teknologi informasi untuk pelaksanaan penilaian, baik yang sudah dapat diterapkan dalam konteks penilaian di Indonesia maupun yang masih merupakan konsep yang perlu dikaji lebih lanjut.

Big data

Istilah Big data mengacu pada data digital yang masive dan beranekaragam yang dihasilkan oleh perusahaan maupun individu yang memiliki karakteristik : volume yang besar; beranekaragam dan; cepatnya proses pembentukannya, membutuhkan analisis dan penyimpanan komputer yang spesifik dan mutakhir (Y Riahl et al, 2018). Seiring dengan meningkatnya transaksi properti serta menjamurnya situs-situs jual beli properti, jumlah data listing properti yang tersedia di internet juga meningkat secara signifikan. Dengan menggunakan tools atau alat yang tepat, big data dapat menjadi salah satu alternatif dalam penyusunan database penilaian terutama untuk prediksi menggunakan modelling. Selain itu ekstraksi Big Data juga dapat membantu penilai dalam memberikan gambaran mengenai pasar properti yang sedang diteliti.

Web Scrapping

Akhir-akhir ini web scrapping merupakan teknik pengumpulan data yang umum digunakan (Grybauskas, 2021). Web scrapping adalah sebuah proses ekstraksi data terstruktur dari sebuah website yang dapat dilakukan secara manual maupun melalui metode otomatis. Ekstraksi data secara manual dalam web scrapping dilakukan dengan melakukan copy-paste informasi dari suatu website ke dalam database secara manual satu-persatu.

Teknik manual tersebut tentu sangat memakan waktu akan tetapi dapat memberikan keakuratan yang tinggi. Selain itu ekstraksi manual tersebut pada umumnya hanya digunakan untuk pencarian informasi dengan website yang terbatas.

Teknik selanjutnya yaitu teknik otomatis adalah proses ekstraksi data dari website dengan bantuan algoritma atau aplikasi yang akan secara otomatis mengambil data pada website tujuan yang spesifik. Penggunaan web scrapping otomatis sangat menghemat waktu dan sumberdaya, akan tetapi hasil yang didapatkan bisa saja tidak seakurat ekstraksi manual. Selain itu penggunaan web scrapping otomatis juga memerlukan alamat atau tujuan database yang ingin diekstraksi secara spesifik. Proses web scrapping sendiri dapat bermanfaat dalam proses data mining untuk penyusununan model menggunakan big data. Gybauskas et. al. Pada tahun 2021 berhasil mengumpulkan 18.922 listing properti dari internet untuk kota Vilnius, Lithuania menggunakan algoritma web scrapping kemudian menganalisisnya dengan 15 model yang berbeda untuk menganalisa pasar properti selama masa pandemi. Studi menggunakan web scrapping juga pernah dilakukan oleh Borde (2017), Perez-Rave et al. (2019) dan Berawi et al (2020) yang menggunakan big data untuk melakukan analisis pasar properti.

Terdapat potensi efisiensi apabila data yang dihasilkan dari web scrapping dapat dipadukan dengan Artificial Intelligence (AI) untuk menyaring data mana saja yang relevan, kemudian dapat disusun model yang dapat memberikan prediksi nilai yang akurat berdasar data yang ada.

Automated Valuation Models

Hingga saat ini belum ada definisi pasti terkait Automated Valuation Models (AVM) akan tetapi Royal Institution of Chartered Surveyors (RICS) mendeskrikipsikan AVM sebagai *menggunakan satu atau lebih teknik matematika untuk menyediakan estimasi nilai untuk properti tertentu pada tanggal tertentu, disertai pengukuran akurasi atas hasil yang dicapai tanpa intervensi manusia*. Merujuk pada hal tersebut, saat ini telah banyak digunakan teknik seperti yang kita kenal dengan Multiple Regression Analysis (MRA) serta desktop valuation. Teknik tersebut banyak digunakan dalam mass valuation atau penilaian masal dimana suatu model digunakan untuk melakukan penilaian untuk satu atau lebih property. AVM menawarkan efisiensi dalam pelaksanaan proses penilaian karena user tidak perlu melakukan perhitungan secara manual, akan tetapi dengan melakukan input data-data yang dibutuhkan, kemudian perhitungan dilakukan secara otomatis melalui model yang telah dibentuk tadi dan menghasilkan nilai prediksi. Namun demikian, dalam kondisi properti yang memiliki tingkat keanekaragaman yang tinggi, model tersebut mungkin dapat menghasilkan prediksi yang kurang tepat. Selain itu penggunaan MRA juga memerlukan kondisi data yang spesifik diantaranya data tersebut perlu lolos uji asumsi klasik yang salah satunya adalah moltikolinearitas. Selain itu hubungan antara variabel yang diteliti dalam penilaian properti bisa saja tidak linier. Walaupun demikian, teknik ini merupakan teknik yang masih powerfull hingga saat ini karena teknik tersebut dapat dibuktikan secara empiris proses perhitungannya.

Artificial Intelligence

Hingga saat ini, belum definisi yang disepakati terkait apa itu Artificial Intelligence (AI) (Rampini and Cecconi, 2021). AI umumnya merujuk pada kemampuan menirukan proses otak manusia (Chaphalkar et.al, 2013). Dimopoulos dan Bakas (2019) menyebutkan bahwa kemampuan mesin untuk menirukan persepsi manusia dengan menggunakan model matematika bersaing dengan manusia untuk menyelesaikan tugas seperti asesmen dan anlisis atas sistem pembelajaran dan prediksi dari sampel yang diobservasi.

Algoritma Machine Learning (ML) merupaka bagian dari area AI yang luas, dengan aplikasi pada berbagai bidang, otomotif (mobil autonomous), Ekonomi dan Keuangan (prediksi, manajemen aset), Militer (drone otonom), Periklanan (prediksi perilaku konsumen), Pengenalan gambar, dan selanjutnya. ML didefinisikan sebagai sebuah program komputer yang dikatakan untuk belajar dari pengalaman E dengan melaksanakan tugas T dan pekerjaan tersebut mengukur P, jika kinerja pekerjaannya masih pada T, sebagaimana diukur dengan P, tingkatkan lagi dengan pengalaman E (Mitchell, 1997). Pada ML komputer menerima data dan hasil, kemudian algoritmanya akan menghasilkan kode-kode atau logikanya. Maka, sistem ML lebih kepada dilatih dibanding diprogram (Rampini dan Cecconi, 2021). AI sendiri brekembang pesat seiring dengan pesatnya perkembangan komputer saat ini. AI terdiri dari bermacam-macam teknik seperti artificial neural network (ANN), fuzzy logic, neuro-fuzzy, genetic algorithm, expert system dan sebagainya (Chaphalkar et al, 2013). ANN, merupakan salah satu model yang sering didiskusikan oleh peneliti dalam melakukan prediksi nilai (Kayihura, 2021).

Penggunaan AI dalam bidang penilaian diperkenalkan oleh Borst pada tahun 1991 yang meneliti terkait properti berupa rumah tinggal di New England, Amerika Serikat. Selanjutnya beberapa peneliti juga melanjutkan penggujian ANN untuk penilaian properti seperti Ho (1992), Grudnitski (1992), Evans (1993), Worzala, Mcluskey (1996), Rossini (1997), Gallego dan Esperanza (2004), Taffese (2006), Chaphalkar dan Sandbhor (2013) Kok et al (2017) Clark dan Lomax (2018), Wang dan Li (2019), Valier (2020), Rampini dan Cecconi (2021), dan Grybauskas et al (2021). Dalam beberapa penelitian tersebut ditemukan bahwa ANN memiliki efisiensi dan akurasi yang lebih baik dari Multiple Regression Analysis (MRA), namun tidak sedikit yang menemukan sebaliknya. Misalnya Worzala (1995) mendapatkan kesimpulan dari hasil penelitian yang dilakukan bahwa penggunaan ANN dapat menghasilkan output yang berbeda apabila digunakan pada software dan data set yang berbeda. Seiring dengan kemampuan komputer yang terus meningkat, Taffese (2006) memperkenalkan integrasi model ANN dengan Expert System sebagai suatu teknik hybrid dan menemukan metode tersebut dapat digunakan untuk prediksi nilai dan lebih baik dibanding MRA. Algoritma ANN dapat secara baik menangkap hubungan non-linier antara harga dan informasi lain serta model tersebut secara otomatis dapat berkompromi dengan multikolinearitas, pemilihan variabel dan indentifikasi interaksi (Clark dan Lomax, 2018). Bahkan model machine learning dapat digabungkan dengan analisis data berupa foto seperti yang dilakukan oleh (Poursaeed et al, 2018). Walaupun demikian penggunaan ANN di bidang penilaian masih dibayangi oleh keraguan terkait isu black box. Dimana ANN dapat menghasilkan nilai dari pembelajaran atas data set yang diberikan, akan tetapi proses bagaimana ANN menghasilkan nilai tersebut tidak dapat secara gamblang dibuka sebagaimana proses perhitungan matematis dan statistik pada MRA. Walau demikian, Valier (2020) berpendapat bahwa untuk organisasi atau entitas yang memahami dan dapat menggunakan model machine learning, model tersebut menawarkan keuntungan yang luar biasa dari efisiensi dan akurasinya.

Keempat hal di atas secara parsial telah dimanfaatkan dalam pelaksanaan penilaian property. Analisis MRA saat ini telah digunakan oleh penilai pemerintah di Indonesia untuk menghasilkan prediksi nilai pada kategori barang tanah untuk penempatan lokasi ATM. Sementara untuk AI, beberapa perusahaan properti sudah menggunakannya dengan baik untuk melakukan estimasi seperti software penilaian properti residensial Zestimate dari perusahaan Amerika Zillow (Valier, 2020).

Apabila dikombinasikan beberapa hal tersebut di atas dapat memberikan kesempatan untuk menghasilkan proses penilaian yang efisien dan akurat. Misalnya penggunaan big data yang diekstrak dengan web scrapping, kemudian dilakukan cleansing dengan bantuan AI atau algoritma tertentu, setelah data yang didapatkan akurat dan reliabel, kemudian dianalisis menggunakan MRA maupun ANN untuk dapat membantu dalam memberikan estimasi nilai suatu properti yang akan dinilai. Kombinasi dari penggunaan teknologi informasi tersebut dapat menghasilkan efisiensi dalam pelaksanaan riset pasar atau pengumpulan data properti yang apabila dilakukan manual dapat sangat menyita waktu, menggunakan otomasi akan dapat menyingkat waktu, selain itu penggunaan model dalam penilaian juga dapat meningkatkan efisiensi dengan memberikan estimasi melalui logika-logika penilaian yang sebelumnya telah ditentukan

Kesempatan untuk mengembangkan teknik penilaian yang efektif, efisien dan akurat akan semakin terbuka seiring dengan perkembangan teknologi informasi baik pada proses pengumpulan data, penyusunan analisis maupun pada proses menghasilkan estimasi nilai itu sendiri. Selain itu perkembangan teknologi informasi juga dapat membantu pelaksanaan penilaian dalam hal administrasi penilaian seperti administrasi permohonan, dan penyusunan laporan penilaian.

Melalui bahasan diatas, penulis mengajak pembaca semua untuk berdiskusi terkait kesempatan untuk meningkatkan efisiensi dan akurasi dalam pelaksanaan penilaian dengan memanfaatkan perkembangan teknologi informasi yang sangat pesat. (Catur Yuliana Sukma Nugraha - Penilai Pemerintah Ahli Pertama Direktorat Jenderal Kekayaan Negara).

Daftar Pustaka

Berawi MA, Miraj P, Saroji G, et al. Impact of rail transit station proximity to commercial property prices: utilizing big data in urban real estate. J Big Data. 2020;7:71.

Borde S, Rane A, Shende G, Shetty S. Real estate investment advising using machine learning. Int Res J Eng Tech (IRJET).2017;4(3):1821–5.

Borst, R.A. (1991) Artificial Neural Networks: The Next Modelling/Calibration Technlogy for the Assessment Community? Property Tax Journal, IAAO, 10(1):69-94

Clark, S. D., & Lomax, N. (2018). A mass-market appraisal of the English housing rental market using a diverse range of modelling techniques. Journal of Big Data, 5(1)

Ghobakhloo, Morteza., 2018. The future of manufacturing industry: a strategic roadmap toward Industry 4.0. Journal of Manufacturing Technology Management. ISSN: 1741-038X

Gallego, Julio & Mora Esperanza., (2004). Artificial Inteligence Aplied to Real Estate Valuation. Catastro April 2004.

Chaphalkar, N.B. & Sayali Sandbhor. (2013). Use of Artificial Intelligence in Real Property Valuation. International Journal of Engineering and Technology (IJET). Vol 5 No 3 Jun-Jul 2013

Grybauskas, A., Pilinkienė, V., & Stundžienė, A. (2021). Predictive analytics using Big Data for the real estate market during the COVID-19 pandemic. Journal of Big Data, 8(1).

Kayihura, Didier Ineza (2021). Adoption of Artificial Intelligence in Commercial Real Estate : Data Challenges, Transparency and Implications for Property Valuations.

Kok, N., Koponen, E. L., & Martínez-Barbosa, C. A. (2017). Big Data in Real Estate? From Manual Appraisal to Automated Valuation. The Journal of Portfolio Management, 43(6), 202–211.

McCluskey, W.(1996a) Predictive Accuracy of Machine Learning Models for Mass Appraisal of Residential

Mitchell, T. M., & Mitchell, T. M. (1997). Machine learning (Vol. 1, No. 9). New York: McGraw-hill.

Pérez-Rave JI, Correa-Morales JC, González-Echavarría F. A machine learning approach to big data regression analysis of real estate prices for inferential and predictive purposes. J Prop Res. 2019;36:59–96. https://doi.org/10.1080/09599916.2019.1587489

Rampini, L., & Re Cecconi, F. (2021). Artificial intelligence algorithms to predict Italian real estate market prices. Journal of Property Investment & Finance.

Rossini, Peter., (1997). Application of Artificial Neural Networks to the Valuation of Residential Property. Third Annual Pacific-Rim Real Estate Society Conference Palmerston North, New Zealand, 20th - 22nd January 1997

Su, T., Li, H., & An, Y. (2021). A BIM and machine learning integration framework for automated property valuation. Journal of Building Engineering, 44

Taffese, W.Z., (2006). A Survey on Aplication of Atrtificial Intelligence in Real Estate Industry. Proceedings of the Third International Conference on Artificial Intelligence in Engineering & Technology. November 22-24, 2006

Worzala, E., Lenk, M. And Silva, (1995) A. An Exploration of Neural Networks and Its Application to Real EstateValuation. The Journal of Real Estate Research, Vol. 10 No. 2

Wang, D., & Li, V. J. (2019). Mass Appraisal Models of Real Estate in the 21st Century: A Systematic Literature Review. Sustainability, 11(24), 7006.

Y. Riahl et. Al., 2018. Big Data and Big Data Analytics : Concepts, Types and Technologies. ISSN: 2348-7860 (O) | 2348-7852 (P) | Vol. 5 No. 9 | September-October 2018 | PP. 524-528 http://dx.doi.org/10.21276/ijre.2018.5.9.5

Disclaimer
Tulisan ini adalah pendapat pribadi dan tidak mencerminkan kebijakan institusi di mana penulis bekerja.
Peta Situs | Email Kemenkeu | FAQ | Prasyarat | Wise | LPSE | Hubungi Kami | Oppini