Machine learning adalah kecerdasan buatan yang melibatkan pengembangan algoritme dan model statistik yang memungkinkan komputer belajar dari data dan membuat prediksi berdasarkan data tersebut. Direktorat Penilaian bekerja sama dengan Direktorat Transformasi dan Sistem Informasi mulai memanfaatkan machine learning sebagai alat bantu. Pemanfaatan machine learning di bidang penilaian dapat meningkatkan efektivitas waktu penyelesaian penilaian. Banyaknya data penilaian dapat dimanfaatkan oleh mesin untuk mempelajari algoritma antar variable di dalam penilaian. Hasil pembelajaran tersebut kemudian dapat menghasilkan model untuk memprediksi hasil penilaian.
Penggunaan machine learning sebagai alat bantu penilaian sewa BMN merupakan implementasi dari pemanfaatan analisis data untuk menghasilkan predictive value. Hal ini menjadi salah satu inisiatif strategis Kemenkeu tahun 2022 yaitu IS DA #40 Penyusunan Alat Bantu Penilaian Pemanfaatan BMN. Machine learning dimanfaatkan untuk penilaian sewa BMN dalam hal ini sewa BMN berupa kamar. Dalam permodelan yang digunakan untuk menilai sewa kamar, digunakan 1 dependent variable (Price) dan 17 independent variable (Jarak CBD terdekat, Lebar Jalan, Pesaing, Kualitas, Guest, Interior, Ukuran Kamar, Wifi, Bathroom, Toiletries, Breakfast, Furniture, Kulkas, Televisi, Ketel Listrik, Jenis Tempat Tidur, AC).
Data dari Direktorat Penilaian terdiri atas 375 data sewa kamar di Jakarta, 439 data sewa kamar di Bandung, dan 194 data sewa kamar di Bogor. Data tersebut merupakan data yang didapat dari dari platform pemesanan sewa kamar online. Permodelan yang digunakan: (1) linear regression, (2) ridge, (3) lasso, (4) elastic net, (5) random forest, (6) SVR, dan (7) XGBoost. Sebanyak 80% dari data masing-masing kota tersebut dijadikan data train untuk melatih 7 model diatas, dan sisa 20% data yang ada dijadikan sebagai data test untuk mengevaluasi performa dari masing-masing model tadi. Kemudian dilakukan evaluasi atas model untuk memilih permodelan yang paling fit menggunakan 4 parameter yaitu R², MAE, MSE, dan RMSE.
Meski terdapat banyak manfaat, namun masih ada kekhawatiran masyarakat terhadap
dampak penggunaan machine learning. Karena sebagaimana kita ketahui, teknologi mesin semakin mampu
melakukan tugas-tugas yang sebelumnya merupakan domain eksklusif manusia, ada
kekhawatiran bahwa machine learning dapat menyebabkan
hilangnya pekerjaan. Terkait hal ini, para penilai DJKN tidak perlu resisten
akan penggunaan machine learning dalam penilaian. Ketika
sebagian tugas-tugas penilai telah dapat diselesaikan dengan machine
learning, maka penilai dapat melakukan pekerjaan yang bersifat strategis
yang melahirkan inovasi dalam bidang penilaian. Namun untuk saat ini tentu saja
masih perlu terus dilakukan evaluasi untuk menyempurnakan penggunaan machine
learning sebagai alat bantu penilaian sewa BMN ini. Misalnya masih
perlu pengkajian lebih lanjut tentang variable independent yang relevan untuk
memperkecil error dan memperbaiki validitas penggunaan machine learning sebagai alat bantu
penilaian sewa.
Ditulis oleh Tim Seksi Analisis Data, Subdit TBAD, Direktorat
Transformasi dan Sistem Informasi