Artikel Seri Khusus AI dalam Praktik Penilaian (Seri 2)

AVM dalam Penilaian DJKN: Model Membantu, Penilai Mengendalikan

Telaah lanjutan mengenai AVM dan keterkaitannya dengan AI dalam penilaian DJKN, dengan penekanan pada arsitektur resmi, data tepercaya, kesesuaian model, validasi keluaran, pengambilalihan keputusan oleh manusia, dan tanggung jawab profesional Penilai Pemerintah.

Oleh Paulus Agung Cahya Wahyudi, Penilai Pemerintah Ahli Madya Kanwil DJKN Jawa Barat

Kedudukan Tulisan

Tulisan ini merupakan pendapat pribadi penulis, tidak dimaksudkan sebagai norma baru atau nasihat hukum, dan tidak mencerminkan kebijakan resmi institusi tempat penulis bekerja. Sebagai lanjutan dari artikel Seri 1, “AI dalam Penilaian DJKN: Co-Pilot, Bukan Auto-Pilot”, fokus pembahasan dipersempit pada Automated Valuation Model (AVM), termasuk model yang memanfaatkan kecerdasan artifisial (artificial intelligence/AI): kapan AVM layak digunakan sebagai alat bantu, kapan bobotnya perlu dibatasi, dan kapan Penilai Pemerintah wajib mengambil alih agar model tidak menggantikan pertimbangan profesional. Tulisan ini tidak menyusun peta jalan pembangunan AVM dan tidak membahas algoritma, metrik validasi, ambang akurasi, atau desain teknis model.

Berbeda dari tulisan terdahulu di Portal DJKN yang menyoroti kepemimpinan etis dan peta jalan transisi AVM, tulisan ini memusatkan perhatian pada disiplin penggunaan model dalam proses penilaian: kapan keluaran dapat dipakai, bukti apa yang harus menyertainya, dan kapan Penilai Pemerintah wajib membatasi atau menolaknya.

Pagar Kelembagaan

Dalam penerapannya, penggunaan AVM, termasuk yang memanfaatkan AI, pada pekerjaan kedinasan harus mengikuti ketentuan peraturan perundang-undangan, kebijakan internal, klasifikasi informasi, tata kelola keamanan informasi, dan arahan penggunaan aplikasi yang berlaku di lingkungan Kementerian Keuangan/DJKN. Tulisan ini tidak mendorong penggunaan layanan AI publik untuk memproses data pasar, dokumen penilaian, data aset, data pihak terkait, atau informasi kedinasan yang bersifat rahasia atau terbatas, mengandung data pribadi, maupun belum disetujui untuk diproses melalui layanan tersebut.

Penggunaan AVM juga harus ditempatkan dalam arsitektur sistem dan proses bisnis resmi. Model tidak boleh membentuk basis data, alur kerja, atau jalur keputusan paralel tanpa pemilik data, pemilik proses, pengelola sistem, penanggung jawab model, dan pejabat pengambil keputusan yang jelas. AVM harus memakai sumber data yang telah diotorisasi, mengikuti hak akses dan mekanisme integrasi yang ditetapkan, dan meninggalkan jejak penggunaan yang dapat diaudit.

Berada dalam sistem resmi merupakan syarat tata kelola, tetapi bukan bukti bahwa data, model, atau keluarannya otomatis benar. Data resmi dapat tetap belum lengkap, tertinggal, tidak konsisten, atau tidak cukup mewakili pasar; demikian pula model yang telah diotorisasi dapat tetap tidak sesuai untuk objek, pasar, wilayah, tujuan, atau tanggal penilaian tertentu. Karena itu, arsitektur, data, model, keluaran, dan keputusan manusia harus diuji sebagai gerbang yang berbeda.

Mengapa Isu Ini Penting

Automated Valuation Model (AVM) adalah model terkomputerisasi yang menghasilkan estimasi nilai berdasarkan data dan metode yang ditetapkan. Tidak semua AVM menggunakan AI: sebagian memakai aturan atau metode statistik, sedangkan sebagian lain memanfaatkan pembelajaran mesin. Ketika data pasar tersebar, tidak seragam, dan bercampur antara transaksi normal, transaksi tertekan (distressed sale), atau penawaran yang belum tentu sahih, AVM tampak menjanjikan. Model dapat membantu membersihkan data, mengenali sebaran harga, menandai pencilan, dan menyusun indikasi awal nilai jauh lebih cepat dibandingkan cara manual.

Namun justru di sinilah persoalan mendasar muncul. Kecepatan model mudah menimbulkan ilusi bahwa hasil yang rapi identik dengan simpulan yang benar. Padahal opini nilai tidak pernah lahir hanya dari pola statistik. Ia lahir dari pertemuan antara data, verifikasi, pemahaman pasar, pembacaan aspek hukum dan fisik, pemilihan pendekatan, penyesuaian, dokumentasi, dan pertimbangan profesional. Data yang belum jelas identitas, sumber, versi, atau statusnya tidak menjadi lebih benar hanya karena diproses oleh model yang lebih canggih.

Tema ini penting bagi DJKN karena AI dan AVM berpotensi sangat membantu, tetapi juga mudah disalahpahami. Bila tulisan pertama menjelaskan pagar umum agar AI tetap menjadi co-pilot, tulisan kedua ini menguji instrumen yang lebih spesifik, lebih teknis, dan lebih berisiko bila dipakai secara longgar. AVM dapat mempercepat penapisan awal; sebaliknya, tanpa disiplin, AVM dapat memberi legitimasi semu kepada angka yang belum diuji secara memadai.

Dengan demikian, seri kedua tidak mengulang seri pertama. Ia memperdalam pertanyaan yang lebih khusus: bagaimana memastikan model bekerja di dalam sistem resmi, menggunakan data yang dapat dipercaya, sesuai dengan tujuan dan konteks penilaian, menghasilkan keluaran yang telah divalidasi, dan tetap berakhir pada keputusan manusia yang terdokumentasi.

Sejalan dengan semangat DJKN RISE dan arah transformasi menuju State Asset Strategist & Advisor, AVM layak dibaca sebagai kapabilitas pendukung keputusan, bukan proyek teknologi yang berdiri sendiri. Nilainya bukan pada banyaknya angka yang dihasilkan atau proses yang diotomasi, melainkan pada kemampuannya memperkuat kualitas data, memperluas daya analisis, dan mendukung keputusan strategis yang tetap dapat dipertanggungjawabkan.

Norma Inti dan Kompas Tata Kelola

Dalam ekosistem penilaian DJKN, Peraturan Menteri Keuangan Nomor 99 Tahun 2024 menjadi salah satu fondasi regulatif utama karena menempatkan penilaian sebagai proses yang bertumpu pada pengumpulan data dan informasi, survei lapangan, analisis, penyusunan laporan, kendali mutu, dan kaji ulang. Struktur ini mengandung pesan penting: opini nilai tidak boleh lahir dari proses yang kabur, tidak dapat ditelusuri, atau melampaui kekuatan bukti. Apa pun alat bantunya, tanggung jawab atas hasil penilaian tetap berada pada Penilai Pemerintah dan mekanisme tata kelola yang mengitarinya.

Dalam penggunaan AVM lintas data dan sistem, akuntabilitas perlu dibagi secara jelas. Pemilik data bertanggung jawab atas definisi dan kualitas data; pemilik proses atas tujuan penggunaan; pengelola sistem atas akses, integrasi, dan keandalan; pengelola dan validator model atas kelayakan teknis serta batas penggunaan; sedangkan Penilai Pemerintah, pereviu, dan pejabat berwenang tetap bertanggung jawab atas interpretasi, pertimbangan, dan keputusan substantif.

Pagar pengaman yang relevan bagi AVM meliputi kendali manusia yang bermakna, keselarasan arsitektur, tata kelola dan kualitas data, jejak audit, pelindungan data, kemampuan menjelaskan keluaran, keadilan, keamanan, akuntabilitas, dan pembelajaran berkelanjutan. Dalam konteks Nilai-Nilai Kementerian Keuangan, integritas menuntut agar data dan keluaran model tidak dimanipulasi atau diperlakukan seolah pasti benar. Profesionalisme menegaskan bahwa AVM tidak menggantikan inspeksi, telaah aspek hukum, verifikasi pembanding, metode penilaian, atau pertimbangan profesional. Sinergi mengingatkan bahwa model perlu melibatkan fungsi substansi, data, hukum, TI, risiko, dan pengawasan.

Dalam konteks tata kelola yang lebih luas, penggunaan AVM perlu dibaca bersama prinsip etika kecerdasan artifisial, pelindungan data pribadi, keamanan informasi, akuntabilitas, transparansi, dan kehati-hatian dalam pemrosesan informasi elektronik. Semakin dekat model dengan data pasar yang sensitif, dokumen hukum, data pihak terkait, atau simpulan nilai, semakin tinggi kebutuhan pembatasan akses, validasi manusia, dan jejak audit.

Alur kendalinya sederhana: AVM harus berada dalam arsitektur resmi, memakai data tepercaya, menggunakan model yang sesuai tujuan dan konteks, menghasilkan keluaran yang telah divalidasi, lalu berakhir pada keputusan manusia yang terdokumentasi. Jika salah satu mata rantai itu lemah, bobot penggunaan model harus dibatasi atau dihentikan.

Apa yang Perlu Dipahami tentang AVM

Dalam pembacaan yang paling aman, AVM adalah model yang membantu memperkirakan indikasi nilai dengan memanfaatkan pola data pasar dan karakteristik objek yang dapat dibaca secara terstruktur. Kekuatan utamanya terletak pada skala: model dapat memproses lebih banyak data, lebih cepat, dan lebih konsisten daripada pembacaan manual awal. Kelemahannya juga jelas: model bergantung pada kualitas data, rancangan variabel, asumsi, dan keterwakilan pasar yang sering justru paling bermasalah dalam praktik.

Karena itu, AVM harus dipahami sebagai alat bantu pengambilan keputusan pada tahap awal, bukan sebagai pengganti analisis penilaian. AVM dapat membantu menunjukkan data yang menyimpang, area yang relatif homogen, kisaran harga awal yang layak diuji, atau variabel yang tampak dominan. Tetapi AVM tidak boleh menutup pertanyaan yang paling substantif: apakah data sahih, apakah pembanding sebanding, apakah kondisi hukum dan fisik telah dibaca, dan apakah keluaran model masih layak dipercaya setelah diuji dengan bukti lapangan.

AVM juga tidak netral terhadap jenis pasar. Model paling berguna ketika pasar relatif aktif, data pembanding cukup, objek cukup homogen, variabel utama dapat dijelaskan, dan hubungan antarvariabel masih masuk akal untuk diuji. Sebaliknya, semakin tipis pasar, semakin khusus objek, semakin dominan faktor hukum atau fisik, atau semakin banyak data penawaran yang tidak sahih, semakin kecil bobot AVM sebagai alat baca utama dan semakin besar kebutuhan intervensi Penilai Pemerintah.

Dalam praktik, penggunaan AVM yang sehat melewati lima tahap. Pertama, arsitektur resmi: model dan alur kerjanya telah diotorisasi. Kedua, data tepercaya: sumber, identitas objek, periode, duplikasi, kelengkapan, dan konflik data telah diperiksa, serta direkonsiliasi. Ketiga, model sesuai tujuan dan konteks: jenis model, variabel, objek, pasar, dan tingkat risiko penggunaannya selaras. Keempat, keluaran tervalidasi: hasil model diuji terhadap data lain, bukti pasar, kondisi lapangan, dan konteks hukum dan fisik. Kelima, keputusan manusia terdokumentasi: alasan menerima, menyesuaikan, membatasi, atau menolak keluaran model dicatat secara jelas.

Model yang sehat juga tidak harus selalu menghasilkan angka. Ketika data tidak memadai, objek berada di luar cakupan model, atau ketidakpastian terlalu tinggi, keluaran yang paling bertanggung jawab dapat berupa peringatan atau pernyataan bahwa estimasi belum layak diberikan. Memaksakan angka dalam kondisi tersebut hanya mengubah ketidakpastian menjadi kepastian semu.

Pembacaan Praktis: Dimana AVM Boleh Masuk, dan Dimana Penilai Harus Mengambil Alih

Skenario 1: Penapisan Awal Data Pasar dan Daftar Pendek Pembanding

Skenario paling aman untuk AVM adalah tahap penapisan awal data pasar. Bayangkan penilai memiliki ratusan data transaksi dan penawaran dari beberapa wilayah. Pekerjaan yang paling menyita waktu sering bukan menghitung nilai, melainkan memilah bahan mentah: data ganda, alamat yang tidak jelas, penawaran yang terlalu ekstrem, dan data yang tampak berdekatan tetapi berasal dari karakter pasar yang berbeda.

Di sini AVM dapat memberi manfaat nyata. Model dapat menandai dugaan duplikasi, mengelompokkan zona lokasi, memetakan sebaran harga berdasarkan luasan dan aksesibilitas, menemukan pencilan, dan menyusun daftar pendek pembanding untuk diuji lebih lanjut. Namun, kesamaan nama, alamat, luas, atau koordinat tidak otomatis membuktikan bahwa dua entri merupakan objek yang sama. Demikian pula, perbedaan yang ditandai model belum tentu merupakan kesalahan.

Kontrol manusia tetap wajib. Penilai harus memeriksa sumber, mengonfirmasi identitas data, memverifikasi keterbandingan pembanding, menguji kewajaran variabel, dan memastikan daftar pendek tidak menutupi data penting yang tidak terbaca model. AVM boleh membantu memilih pintu masuk, tetapi Penilai Pemerintah tetap harus masuk sendiri ke dalam analisis.

Skenario 2: Indikasi Awal Nilai dan Visualisasi Zona Harga

Skenario kedua adalah penggunaan AVM untuk memperoleh orientasi awal mengenai posisi objek dalam bentang pasar, misalnya zona premium, menengah, atau transisi. Pada wilayah yang luas, visualisasi dapat membantu membaca konteks sebelum penyesuaian rinci dilakukan. Model dapat menyusun peta indikasi, membaca perubahan harga menurut waktu, dan menunjukkan bagian pasar yang relatif stabil atau lebih bergejolak.

Dari data yang telah ditertibkan, model dapat menyusun peta panas dan kisaran indikatif berdasarkan lokasi, akses, luasan, atau intensitas penggunaan. Namun perlu dibedakan: basis data menyimpan informasi, dasbor menyajikan informasi, sedangkan AVM menghasilkan estimasi berdasarkan hubungan dalam data. Ketiganya bukan bukti nilai dan tidak menggantikan pembacaan pasar oleh Penilai Pemerintah.

Risiko kepercayaan berlebihan muncul ketika visualisasi tampak rapi dan meyakinkan. Indikasi awal hanya membantu orientasi, bukan menutup analisis. Penilai tetap wajib memeriksa apakah zona yang dibentuk model sesuai dengan realitas pasar, apakah ada faktor hukum, fisik, penggunaan, atau karakter objek yang membuatnya menyimpang dari pola umum, dan apakah penyesuaian profesional masih diperlukan. Ketika model mulai dianggap sebagai simpulan, Penilai Pemerintah harus mengambil alih dan memperlambat proses.

Skenario 3: AVM untuk Kendali Mutu Awal atas Basis Data Pasar

Skenario ketiga yang relatif aman adalah penggunaan AVM atau AI untuk kendali mutu awal atas basis data pasar. Dalam praktik, masalah besar sering berasal dari bahan baku: data lama yang belum dibersihkan, lokasi yang tidak konsisten, luasan yang tertukar, harga yang dicatat dengan satuan berbeda, atau satu objek yang muncul dalam beberapa versi. Jika bahan bakunya bermasalah, analisis lanjutan ikut goyah.

Pada tahap ini, model dapat memeriksa konsistensi antarkolom, menandai data janggal, mengelompokkan entri dengan karakteristik mirip, dan menunjukkan konflik identitas, lokasi, luas, harga, periode, atau status objek. Temuan tersebut harus diperlakukan sebagai sinyal untuk ditelusuri. Model tidak boleh secara otomatis menggabungkan entri, menghapus pencilan, memilih satu versi data, atau melakukan koreksi tanpa aturan yang dapat dijelaskan dan validasi pemilik data. AVM dapat menunjukkan letak konflik, tetapi tidak berwenang menetapkan data mana yang secara hukum, fisik, spasial, atau substantif benar.

Kapan AVM Perlu Dibatasi?

AVM perlu diperlakukan sangat hati-hati, bahkan dibatasi sebagai alat bantu sekunder, ketika objek sangat khusus, pasar tipis, pembanding bercampur dengan transaksi tidak wajar, data resmi belum memadai, atau konflik identitas, kepemilikan, luas, lokasi, penguasaan, dan kondisi objek belum selesai. Pada situasi seperti itu, model masih dapat membantu menata data dan menentukan prioritas pemeriksaan, tetapi tidak boleh diberi bobot besar dalam pembentukan simpulan.

Sebelum keluaran AVM dipakai lebih jauh, delapan pertanyaan perlu dijawab: apa tujuan dan keputusan yang akan didukung; apakah model berada dalam sistem dan proses yang terotorisasi; dari mana data berasal dan siapa pemiliknya; apakah identitas objek, duplikasi, versi, serta konflik data telah direkonsiliasi; apakah model sesuai dengan jenis objek, pasar, wilayah, dan tujuan penilaian; apakah versi model telah divalidasi, masih layak digunakan, dan memiliki batas keluaran yang jelas, termasuk kondisi ketika estimasi tidak patut diberikan; apakah keluarannya telah diuji terhadap bukti pasar, lapangan, serta aspek hukum dan fisik; dan siapa yang berwenang menerima, menyesuaikan, menolak, serta mempertanggungjawabkan hasil model.

Model juga perlu dikelola sepanjang siklus hidupnya. Organisasi perlu mengetahui versi model yang digunakan, waktu dan ruang lingkup validasinya, perubahan data atau pasar yang dapat menurunkan kinerja, dan alasan pembaruan atau penghentiannya. Model yang pernah berkinerja baik tidak boleh diasumsikan tetap tepat ketika kualitas data, struktur pasar, atau tujuan penggunaan telah berubah. Validasi juga tidak cukup hanya melihat kinerja rata-rata; hasil perlu dibaca menurut wilayah, jenis objek, rentang nilai, dan segmen pasar agar capaian agregat tidak menutupi kesalahan sistematis pada kelompok tertentu.

Bila sumber data, rekonsiliasi, kesesuaian model, validasi, atau penanggung jawab keputusan belum jelas, penggunaan AVM harus diperlambat, dibatasi, atau dihentikan. Prinsipnya bukan mempercayai model lebih jauh ketika ketidakpastian meningkat, melainkan memperbesar porsi verifikasi dan pertimbangan manusia.

Di Mana Masalah Mulai Muncul

Masalah mulai muncul ketika AVM tidak lagi dipakai sebagai alat bantu, tetapi diam-diam diperlakukan sebagai pengganti proses berpikir. Itu dapat terjadi ketika indikasi awal dianggap cukup sebagai opini nilai, model statistik diperlakukan sebagai pengganti pembacaan pasar, sumber data tidak lagi diperiksa, koreksi data dilakukan otomatis, atau keluaran yang sulit dijelaskan tetap digunakan hanya karena tampak konsisten.

Bahaya terbesarnya bukan hanya kesalahan angka, melainkan berpindahnya kendali kepada sistem tanpa disadari. Risiko ini meningkat bila organisasi membiarkan model, basis data, atau jalur persetujuan tidak resmi berjalan di luar pengendalian. Ketika Penilai Pemerintah tidak memahami mengapa model menghasilkan kisaran tertentu, tidak berani menolak hasil yang janggal, atau tidak dapat menjelaskan alasan profesional di balik simpulan, yang terjadi adalah delegasi tanggung jawab kepada mesin.

Zona Aman, Zona Hati-Hati, dan Zona Tidak Boleh

Secara praktis, penggunaan AVM dapat dibaca dalam tiga zona. Zona aman mencakup pekerjaan penunjang melalui sistem yang telah diotorisasi, seperti menandai dugaan duplikasi, menyusun visualisasi awal, dan membantu daftar periksa kendali mutu atas data yang memang boleh diproses. Zona hati-hati mencakup analisis pasar, daftar pendek pembanding, indikasi awal nilai, peta panas, segmentasi zona, dan usulan penertiban data karena seluruh keluaran harus diuji ulang oleh Penilai Pemerintah serta pihak yang memiliki data. Zona tidak boleh mencakup penggunaan AVM untuk menetapkan opini nilai final, menggantikan survei atau uji tuntas aspek hukum, menggunakan data yang tidak diotorisasi, menjalankan model atau basis data bayangan, melakukan koreksi otomatis atas konflik hukum, fisik, atau spasial, memakai model kotak hitam tanpa penjelasan memadai untuk keputusan material, atau menyajikan keluaran model sebagai pertimbangan profesional manusia.

Pagar Kehati-Hatian yang Penting

Ada beberapa pagar yang perlu dijaga secara tegas. Pertama, AVM bukan opini nilai final; ia tetap merupakan alat bantu. Kedua, model harus berjalan dalam arsitektur resmi, memakai sumber data yang telah diotorisasi, dan memiliki pemilik data, pemilik proses, serta penanggung jawab model yang jelas. Ketiga, Penilai Pemerintah harus memahami batas model. Kendali manusia yang bermakna bukan sekadar adanya manusia yang menyetujui, melainkan manusia yang mampu memahami, menguji, mengoreksi, membatasi, dan menolak keluaran model.

Keempat, jejak audit AVM perlu mencatat sumber dan periode data, proses rekonsiliasi, variabel utama, versi model atau metode, asumsi penting, pencilan atau data yang dikeluarkan, hasil pengujian, tanggal validasi, serta perubahan yang dilakukan. Kelima, keputusan manusia harus meninggalkan alasan profesional yang jelas ketika keluaran model diterima, disesuaikan, dibatasi, atau ditolak. Dengan cara ini, AVM tetap menjadi alat bantu yang dapat diaudit, bukan kotak hitam atau jalur keputusan paralel yang sulit dipertanggungjawabkan.

Keenam, model harus dipantau dan dievaluasi sepanjang masa penggunaannya. Perubahan kualitas data, karakter pasar, tujuan penilaian, atau lingkungan penerapan dapat membuat model yang sebelumnya layak menjadi tidak lagi sesuai. Ketujuh, AVM boleh menemukan konflik dan anomali, tetapi penyelesaian konflik hukum, fisik, spasial, penguasaan, atau nilai tetap memerlukan dokumen primer, pemeriksaan lapangan, pemilik data, dan kewenangan manusia yang sah.

Kedelapan, sebagai praktik baik profesional, apabila AVM atau AI berpengaruh secara material terhadap proses analisis atau rekomendasi, fungsi dan batas penggunaannya perlu dijelaskan secara proporsional kepada pemohon atau pengguna laporan sesuai ketentuan yang berlaku. Transparansi tidak berarti membuka algoritma secara berlebihan, tetapi memastikan pengguna memahami kedudukan keluaran model dalam pembentukan simpulan.

Penutup

AVM, termasuk yang memanfaatkan AI, bukan lawan Penilai Pemerintah. Model dapat mempercepat penapisan awal, menertibkan data pasar, menyusun indikasi awal nilai, dan memperkuat kendali mutu basis data. Namun, manfaat itu hanya sehat bila alurnya dijaga: arsitektur resmi, data tepercaya, model yang sesuai tujuan dan konteks, keluaran yang tervalidasi, serta keputusan manusia yang terdokumentasi. Berada dalam sistem resmi tidak menghapus kewajiban untuk menguji data dan model; demikian pula model yang bertanggung jawab harus mampu berhenti ketika data belum cukup untuk menghasilkan estimasi.

AVM tidak memiliki mandat publik, tidak memikul tanggung jawab hukum, dan tidak dapat menggantikan pertimbangan profesional. Model boleh membantu lebih banyak, tetapi Penilai Pemerintah yang kompeten, berwenang, dan berintegritas tetap memegang kendali atas interpretasi data, pemilihan pendekatan, alasan profesional, dan simpulan nilai. Dalam penilaian DJKN, AVM boleh menjadi co-pilot yang cerdas, tetapi tidak boleh menjadi pilot yang mengambil alih kemudi.

Catatan akhir. Tulisan ini disusun dengan merujuk pada regulasi penilaian, pelindungan data pribadi, etika kecerdasan artifisial, tata kelola data, dan literatur profesional mengenai AVM. Ketentuan internal Kementerian Keuangan/DJKN mengenai klasifikasi informasi, keamanan informasi, penggunaan aplikasi, dan tata kelola data tetap menjadi acuan dalam pekerjaan kedinasan.

Rujukan ringkas. PMK Nomor 99 Tahun 2024; UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi; SE Menkominfo Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial; International Valuation Standards, khususnya IVS 104 Data and Inputs, IVS 105 Valuation Models, dan IVS 106 Documentation and Reporting, efektif 31 Januari 2025; IAAO, Standard on Automated Valuation Models (AVMs), 2018; RICS, Automated Valuation Models, 2022; dan Responsible Use of Artificial Intelligence in Surveying Practice, berlaku 9 Maret 2026.

Bacaan terkait. Seri 1: AI dalam Penilaian DJKN; Kepemimpinan Etis dan AI dalam Penilaian; dan Peta Jalan State Asset Strategist & Advisor.