Era Baru Penilaian Aset Negara: Menavigasi Peran Kecerdasan Buatan untuk Keberlangsungan Karir Penilai Pemerintah

Bagian 1: Fondasi dan Tantangan Kontemporer Profesi Penilai Pemerintah di Indonesia

Penilai Pemerintah, yang secara institusional berada di bawah naungan Direktorat Jenderal Kekayaan Negara (DJKN) Kementerian Keuangan, memegang peran yang fundamental dan strategis dalam arsitektur keuangan negara Indonesia. Mereka adalah ujung tombak dalam membangun dan menjaga tata kelola aset negara yang transparan, produktif, dan akuntabel. Fungsi utama mereka adalah memberikan opini nilai wajar (fair value) yang objektif dan independen atas Barang Milik Negara (BMN) dan Barang Milik Daerah (BMD). Opini nilai ini menjadi dasar pengambilan keputusan krusial dalam berbagai siklus pengelolaan aset, yang secara garis besar mencakup tiga area utama: pencatatan laporan keuangan, pemindahtanganan, dan pemanfaatan aset.

Dalam konteks pelaporan keuangan, penilaian yang akurat memastikan bahwa nilai aset negara yang tercatat di neraca pemerintah mencerminkan kondisi riil, yang berdampak langsung pada transparansi fiskal dan kredibilitas laporan keuangan. Kontribusi ini terbukti signifikan, seperti yang terlihat pada program revaluasi BMN periode 2017-2019 yang berhasil meningkatkan nilai aset secara signifikan mencapai 56,8 persen dari total nilai aset yang mencapai Rp10.467 triliun. Dalam hal pemindahtanganan, seperti penjualan atau lelang, opini nilai dari penilai pemerintah menjadi acuan untuk memastikan negara tidak mengalami kerugian. Demikian pula dalam pemanfaatan aset, seperti sewa atau kerja sama pemanfaatan, nilai yang dihasilkan penilai menjadi dasar penetapan tarif yang memaksimalkan Penerimaan Negara Bukan Pajak (PNBP), yang pada tahun 2021 mencapai lebih dari Rp1 triliun dari pengelolaan BMN.

Profesi ini diatur secara formal sebagai Jabatan Fungsional Penilai Pemerintah (PFPP), sebuah jabatan karir bagi Pegawai Negeri Sipil (PNS) dengan struktur berjenjang mulai dari Ahli Pertama, Muda, Madya, hingga Utama.Setiap jenjang memiliki tugas dan tanggung jawab yang semakin kompleks, diatur dalam regulasi kunci seperti Peraturan Menteri Keuangan (PMK) No. 173/PMK.06/2020 (yang diperbarui oleh PMK No. 99 Tahun 2024). Kinerja seorang PFPP dievaluasi melalui Sasaran Kinerja Pegawai (SKP) yang dikonversi menjadi Angka Kredit, menjadi prasyarat utama untuk kenaikan pangkat dan jenjang jabatan, memastikan pengembangan profesionalisme yang berbasis prestasi.

Namun, di balik peran strategis dan kerangka regulasi yang mapan, profesi ini dihadapkan pada serangkaian tantangan kritis. Hambatan utama adalah keterbatasan jumlah SDM penilai bersertifikat yang tidak sepadan dengan volume dan sebaran geografis aset negara. Akibatnya, terjadi penumpukan permohonan penilaian yang menyebabkan antrian panjang, berpotensi menghambat siklus pengelolaan aset dan meningkatkan risiko penurunan kualitas penilaian karena beban kerja yang berlebihan. Kondisi ini menciptakan ketergantungan pada jasa penilai eksternal (KJPP), yang memunculkan tantangan baru terkait anggaran dan kompleksitas pengawasan. Masalah ini diperparah oleh isu kelembagaan, di mana unit penilai di banyak instansi belum sepenuhnya mandiri dan masih digabungkan dengan unit lain, menyebabkan proses penilaian kurang fokus. Di tengah tantangan tersebut, penilai juga beroperasi di bawah tekanan integritas yang tinggi, karena proses penilaian rentan terhadap intervensi atau penyimpangan (overvalue atau undervalue) untuk kepentingan pihak tertentu.

Bagian 2: Disrupsi Teknologi: Membedah Kecerdasan Buatan dalam Konteks Penilaian Properti

Kecerdasan Buatan (AI) adalah bidang ilmu komputer yang berfokus pada penciptaan mesin cerdas yang mampu melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Dalam konteks penilaian properti, AI tidak bertujuan menggantikan kesadaran manusia, melainkan mengembangkan perangkat lunak yang lebih cerdas untuk menganalisis data properti secara efisien dan akurat. Inti dari aplikasi AI modern adalah Machine Learning (ML), di mana algoritma komputer "belajar" dari data untuk membuat prediksi tanpa diprogram secara eksplisit. Model ML dapat dilatih menggunakan jutaan data transaksi untuk mengidentifikasi pola kompleks yang menghubungkan atribut properti (lokasi, luas, jumlah kamar) dengan nilai pasarnya.

Aplikasi praktis yang paling relevan dari AI dan ML adalah Automated Valuation Models (AVM). AVM adalah sistem perangkat lunak yang menggunakan algoritma statistik dan database properti yang masif untuk menghitung estimasi nilai real estat secara otomatis dalam hitungan detik. AVM modern telah berevolusi menjadi sistem yang diperkuat oleh ML, yang memungkinkannya untuk terus belajar dan meningkatkan akurasinya seiring tersedianya data baru.

Kekuatan AI ini tidak dapat dipisahkan dari konsep Big Data, yaitu volume data yang sangat besar dan bervariasi dari berbagai sumber, baik terstruktur (database transaksi) maupun tidak terstruktur (ulasan media sosial). Dalam konteks real estat, sumber Big Data mencakup data transaksi historis, catatan pajak, data demografis, indikator ekonomi, data geospasial (peta digital dan citra satelit), hingga data sentimen dari berita online. Analitik Big Data memungkinkan model AI untuk memahami dinamika pasar secara holistik, mengidentifikasi tren-tren mikro yang tidak terlihat oleh mata manusia, dan membangun model prediktif yang meramalkan pergerakan harga di masa depan.

Selain itu, sebagian besar informasi berharga terkunci dalam format data tidak terstruktur seperti teks naratif dalam laporan penilaian atau deskripsi properti. Natural Language Processing (NLP) adalah cabang AI yang memungkinkan komputer memahami dan menafsirkan bahasa manusia. Penerapan NLP membuka berbagai kemungkinan baru, seperti ekstraksi informasi otomatis dari deskripsi properti (misalnya, "dapur baru direnovasi") dan analisis sentimen pasar dari berita atau media sosial untuk mengukur persepsi publik terhadap suatu lokasi. Penelitian bahkan menunjukkan bahwa model NLP mampu mengkuantifikasi "nilai tersembunyi" dalam deskripsi naratif yang dibuat agen real estat, yang sering diabaikan oleh model regresi standar, dan terbukti dapat meningkatkan akurasi prediksi harga secara signifikan.

Bagian 3: Paradigma Baru Profesionalisme: Augmentasi, Bukan Eliminasi

Adopsi AI dalam profesi penilaian tidak akan mengeliminasi kebutuhan akan penilai pemerintah, melainkan akan secara fundamental mengubah dan mengangkat peran mereka. Ketika AI mengambil alih tugas komputasi dan analisis kuantitatif, fokus penilai manusia akan bergeser dari pelaksana teknis menjadi pemikir strategis. Peran baru ini akan lebih menekankan pada kemampuan tingkat tinggi yang tidak dapat diotomatisasi, seperti analisis kritis terhadap output AI, manajemen dan interpretasi data, serta penilaian kontekstual yang menerapkan pengetahuan lokal mendalam.

Debat mengenai "augmentasi versus eliminasi" seringkali mengabaikan batasan fundamental dari teknologi AI saat ini. Ada banyak aspek penilaian yang bersifat kualitatif, sensorik, dan kontekstual yang berada di luar jangkauan AI. Kapabilitas manusia yang tetap tak tergantikan antara lain:

●    Menilai Kondisi dan Kualitas Fisik: AVM dapat memproses data luas bangunan, tetapi tidak dapat melakukan inspeksi fisik untuk menilai kualitas material, tingkat keausan, atau mendeteksi kerusakan struktural. AI tidak bisa "mencium bau rumah" untuk mengidentifikasi masalah serius seperti jamur atau kelembapan yang signifikan mempengaruhi nilai.

●    Menginterpretasikan Fitur Unik dan Tak Berwujud: Algoritma kesulitan dalam memberikan nilai pada fitur-fitur unik seperti nilai historis sebuah bangunan, pemandangan panorama premium, atau desain arsitektur yang ikonik.

●    Memahami Konteks Pasar Lokal dan "Red Flags": AI mungkin melihat penjualan dengan harga rendah sebagai data biasa. Namun, seorang penilai lokal mungkin mengetahui konteks di baliknya—bahwa penjualan tersebut terjadi karena penyitaan atau kebutuhan mendesak penjual, sehingga tidak mencerminkan nilai pasar yang sebenarnya.

●    Penalaran dan Akuntabilitas Hukum: Dalam proses hukum, yang dibutuhkan bukanlah output spreadsheet, melainkan kesaksian seorang ahli yang dapat dipertanggungjawabkan. AI tidak dapat memberikan kesaksian di bawah sumpah atau menjawab pemeriksaan silang dari pengacara.

●    Menerapkan Pertimbangan Profesional (Professional Judgment): Penilaian adalah perpaduan antara ilmu dan seni. Proses memilih properti pembanding yang paling relevan dan merekonsiliasi nilai dari berbagai pendekatan memerlukan kebijaksanaan dan pertimbangan ahli yang diasah melalui pengalaman.

Sebagai konsekuensi, laporan penilaian di masa depan akan menjadi dokumen hibrida yang mengintegrasikan kekuatan analitik AI dengan kearifan manusia. Laporan akan lebih kaya data, namun narasi utama, justifikasi, dan kesimpulan akhir tetap menjadi hasil dari pertimbangan penilai. Peran penilai akan menjadi "pencerita data" (data storyteller), yang bertugas menerjemahkan analisis kuantitatif yang kompleks menjadi sebuah argumen yang logis dan dapat dipertanggungjawabkan.

Bagian 4: Imperatif Etis dan Tata Kelola AI dalam Penilaian Aset Publik

Penerapan AI membawa risiko etis yang signifikan, terutama bias algoritmik. Model AI belajar dari data historis, dan jika data tersebut mencerminkan bias yang sudah ada di masyarakat—seperti penilaian sistematis yang lebih rendah untuk properti di lingkungan minoritas—maka AI dapat memperkuat dan melanggengkan bias tersebut dalam skala besar. Fenomena ini dikenal sebagai "digital redlining," di mana algoritma secara tidak sengaja menciptakan garis batas digital yang merugikan wilayah tertentu. Penelitian di AS menunjukkan bahwa AVM cenderung menghasilkan tingkat kesalahan prediksi yang lebih tinggi di lingkungan mayoritas kulit hitam dibandingkan dengan lingkungan mayoritas kulit putih. Karena AVM dilatih berdasarkan data harga jual historis, ia secara inheren akan melanggengkan ketidaksetaraan nilai properti yang sudah ada.

Selain itu, efektivitas AI bergantung pada akses terhadap data dalam volume besar, yang dapat mencakup informasi sensitif. Hal ini menimbulkan tantangan serius terkait privasi dan keamanan data. Lembaga pemerintah harus memastikan kepatuhan yang ketat terhadap peraturan perlindungan data dan berinvestasi dalam protokol keamanan siber yang kuat untuk melindungi informasi strategis negara.

Untuk memitigasi risiko ini, implementasi AI di sektor publik harus didasari oleh kerangka kerja tata kelola (governance framework) yang kokoh, yang dibangun di atas tiga pilar utama:

●    Transparansi dan Keterjelasan (Explainability): Model AI yang bersifat "kotak hitam" (black box) tidak dapat diterima di sektor publik. Harus ada mekanisme yang memungkinkan penilai untuk memahami faktor-faktor utama yang mendorong hasil penilaian dari sebuah model AI.

●    Akuntabilitas: Harus ada garis pertanggungjawaban yang jelas ketika sistem AI membuat kesalahan. Kerangka kerja harus mendefinisikan siapa yang bertanggung jawab—apakah pengembang, lembaga pemerintah, atau penilai manusia yang mengawasinya.

●    Pengujian, Audit, dan Pengawasan Manusia: Model AI harus melalui pengujian dan audit berkala untuk mendeteksi bias. Yang terpenting, kerangka kerja harus mengadopsi prinsip human-in-the-loop (manusia dalam siklus), yang memastikan bahwa setiap keputusan akhir yang signifikan harus selalu melibatkan peninjauan dan persetujuan oleh seorang profesional manusia yang kompeten.

Dalam paradigma baru ini, penilai pemerintah akan bertindak sebagai "auditor etis" dari sistem algoritmik, memastikan bahwa efisiensi teknologi tidak mengorbankan prinsip keadilan dan kepercayaan publik.

Bagian 5: Peta Jalan Menuju Penilai Masa Depan: Transformasi Keterampilan dan Resiliensi Karir

Di era di mana keputusan semakin didorong oleh data, literasi data bukan lagi keterampilan khusus, melainkan kompetensi fundamental. Ini adalah kemampuan untuk membaca, memahami, menganalisis, dan berkomunikasi dengan data. Tanpa fondasi ini, seorang penilai akan kesulitan berkolaborasi secara efektif dengan sistem AI.

Penilai masa depan tidak dituntut menjadi pemrogram, namun mereka memerlukan pemahaman konseptual yang kuat tentang teknologi yang mereka gunakan. Keterampilan teknis yang perlu dikembangkan antara lain analisis data dasar, interpretasi output model AI, dan kemampuan membaca visualisasi data. Keterampilan ini penting agar penilai dapat memahami cara kerja AVM dan menginterpretasikan hasilnya dengan benar.

Seiring dengan otomatisasi tugas teknis, soft skills akan menjadi pembeda utama yang menentukan nilai seorang profesional. Keterampilan inilah yang tidak dapat direplikasi oleh mesin dan akan menjadi semakin berharga. Soft skills yang paling krusial bagi penilai masa depan adalah:

●    Pemikiran Kritis: Kemampuan untuk tidak menerima output data begitu saja, melainkan secara konstan mempertanyakan asumsi, memeriksa logika, dan mengidentifikasi kelemahan atau bias dari sistem AI.

●    Data Storytelling: Kemampuan untuk menerjemahkan analisis data yang kompleks menjadi sebuah narasi yang jelas, logis, dan persuasif bagi para pemangku kepentingan non-teknis.

●    Penalaran Etis: Kemampuan untuk mengidentifikasi dan menavigasi dilema etis yang kompleks terkait penggunaan AI, seperti bias algoritmik dan privasi data, akan menjadi bagian integral dari tanggung jawab profesional.

Untuk mewujudkan transformasi ini, diperlukan upaya terstruktur dari lembaga pemerintah seperti DJKN dan KemenPAN-RB untuk merancang ulang kurikulum pendidikan dan pelatihan (diklat). Program pelatihan harus diperbarui untuk mencakup modul-modul baru tentang dasar-dasar AI, literasi data, dan etika AI. Mengingat laju perkembangan teknologi yang cepat, menumbuhkan budaya belajar seumur hidup (lifelong learning) menjadi sangat penting untuk memastikan para penilai dapat terus beradaptasi dan tetap relevan.

Bagian 6: Kesimpulan

Analisis dalam laporan ini menegaskan bahwa profesi penilai pemerintah di Indonesia berada di persimpangan jalan yang krusial. Di satu sisi, profesi ini dibebani oleh tantangan sistemik berupa keterbatasan SDM, kelemahan institusional, dan tekanan integritas. Di sisi lain, kemunculan Kecerdasan Buatan (AI) menawarkan sebuah peluang transformatif. Kesimpulan utamanya adalah AI tidak seharusnya dipandang sebagai ancaman eksistensial, melainkan sebagai aliansi strategis—sebuah alat augmentasi yang kuat. Dengan mengotomatisasi tugas-tugas padat karya, AI membebaskan kapasitas intelektual penilai untuk berfokus pada aktivitas bernilai tambah tinggi: analisis kritis, penilaian kontekstual, penalaran strategis, dan pengawasan etis. Keberlangsungan karir penilai pemerintah di masa depan tidak akan dijamin oleh penolakan terhadap teknologi, tetapi oleh kemampuan beradaptasi secara proaktif.

Teks: Dimas Pratama

Pejabat Fungsional Penilai Pemerintah Ahli Pertama KPKNL Batam

Terjemahan dan sintesis referensi/informasi dibantu oleh Google Gemini

Referensi:

1.      Jafung Penata Laksana Barang, Pawang Bangunkan Raksasa Aset Negara, https://www.djkn.kemenkeu.go.id/berita/baca/23483/Jafung-Penata-Laksana-Barang-Pawang-Bangunkan-Raksasa-Aset-Negara.html;

2.      Peran Penting Penilai Pemerintah Dalam Penerimaan Negara - Website DJKN,https://www.djkn.kemenkeu.go.id/kanwil-banten/baca-artikel/17615/Peran-Penting-Penilai-Pemerintah-Dalam-Penerimaan-Negara.html;

3.      Peraturan Menteri Keuangan Nomor 99 Tahun 2024 tentang Penilaian oleh Penilai Pemerintah di Lingkungan Direktorat Jenderal Kekayaan Negara;

4.      AI Appraisals: Embracing the Future - McKissock Learning, https://www.mckissock.com/blog/appraisal/ai-appraisals-embracing-the-future/

5.      The Power of Data Analytics in Real Estate - Proprli, https://proprli.com/knowledge-center/the-power-of-data-analytics-in-real-estate-a-comprehensive-guide-for-large-asset-owners/

6.      A Natural Language Processing Model for House Price Forecasting - CURF - Clemson University Research Foundation,  https://curf.clemson.edu/technology/a-natural-language-processing-model-for-house-price-forecasting/

7.      AI Property Valuation Software and Their Impact on Real Estate ...,  https://ascendixtech.com/ai-property-valuation-tools-appraisal/

8.      Peraturan Menteri Keuangan Nomor 195/PMK.06/2021 tentang Petunjuk Pelaksanaan Jabatan Fungsional Penilai Pemerintah; 

9.      Real Estate Data Analytics: Leveraging Big Data for Market Insights and Decision-Making,  https://realtyboris.com/2024/05/31/real-estate-data-analytics-big-data-market-insights/

10.   Apa itu AI? - Penjelasan Kecerdasan Buatan - AWS,  https://aws.amazon.com/id/what-is/artificial-intelligence/

11.   Peraturan Menteri Keuangan Republik Indonesia Nomor 173/PMK.06/2020 tentang Penilaian oleh Penilai Pemerintah di Lingkungan Direktorat Jenderal Kekayaan Negara;

12.   Peraturan Menteri Pendayagunaan Aparatur Negara dan Reformasi Birokrasi Nomor 18 Tahun 2016 tentang Jabatan Fungsional Penilai Pemerintah; 

13.   Peraturan Menteri Keuangan Republik Indonesia Nomor 132/PMK.06/2017 Tentang Petunjuk Teknis Jabatan Fungsional Penilai Pemerintah;

14.   Tantangan dan Permasalahan Umum Penilai Publik dan Antisipasinya,  https://mediapenilai.mappi.or.id/index.php/2024/08/12/tantangan-dan-permasalahan-umum-penilai-publik-dan-antisipasinya/;

15.   Property Listings: NLP's Text Generation & Semantic Analysis | reAlpha Tech Corp. (AIRE),  https://www.realpha.com/blog/analysis-property-listings-nlp-and-semantic-analysis

16.   Valuation Office Agency: Automated Valuation Model - GOV.UK,  https://www.gov.uk/algorithmic-transparency-records/valuation-office-agency-automated-valuation-model

17.   Isu SDM dan Kelembagaan Penilai Pemerintah ... - Website DJKN,  https://www.djkn.kemenkeu.go.id/kanwil-papuamaluku/baca-artikel/17710/Isu-SDM-dan-Kelembagaan-Penilai-Pemerintah-Tantangan-Akuntabilitas-Penilaian-Aset-Negara.html

18.   Automated Valuation Model (AVM): Definition and How It Works,  https://www.investopedia.com/terms/a/automated-valuation-model.asp

19.   Consumer Financial Protection Bureau Outlines Options To Prevent Algorithmic Bias In Home Valuations,  https://www.consumerfinance.gov/about-us/newsroom/cfpb-outlines-options-to-prevent-algorithmic-bias-in-home-valuations/

20.   7.5 Things Appraisers Can Do That Artificial Intelligence Cannot ...,  https://appraisalbuzz.com/7-5-things-appraisers-can-do-that-artificial-intelligence-cannot/

21.   Will AI Replace Real Estate Appraisers in 2025? - Biz4Group,  https://www.biz4group.com/blog/ai-real-estate-appraisal

22.   AI Isn't Replacing Appraisers—It's Making Us Better Than Ever,  https://www.batonrougeappraiser.com/AI+is+not+going+to+replace+appraisers+

23.   Revisiting Automated Valuation Model Disparities in Majority-Black Neighborhoods,  https://www.urban.org/research/publication/revisiting-automated-valuation-model-disparities-majority-black-neighborhoods

24.   Top data literacy skills for becoming data literate - Tableau,  https://www.tableau.com/data-insights/data-literacy/skills

25.   (PDF) Peran Penilai Pemerintah Dalam Rangka Pengelolaan Barang Milik Negara Berupa Aset Tetap - ResearchGate, https://www.researchgate.net/publication/366567014_Peran_Penilai_Pemerintah_Dalam_Rangka_Pengelolaan_Barang_Milik_Negara_Berupa_Aset_Tetap

26.   Data Literacy Skills: The 10 You Need to Succeed - QuantHub,  https://www.quanthub.com/data-literacy-skills/

27.   Regulatory and Ethical Considerations in AI-Powered Real Estate Investing - ResearchGate,  https://www.researchgate.net/publication/388000507_Regulatory_and_Ethical_Considerations_in_AI-Powered_Real_Estate_Investing

28.   Permen Keu 195 - 2021 - Juklak Jafung Penilai Pemerintah PDF - Scribd,  https://id.scribd.com/document/644505766/PERMEN-KEU-195-2021-JUKLAK-JAFUNG-PENILAI-PEMERINTAH-pdf

29.   Revolusi AI dalam Dunia Penilaian: Mengungkap Masa Depan dengan Teknologi Pintar,  https://mediapenilai.mappi.or.id/index.php/2023/11/21/revolusi-ai-dalam-dunia-penilaian-mengungkap-masa-depan-dengan-teknologi-pintar/

30.   AI Governance: Best Practices for Real Estate Organizations - EisnerAmper,  https://www.eisneramper.com/insights/real-estate/ai-governance-real-estate-organization-best-practices-1025/

31.   What skills do you need to become truly data literate? - The Data ...,  https://thedataliteracyproject.org/what-skills-do-you-need-to-become-truly-data-literate/