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