Pendahuluan
Nilai properti pada dasarnya adalah opini yang
dihasilkan oleh penilai properti yang profesional, setelah melalui proses
analisis yang panjang dan mendalam. Dalam prosesnya, nilai banyak mengandung
objektivitas yang didasari riset dan kajian, tetapi juga tidak mungkin terhindar
sepenuhnya dari subjektivitas yang dimiliki oleh penilainya. Tomal, M. (2022) menjelaskan
dalam tulisannya bahwa memang ada bias yang mungkin terjadi dalam opini nilai
properti ini, dimana bias cenderung dipengaruhi oleh usia dan situasi individu
yang memberikan opini nilai propertinya. Selain itu juga menurut Mayer dan Nothaft (2022), hasil penilaian properti juga masih ada bias.
Tentu saja dalam penilaian properti ini juga termasuk
di dalamnya penilaian yang dilakukan oleh penilai pemerintah, dalam hal ini
penilai di DJKN. Bagaimana pengendalian dan deteksi bias di lingkungan penilai
pemerintah?
Bias
pada Nilai Properti
Mungkin selama ini nilai yang dihasilkan oleh penilai
dirasa sudah akurat. Tetapi faktanya, hingga riset terbaru, bias tidak
terhindarkan. Bias yang seperti apa? Mayer dan Nothaft (2022) dalam tulisannya menjelaskan bahwa kecenderungannya
adalah, penilai cenderung menghasilkan nilai lebih tinggi dari pembanding pada
pasar daripada menurunkan nilainya. Hal ini berakibat pada nilai yang
menggelembung.
Contohnya, apabila Penilai terbiasa mengukur nilainya
dengan inflasi bukan perilaku pasar properti, sehingga apabila pada penilaian
properti yang sama sebelumnya telah dinilai dan telah memiliki nilai, nilai
lama tersebut menjadi benchmark. Pada nilai yang baru, penilai cenderung
menaikkan nilainya karena dianggap telah ada inflasi. Namun, apakah di analisis
pasarnya berlaku sejalan dengan anggapan tersebut?.
Peraturan sebagai Pengendali Bias
Pada praktek di lapangan,
peraturan penilaian, di DJKN pada
khususnya, banyak peraturan yang baru dan diperkuat
untuk memastikan independensi “seni”
penilai
yang menyebabkan
frekuensi terjadinya bias dalam penilaian
secara berlebihan
dapat menurun. Hal itu juga sejalan
dengan riset Agarwal, dkk. (2020), Ding dan Nakamura (2015), serta Shi dan Zhang (2015) yang mana memang peraturan banyak dibuat untuk
memberi pagar dan rambu-rambu proses penilaian properti.
Peraturan dibuat oleh DJKN mulai dari Peraturan
Menteri Keuangan, Peraturan Direktur Jenderal Kekayaan Negara, hingga dirinci
ke dalam Buletin Teknis. Sosialisasi juga banyak dibuat dan sharing
knowledge juga dilakukan untuk menyempurnakan pengendalian akurasi nilai
oleh penilai pemerintah. Pada akhir proses
penilaiannya, dilakukan juga pengendalian dengan peer review dan kaji
ulang untuk mempersiapkan pelaporannya.
Tetapi
hal itu meninggalkan pertanyaan penting yang belum terjawab: Apakah ketentuan-ketentuan dan buletin teknis
yang baru tersebut, secara fundamental
meningkatkan akurasi, konsistensi, atau objektivitas penilaian secara
keseluruhan sebagai metode penilaian?
Atau malah menjebak penilai pada sebuah metode yang cenderung menghasilkan
bias?
Data
Analitik sebagai Alat Deteksi Bias
Dalam tulisannya, Mohd, dkk. (2020) menjelaskan bahwa memprediksi
nilai ini sebenarnya sangat sulit, mengingat bahwa perilaku pasar sangat
mempengaruhi hasilnya. Dengan pertumbuhan jenis properti dan selera masyarakat
terus berkembang, maka metode konvensional dalam peraturan tidaklah cukup untuk
menjaga kualitas nilai properti yang akurat. Dalam hal ini, saatnya menerapkan
data analitik sebagai alat deteksi bias.
Pemodelan dengan data analitik dapat membantu penilai
mengetahui pasar properti dengan cepat dan menangkap gambaran besar dari
kumpulan data properti yang mereka miliki. Jika dengan 3 data pembanding saja
bisa menghasilkan informasi, bagaimana dengan ratusan data. Dari penjelasan
Mohd, dkk. (2020), ada beberapa rekomendasi metode modeling dengan
implementasi yang mudah dengan akurasi tinggi untuk digunakan. Untuk
klasifikasi kelas nilai properti, bisa menggunakan K-Nearest Neighbour (KNN), Naïve
Bayes, atau Decision Tree. Selain itu bisa juga untuk memprediksi langsung
berapa estimasi nilai pasarnya, seperti metode pemodelan Spatial Analysis,
Hedonic Price Model (HPM), dan Fuzzy Logic System (FLS).
Dengan prediksi yang dihasilkan dari modelling
data pasar ini, kita bisa membandingkan bagaimana pasar memandang properti yang
dinilai, dengan bagaimana perspektif penilai mengambil informasi dan kesimpulan
dari pasar. Sehingga deteksi bias bisa dilakukan tidak hanya pada proses
melalui peer review dan kaji ulang, namun juga pada nilai yang dihasilkan.
Kesimpulan
Melihat
bagaimana ilmu penilaian properti
telah terus berkembang, penilai di DJKN juga terus berkembang dengan
meningkatkan kualitas peraturan dan metode penilaian propertinya. Tidak
berhenti pada automation dan desktop valuation, pengembangan teknik penilaian juga terus dilakukan. Akan tetapi, semua itu perlu diimbangi dengan
kualitas output nilainya. Salah satu pengendalian yang mungkin dilakukan
adalah dengan memanfaatkan data analitik sebagai alat untuk mendeteksi bias,
sehingga akurasi, konsistensi, dan objektivitas penilai dapat diukur dengan
indikator yang lebih jelas dan akuntabel.
***
Ditulis Oleh : Faiz Luthfi
Referensi
Agarwal, S., Ambrose, B. W., & Yao, V.
W. (2020). Can regulation de-bias appraisers? Journal of Financial
Intermediation, 44(Oct), 100827
Ding, L., & Nakamura, L. (2015). The
impact of the home valuation code of conduct on appraisal and mortgage outcome, Federal Reserve Bank of
Philadelphia Working Paper No. 15–28.
Mayer, Y. G., & Nothaft, F. E. (2022).
Appraisal overvaluation: Evidence of price adjustment bias in sales
Comparisons. Real Estate Economics, 50(3), 862-881.
Mohd, T., Jamil,
N. S., Johari, N., Abdullah, L., & Masrom, S. (2020). An overview of
real estate modelling techniques for house price prediction. Charting a
Sustainable Future of ASEAN in Business and Social Sciences, 321-338.
Shi, L., & Zhang, Y. (2015). Appraisal
inflation: Evidence from the 2009 GSE HVCC intervention. Journal of Housing Economics, 27(Mar), 71–90.
Tomal, M. (2022). Drivers behind the accuracy of self-reported home
valuations: evidence from an emerging economy. Journal of European Real
Estate Research, (ahead-of-print).