Suatu ketika, ada sebuah properti yang menarik perhatian anda, lalu ketertarikan tersebut berlanjut sampai anda mencari tahu berapa nilai atau harga properti dimaksud. Mengenai harga tersebut, apakah anda terkadang penasaran mengenai bagaimana nilai properti tersebut terbentuk?

Nilai atau harga properti bisa saja dengan mudah ditemukan melalui informasi broker, namun apabila properti tersebut belum memiliki harga/nilai, maka properti bisa ditaksir oleh seorang Penilai. Dalam menentukan nilai suatu properti, Penilai mempunyai metodologi dan judgement khusus. Melalui pendekatan pasar, terdapat banyak faktor dalam menentukan nilai tersebut. Seperti karakteristik fisik (usia bangunan, kualitas bangunan, yang mengacu pada kondisi fisik properti); faktor lokasi (jarak ke CBD, aksesibilitas ke moda transportasi, dsb); serta pertimbangan lingkungan (contohnya keamanan dan tingkat kriminalitas) (Li et al., 2019; Pettit et al., 2020; Wu et al., 2019; Yuan et al., 2020; Zolnik, 2021; Zulkifley et al., 2020).

Penilaian properti selama ini lebih sering dilakukan melalui metode tradisional, seperti pendekatan pasar di atas. Namun baru-baru ini, Peneliti dari University of South Australia telah menciptakan sebuah metode penilaian properti menggunakan teknik Machine Learning (Soltani, 2022). Penilaian menggunakan Machine Learning sebenarnya bukanlah hal yang baru. Banyak penelitian sebelumnya yang juga telah memanfaatkan machine learning untuk penilaian properti karena dianggap lebih akurat dalam memprediksi harga rumah (Kang et al., 2020; Singh, 2020; Truong et al., 2020).

Seberapa Reliable Penentuan Harga Properti Menggunakan Machine Learning?

Penilaian menggunakan machine learning yang diciptakan oleh Soltani, 2022 telah divalidasi menggunakan informasi harga jual historis di metro Adelaide. Model machine learning yang digunakan juga dilakukan evaluasi menggunakan metrik evaluasi berupa adjusted-R2, Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Evaluasi model merupakan sebuah langkah penting yang bertujuan untuk menentukan seberapa akurat model yang digunakan dalam melakukan prediksi. Semakin baik hasil evaluasi, maka semakin baik model dalam melakukan prediksi.

Keunggulan dan Potensi di Masa Depan

Di era sekarang yang telah akrab dengan big data dan teknik komputasi yang canggih, Machine Learning sudah banyak digadang sebagai salah satu metode untuk dapat menentukan harga rumah dengan lebih akurat. (Kang et al., 2020; Truong et al., 2020). Dengan semakin banyaknya data terkait properti yang tersedia, maka selayaknya dilakukan pemanfaatan atas data-data tersebut. Pemanfaatan big data menggunakan metode konvensional tentunya terlalu sulit. Oleh karena itu digunakan Machine Learning untuk dapat mengolah big data tersebut. Selain itu, metode penilaian menggunakan pre-built Machine Learning juga memberikan kesempatan kepada setiap orang bisa menaksir harga suatu properti.

Hal menarik lain yang bisa dieksplorasi adalah mengidentifikasi feature importance dari model machine learning yang digunakan. Feature Importance merupakan faktor-faktor yang berpengaruh terhadap harga suatu properti. Misalkan pada penelitian Soltani, 2022 tersebut, bisa diketahui bahwa menggunakan Linear Regression, kualitas bangunan; jumlah kamar; jarak ke stasiun kereta terdekat berpengaruh positif ke harga rumah. Sedangkan jarak ke pantai terdekat dan jarak ke CBD mempengaruhi harga secara negatif. Sedangkan jika menggunakan Gradient Boosted Tree, maka ST-lag, area tempat tinggal, serta usia gedung merupakan faktor yang paling berpengaruh di antara semua faktor lain.

Dengan melakukan penilaian properti menggunakan Machine Learning, terdapat kemungkinan untuk memasukkan berbagai variabel yang tersedia, seperti perubahan suku bunga, bahkan pengaruh COVID-19 dengan memanfaatkan teknologi big data (Soltani, 2022). Pembuat kebijakan juga bisa memanfaatkan Machine Learning untuk melihat dampak dari kebijakan perencanaan kota  – seperti infill regeneration, Master-Planned Communities, gentrifikasi – dan kebijakan penyediaan infrastruktur terhadap pasar rumah.

Referensi

https://hanfela.com/2023/08/02/bisakah-menggunakan-machine-learning-untuk-menentukan-harga-properti/

Kang, Z., Catal, C., & Tekinerdogan, B. (2020). Machine learning applications in
production lines: A systematic literature review. Computers & Industrial Engineering,
149, Article 106773.

Li, H., Wei, Y. D., Wu, Y., & Tian, G. (2019). Analyzing housing prices in Shanghai with
open data: Amenity, accessibility and urban structure. Cities, 91, 165–179. https://
doi.org/10.1016/j.cities.2018.11.016

Pettit, C., Shi, Y., Han, H., Rittenbruch, M., Foth, M., Lieske, S., & Christensen, B. (2020).
A new toolkit for land value analysis and scenario planning. Environment and
Planning B: Urban Analytics and City Science, 47(8), 1490–1507.

Singh, A., Sharma, A., & Dubey, G. (2020). Big data analytics predicting real estate prices. International Journal of System Assurance Engineering and Management, 11, 208-219.

Soltani, A., Heydari, M., Aghaei, F., & Pettit, C. J. (2022). Housing price prediction incorporating spatio-temporal dependency into machine learning algorithms. Cities, 131, 103941.

Truong, Q., Nguyen, M., Dang, H., & Mei, B. (2020). Housing Price prediction via
improved machine learning techniques. Procedia Computer Science, 174, 433–442.
https://doi.org/10.1016/j.procs.2020.06.111

Wu, C., Ren, F., Hu, W., & Du, Q. (2019). Multiscale geographically and temporally
weighted regression: Exploring the spatiotemporal determinants of housing prices.
International Journal of Geographical Information Science, 33(3), 489–511.

Yuan, F., Wei, Y. D., & Wu, J. (2020). Amenity effects of urban facilities on housing prices
in China: Accessibility, scarcity, and urban spaces. Cities, 96, Article 102433. https://
doi.org/10.1016/j.cities.2019.102433

Zolnik, E. (2021). Geographically weighted regression models of residential property
transactions: Walkability and value uplift. Journal of Transport Geography, 92, Article https://doi.org/10.1016/j.jtrangeo.2021.103029

Zulkifley, N. H., Rahman, S. A., Ubaidullah, N. H., & Ibrahim, I. (2020). House Price
prediction using a machine learning model: A survey of literature. International
Journal of Modern Education & Computer Science, 12(6)