Simulator Harga Apartemen yang Dikembangkan Sendiri dengan AI selama 100 Hari (Web/iOS/Android)

Halo. Saya adalah engineer yang mengembangkan Apartment Insights APT Insights, layanan analisis pasar apartemen Korea dan simulasi harga.

Karena selama ini saya terutama menangani pengembangan frontend dan visualisasi data, infrastruktur backend, antrean asinkron, statistik, serta model prediksi deret waktu adalah bidang yang sangat asing bagi saya. Saya tidak menyangka akan sampai berani membangun sendiri model prediksi harga pasar, tetapi dengan berkolaborasi aktif bersama AI agent, saya dapat mengatasi keterbatasan teknis dan menyelesaikan pengembangan solo selama sekitar 100 hari dengan 100% dipimpin oleh AI agent.

Saya mulai mempelajari pasar apartemen untuk menyiapkan tempat tinggal yang akan menjadi rumah tetap bagi anak saya saat ia tumbuh, dan awalnya proyek ini berangkat sebagai toy project pribadi untuk menyimulasikan harga masa depan kompleks kandidat tempat tinggal nyata. Setelah itu, melalui penerapan variabel makroekonomi, pemodelan statistik, dan peningkatan stack infrastruktur serverless, proyek ini berkembang menjadi layanan yang mencakup kompleks apartemen di seluruh Korea. Baru-baru ini, selain web/PWA, saya juga meluncurkan aplikasi native resmi di iOS App Store dan Google Play Store, dan membagikannya secara gratis tanpa iklan.

1. Batasan overfitting pada jawaban tunggal (Point Forecast) dan definisi masalah

Metode estimasi harga pasar dan prediksi titik tunggal (Point Forecast) yang ada mudah mengalami overfitting pada pertanyaan “berapa persisnya harga apartemen ini 24 bulan lagi”. Ini karena pasar properti sangat dipengaruhi oleh variabel makro seperti suku bunga, nilai tukar, utang rumah tangga, dan kebijakan.

Karena itu, alih-alih menyajikan satu angka jawaban pasti, saya menilai lebih praktis untuk menghitung rentang 50% tengah (P25 ~ P75) melalui simulasi probabilistik berbasis skenario.

2. Struktur pemodelan statistik & simulasi

Untuk menyelesaikannya, saya merancang mesin prediksi dalam 3 sumbu besar.

16 faktor aktif makro·struktural·regional: Menggabungkan statistik resmi Bank of Korea ECOS (suku bunga, nilai tukar, utang rumah tangga, biaya konstruksi) serta indikator kualitatif dan regional (kebijakan, sentimen, lokasi, dll.), lalu memulihkan snapshot data dari titik waktu masa lalu untuk memastikan konsistensi antarwaktu.
Koreksi residual VECM (Vector Error Correction Model): Melakukan koreksi sesuai waktu pindah dan lingkungan pasar, serta menerapkan layer koreksi momentum residual Vector Error Correction Model (VECM) yang menjaga hubungan keseimbangan jangka panjang.
Simulasi Monte Carlo & interpolasi lintasan point forecast: Menghasilkan skenario harga masa depan 24 bulan dalam rentang probabilitas P25 ~ P75 melalui interpolasi lintasan point forecast dan simulasi Monte Carlo.

3. Performa model kuantitatif dan backtest OOS yang transparan

Untuk performa generalisasi dan reliabilitas model, saya secara berkala menjalankan backtest Forward OOS berupa validasi out-of-sample 12 bulan ke depan terhadap kompleks apartemen dalam kohort evaluasi representatif dan sampel kompleks validasi generalisasi.

MAPE harga sampel holdout Forward OOS 12 bulan: 6,32% (berdasarkan kohort evaluasi resmi)
R^2 terkoreksi sampel holdout: 0,610 (berdasarkan validasi backtest kohort)
Quality gate validasi: Seluruhnya lulus
Validasi OOS acak 5 kompleks setiap hari & sorotan utama: Di halaman whitepaper teknis, hasil backtest Forward OOS 12 bulan untuk 5 kompleks yang dipilih secara acak setiap hari dipublikasikan secara transparan, dan dari sana 1 kompleks dengan median tingkat error otomatis disorot di layar utama sebagai Apartemen Validasi Hari Ini.
Pencegahan bias sampel: Untuk kompleks sampel generalisasi yang tidak termasuk dalam kohort evaluasi, tracking terpisah juga dilakukan agar kemampuan generalisasi ke kompleks di seluruh negeri terus divalidasi tanpa bias data pelatihan.

4. Peluncuran resmi di App Store/Google Play dan pembangunan multiplatform

Dalam lingkungan monorepo tunggal (pnpm workspace + Turborepo), layanan ini dirilis resmi di web, PWA, iOS App Store, dan Android Google Play Store dengan memastikan aksesibilitas dari berbagai perangkat.

Pipeline tunggal Web / PWA / Native WebView: Menjadikan infrastruktur Next.js(Vercel) sebagai server utama, lalu memperluasnya ke lingkungan aplikasi native iOS/Android melalui packaging Capacitor dan integrasi plugin native.
Penyelesaian masalah login sosial dan in-app browser: Saat login dengan Kakao, Apple, dan Google, saya membangun flow validasi OIDC Nonce serta handoff kredensial native SDK ↔ server untuk menyelesaikan masalah pemblokiran in-app browser. (Menerapkan fallback email virtual jika pengguna tidak menyetujui email Kakao)
Toolchain sinkronisasi aset otomatis: Dari satu sumber SVG, secara otomatis menghasilkan aset splash PWA (40 resolusi), launcher/splash Android, dan ikon aplikasi iOS.
Pipeline push redundan: Saat prediksi kompleks favorit berubah, Web Push dan push OS native (FCM/APNs) dipisah menjadi 2 tingkat urgensi (Strong/Normal), lalu dikirim massal melalui pipeline asinkron Cloudflare Queue / QStash.

5. Troubleshooting / pelajaran dari pengembangan berbasis AI dan infrastruktur

Saya mengembangkan secara mandiri dengan arsitektur hybrid serverless (Next.js + Neon Postgres + Cloudflare Workers + Hono + Cloudflare Queue / Upstash Redis) sambil meminimalkan biaya tetap bulanan.

Memastikan konsistensi training-serving: Saya menemukan train/serve skew, yaitu freshness (Recency) gate berbeda akibat selisih jumlah hari antara tanggal acuan window sampel saat backtest/training dan tanggal transaksi terbaru saat serving. Dengan memisahkan tanggal acuan window sampel dan menyelaraskan parameter reproduksi historis (as-of), saya mencapai konsistensi penuh antara serving dan backtest.
Katalog lazy-build on-demand: Alih-alih membuang biaya dengan mengumpulkan semua apartemen di seluruh Korea terlebih dahulu, saya menghubungkan pipeline yang secara asinkron melakukan lazy-build hanya untuk katalog wilayah (kota/kabupaten/distrik) yang dikunjungi pengguna dan transaksi nyata kompleks favorit.
Akumulasi otomatis sampel pelanggaran kualitas: Saya membangun pipeline self-diagnosis yang mengumpulkan sampel anomali yang terkena error gate dalam batch validasi acak ke storage append-only, untuk digunakan sebagai sampel prioritas perbaikan sebelum tuning model.
Mengatasi batas memori Upstash Redis terlampaui: Saat backfill data dalam jumlah besar mencapai batas memori akibat data JSON mentah, agent secara langsung memisahkannya menjadi struktur live fetch dinamis real-time untuk mencegah kebocoran biaya infrastruktur.
Koreksi batas atas bobot kebijakan: Masalah bobot kebijakan pinjaman yang melonjak tidak normal pada kompleks di rentang harga tertentu dikoreksi dengan menyuntikkan formula kalibrasi batas atas.

Jika Anda punya masukan atau pertanyaan dari sudut pandang pemodelan deret waktu properti, simulasi VECM/Monte Carlo, atau infrastruktur hybrid serverless/Capacitor, saya senang bila kita bisa berdiskusi dengan santai di komentar.

Landing utama: https://apt-insights.com
Whitepaper teknis: https://apt-insights.com/model
Aplikasi web: https://app.apt-insights.com