IV. METODE PENELITIAN
4.5 Metode Pengolahan dan Analisis Data
4.5.3 Analisis Pengaruh Faktor Penurunan Kualitas Lingkungan
Analisis faktor-faktor yang mempengaruhi harga lahan dilakukan untuk mengetahui apakah faktor penurunan kualitas lingkungan mempengaruhi harga lahan permukiman di sekitar TPAS Galuga. Analisis faktor-faktor yang mempengaruhi harga lahan dilakukan dengan model regresi linier berganda. Analisis ini dibuat untuk membuat model pendugaan terhadap nilai parameter- parameter yang menjelaskan hubungan antar variabel penjelas dan variabel respon. Metode analisis berganda merupakan metode analisis yang didasarkan pada metode Ordinary Least Square (OLS). Adapun sifat-sifat OLS adalah (Gujarati, 1997) : (1) penaksir OLS tidak bias, (2) penaksir OLS mempunyai varian yang minimum, (3) konsisten, (4) efisien, (5) linier. Menurut Gujarati (2003) analisis regresi beganda digunakan unuk membuat model pendugaan terhadap nilai suatu parameter (variabel penjelas yang diamati). Model yang dihasilkan dapat digunakan sebagai penduga yang baik jika asumsi-asumsi berikut dapat dipenuhi :
1. E (ui) = 0, untuk setiap i, dimana i = 1, 2,...., n, artinya rata-rata galat adalah
nol yaitu nilai yang diharapkan bersyarat dari ui tergantung pada variabel
bebas tertentu adalah nol.
2. Cov (ui, uj) = 0, i ≠ j, artinya covarian (ui, uj) = 0, dengan kata lain tidak ada
autokorelasi antara galat yang satu dengan galat yang lain.
3. Var (ui) = 2, untuk setiap i, dimana i = 1, 2,...., n, artinya setiap galat memiliki varian yang sama (asumsi homoskedastisitas).
4. Cov (ui, X1i) = cov (ui, X2i) = 0, artinya kovarian setiap galat memiliki varian
41 5. Tidak ada multikolinearitas, yang berarti tidak terdapat hubungan linier yang
pasti antar variabel yang menjelaskan atau variabel penjelas saling bebas. Bentuk model regresi linier berganda yang digunakan adalah:
= �0 + �1 1� + �2 2� + �3 3� + �4 4� + �5 5� +� … … … … …. . . (4.1)
estimasi parameter adalah �> 0;�1,�3,�5,�6, > 0;�2 < 0
dimana :
= harga lahan (Rp/m2)
1 = jarak tempat tinggal dengan TPAS Galuga (meter)
2 = biaya kesehatan per bulan (Rp/bulan)
3 = luas lahan (m2)
4 = biaya konsumsi air bersih (Rp/bulan)
5 = status lahan (bernilai 0 jika tidak bersertifikat dan bernilai 1 jika
bersertifikat)
�0 = konstanta
�1 − �5 = koefisien
i = responden ke i (i = 1,2,3,...,60) = galat
Variabel jarak tempat tinggal dengan TPAS Galuga diduga akan berpengaruh positif (+) terhadap harga lahan karena semakin jauh jarak tempat tinggal dengan TPAS Galuga, maka harga lahan akan semakin tinggi. Variabel biaya kesehatan diduga akan berpengaruh negatif (-) terhadap harga lahan, dimana semakin besar biaya kesehatan maka harga lahan akan semakin murah. Variabel luas lahan diduga akan berpengaruh positif (+) terhadap harga lahan, dimana semakin besar luas lahan maka harga lahan semakin mahal. Biaya konsumsi air
42 bersih diduga akan berpengaruh negatif (-) terhadap harga lahan, dimana semakin besar biaya konsumsi air bersih maka harga lahan akan semakin murah.
Variabel status lahan diduga akan berpengaruh positif (+) terhadap harga lahan karena lahan yang bersertifikat mempunyai harga jual yang lebih mahal. Variabel karakteristik lahan terdiri dari biaya kesehatan, luas lahan, status lahan, dan biaya konsumsi air bersih, sedangkan variabel jarak lahan dengan TPAS Galuga merupakan variabel kualitas lingkungan.
4.6 Uji Kesesuaian Model
Terdapat beberapa kriteria yang dapat digunakan untuk menentukan bahwa model yang telah dihasilkan adalah baik. Menurut Bappenas, model baik haruslah memenuhi kriteria teori ekonomi (theoritically meaningful), kriteria statistika yang dilihat dari suatu derajat ketepatan (goodness of fit) yang dikenal dengan koefisien determinasi (R2) serta nyata secara statistik (statistically significant) sedangkan kriteria ekonometrika menetapkan apakah suatu taksiran memiliki sifat-sifat yang dibutuhkan seperti unbiasedness, consistency, sufficiency, efficiency. Umumya digunakan tiga kriteria kesesuaian model seperti berikut :
4.6.1 Kriteria Ekonomi
Model yang di uji berdasarkan kriteria ekonomi akan dilihat tanda dan besaran tiap koefisien dugaan yang telah diperoleh. Kriteria ekonomi mensyaratkan tanda dan besaran yang terdapat pada setiap koefisien dugaan sesuai dengan teori ekonomi. Apabila model tersebut memenuhi kriteria ekonomi, maka model tersebut dapat dikatakan baik secara ekonomi.
43
4.6.2 Kriteria Statistika
Ada beberapa uji yang dapat digunakan untuk menentukan kesesuaian model regresi yang telah didapatkan secara statistika. Uji tersebut adalah sebagai berikut :
1) Uji Koefisien Determinasi (R2) dan Adj-R2
Uji koefisien determinasi menerangkan seberapa besar variabel dependent (Y) mampu dijelaskan variabel independent (X). Koefisien determinasi mengukur persentase atau proporsi total variasi dalam variabel dependent yang dijelaskan model regresi. Secara verbal, yang paling sering digunakan untuk mengukur goodness of fit garis regresi bisa menggunakan besaran R2.
Sifat dari R2 adalah besarannya yang selalu bernilai positif namun lebih kecil dari satu. Jika R2 bernilai satu berarti variabel bebas memiliki kecocokan sempurna dengan variabel endogen. Sedangkan jika R2 bernilai nol berarti model tersebut tidak terdapat kesesuaian. Rumus untuk menghitung R2 adalah :
2 =
�
dimana :
R2 = Koefisien Determinasi JKR = Jumlah Kuadrat Regresi JKT = Jumlah Kuadrat Total
Uji adj-R2 digunakan pula untuk melihat sejauh mana variabel-variabel yang terdapat di dalam model dapat menjelaskan variasi yang terjadi pada variabel tak bebasnya. Semakin besar nilai adj-R2 menunjukkan bahwa model yang didapat semakin baik. Penggunaan adj-R2 lebih disarankan daripada R2, karena R2 cenderung untuk memberikan gambaran yang terlalu baik terhadap hasil regresi.
44 Hal ini terutama terjadi saat jumlah variabel bebas dalam model cukup besar atau mendekati jumlah pengamatan (Gujarati, 2003).
2) Uji F-Statistik
Uji-F digunakan dalam membuktikan secara statistik bahwa seluruh koefisien regresi juga signifikan dalam menentukan nilai dari variabel dependent. Parameter regresi yang keseluruhan nilai sebenarnya sama dengan nol, dapat disimpulkan bahwa tidak terdapat hubungan yang linier antara variabel dependent dengan variabel independent. Uji statistik dapat dihitung dengan menggunakan rumus :
F-Hitung = R2 / k-1 (1-R2) / n-k Hipotesis :
F-Hitung > Fα(k-1,n-k), maka tolak H0
F-Hitung < Fα(k-1,n-k), maka terima H0
Jika H0 ditolak dalam kriteria uji-F berarti minimal ada satu variabel bebas
yang berpengaruh nyata terhadap total output, dan sebaliknya jika H0 diterima
berarti tidak ada satupun variabel bebas yang berpengaruh nyata terhadap output.
3) Uji p-value
Nilai p (p-value) dapat digunakan untuk menguji signifikasi model baik secara parsial maupun keseluruhan. Jika p-value lebih kecil dari taraf nyata
sebesar α, maka variabel bebas tersebut berpengaruh nyata terhadap variabel tak
bebasnya. Sebaliknya, jika p-value lebih besar dari taraf nyata sebesar α, maka variabel bebas tersebut tidak berpengaruh nyata terhadap variabel tak bebasnya.
45
4.6.3 Kriteria Ekonometrika
Pengujian dengan menggunakan kriteria ekonometrika didasarkan pada pelanggaran asumsi yang digunakan dalam metode OLS. Adanya penyimpangan terhadap asumsi BLUE (Best Linier Unbiased Estimator), maka akan diperoleh estimasi yang tidak valid. Hal-hal yang dilihat dalam kriteria ekonometrika antara lain adalah multikolinearitas dan heteroskedastisitas. Evaluasi kriteria tersebut dapat dilakukan sebagai berikut :
1) Uji Multikolinearitas
Multikolinearitas muncul jika dua atau lebih peubah (atau kombinasi peubah) bebas berkorelasi tinggi antar peubah yang satu dengan yang lainnya. Pengujian adanya multikolinearitas dapat dilakukan dengan uji Marquardt dan dapat dilihat dari nilai VIF (Varian Inflation Factor) pada masing-masing variabel bebas. Jika nilai VIF kurang dari 10 menunjukkan bahwa persamaan tersebut tidak mengalami multikolinearitas (Gujarati, 1997).
2) Uji Heteroskedastisitas
Heteroskedastisitas muncul apabila kesalahan atau residual dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Keadaan heteroskedastisitas tersebut terjadi karena beberapa sebab, antara lain :
1. Sifat variabel yang diikutsertakan ke dalam model.
2. Sifat data yang digunakan dalam analisis, data cross section lebih sering memunculkan heteroskedastisitas dibandingkan dengan data time series. 3. Untuk mengetahui ada tidaknya heteroskedastisitas pada suatu model maka
46 Heteroskedasticity Test. Pengujian ini dilakukan dengan cara melihat probabilitas Obs*R-squared-nya.
H0: = 0
H1: ≠ 0
Kriteria Uji :
Probability Obs*R-squared < taraf nyata (α), maka terima H0 Probability Obs*R-squaerd> taraf nyata (α), maka tolak H0
Jika hasil menunjukkan tolak H0 maka persamaan tersebut tidak
mengalami gejala heteoskedastisitas. Begitu sebaliknya, jika terima H0 maka
V. GAMBARAN UMUM
