LUAS WILAYAH KOTA SURAKARTA
D. Hasil dan Analisis Data 1. Hasil Analisis Spasial 1.Hasil Analisis Spasial
2. Hasil Analisis Regresi
Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Data dalam penelitian menggunakan data cross section. Data yang digunakan tersebut diperoleh dari Badan Pusat Statistik Kota Surakarta, wawancara dengan penduduk setempat, dan agen property. Seluruh data yang digunakan diolah dan dianalisis menggunakan program E-views versi 3.0 . Adapun variabel yang akan dianalisis dalam penelitian ini adalah sebagai berikut:
commit to user
76 Tabel 4.2
Data Harga Tanah, Luas Area, Kepadatan Penduduk, Jumlah Rumah, dan Jumlah Toko Per Kelurahan Tahun 2009
Kelurahan Luas (Ha) Kepadatan Penduduk Jumlah Rumah (Unit) Jumlah Toko (Unit) Harga Tanah/m2 Pajang 155,00 15.650 5.252 525 1.800.000 Laweyan 24,83 10.298 454 110 1.350.000 Bumi 37,30 19.038 1.261 105 1.530.000 Panularan 54,40 17.785 2.668 215 1.080.000 Sriwedari 51,30 9.624 790 175 2.700.000 Penumping 50,33 11.249 1.009 268 2.520.000 Purwosari 84,40 15.241 2.141 245 3.150.000 Sondakan 78,50 15.210 2.205 257 2.700.000 Kerten 92,10 12.801 2.141 212 1.800.000 Jajar 105,50 9.134 2.763 198 1.935.000 Karangasem 130,00 7.778 1.832 196 1.800.000 Joyosuran 54,00 21.313 2.474 449 1.080.000 Semanggi 166,82 20.082 6.809 858 3.150.000 Pasar Kliwon 36,00 19.978 1.236 176 3.150.000 Baluwarti 40,70 17.337 1.342 74 450.000 Gajahan 33,90 15.446 1.350 2.452 3.600.000 Kauman 19,20 18.151 692 283 3.330.000 Kampung Baru 30,60 12.075 651 191 2.430.000 Kedung Lumbu 55,10 8.746 1.551 142 2.385.000 Sangkrah 45,20 25.551 3.132 274 360.000 Joyotakan 45,90 191,37 980 232 900.000 Danukusuman 50,80 230,09 1.404 428 1.080.000 Serengan 64,00 199,40 1.405 271 4.050.000 Tipes 64,00 212,48 1.507 260 1.620.000 Kratonan 32,40 191,14 969 188 2.700.000 Jayengan 29,30 196,72 852 237 2.250.000 Kemlayan 33,00 147,75 876 415 2.475.000
commit to user
77
Model yang digunakan dalam estimasi ini adalah:
LNTi = β0+ β1 LLA +β2 LPDD + β3LRMH +β4 LTK + ei……… (4.1)
Dimana :
LNTi : Nilai tanah dalam rupiah (dalam bentuk Log )
LLA : Luas Area pada tiap kelurahan dalam Ha (dalam bentuk Log) LPDD : Kepadatan penduduk dalam kilometer persegi (dalam bentuk Log) LRMH : Jumlah bangunan rumah dalam unit (dalam bentuk Log)
LTK : Jumlah bangunan toko dalam unit (dalam bentuk Log) ei : Faktor pengganggu
Hasil pengolahan data dilakukan dengan menggunakan program Eviews 3.0 dengan model regresi log-linear dengan tampilan data pengolahan data sebagai berikut:
Tabel 4.3
Estimasi Data dengan Model Regresi Linear dengan Metode Kuadrat Terkecil (OLS)
Dependent Variable : LNTi Method : Least Squares Date : 06/25/11 Time : 02:59 Sample : 1 27
Included observations : 27
Variable Coefficient Std.Error t-Statistic Prob.
C 15.29321 1.333069 11.47218 0.0000
LLA 0.809216 0.345934 2.339223 0.0288
LPDD 0.041189 0.058446 0.704734 0.4884
LRMH -0.962029 0.337543 -2.850096 0.0093
LTK 0.471655 0.170051 2.773604 0.0111
R-squared 0.346089 Mean Dependent Var 14.43180 Adjusted R-squared 0.227196 S.D. dependent var 0.596846 S.E. of regression 0.524683 Akaike info criterion 1.713532 Sum squared residu 6.056438 Schwarz criterion 1.953502
Log likelihood -18.13269 F-statistic 2.910925
Durbin-Watson stat 1.956108 Prob (F-statistic) 0.044935 Sumber : Eviews 3.0, data diolah
commit to user
78
Hasil estimasi menggunakan Eviews 3, adalah:
LNTi = 15,29321 + 0,809216 LLA + 0,041189 LPDD - 0,962029 LRMH + 0,471655 LTK + Se = (1,333069) (0,345934) (0,058446) (0,337543) (0,170051) t = (0,0000) (0,0288) (0,4884) (0,0093) (0,0111)
a. Uji Asumsi Klasik 1) Uji Multikolinear
Multikolinearitas merupakan suatu hubungan linear yang sempurna atau mendekati sempurna diantara beberapa atau semua variabel yang menjelaskan (variabel bebas) dalam model regresi. Untuk menguji ada tidaknya multikolinearitas dalam suatu model empirik dapat dilakukan dengan menggunakan korelasi parsial yang disarankan oleh Farrar dan Gruber (1967). Pengujian yang mengidentifikasi tentang ada tidaknya masalah keterkaitan antar variabel independen atau variabel penjelas. Pengujian ini menggunakan pendekatan korelasi parsial, yaitu:
a) Meregres biasa dengan melihat besarnya R2 yang disebut sebagai R2 asal (R2a)
b) Meregres antar variabel independen secara bergantian.
c) Memperhatikan besar R2 pada masing masing hasil regresi antar variabel independen tersebut
commit to user
79
d) Membandingkan R21, R22, R23, R24, dan R25 dengan kriteria jika R2a
masih lebih besar dari R21, R22, R23, R24, dan R25 maka tidak terdapat masalah multikolinier.
Hasil regresi pooled OLS, diperoleh R2a= 0,346098
Hasil olah data dengan eviews 3.0 diketahui ini hasil uji multikolinieritas sebagai berikut :
Tabel 4.4
Hasil Uji Multikolinearitas
Sumber : Eviews 3.0
Data dari tabel 4.4 dapat diketahui bahwa untuk semua korelasi variabel bebas mempunyai R2 yang lebih kecil daripada nilai R2a. Sehingga dalam model tersebut tidak terdapat masalah multikolinier pada semua variabel dependent dengan variabel independen lain. Hal ini menunjukkan bahwa semua variabel memang layak atau berguna untuk dimasukkan ke dalam model.
2) Uji Heteroskedastisitas
Heteroskedastisitas terjadi jika gangguan muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS
R2 R3a Keterangan
LNTi-LLA 0,002490 0,346098 Tidak ada masalah multikolinear LNTi-LPDD 0,006985 0,346098 Tidak ada masalah multikolinear LNTi-LRMH 0,022425 0,346098 Tidak ada masalah multikolinear LNTi-LTK 0,099384 0,346098 Tidak ada masalah multikolinear LLA-LPDD 0,036138 0,346098 Tidak ada masalah multikolinear LLA-LRMH 0,315264 0,346098 Tidak ada masalah multikolinear LLA-LTK 0,044841 0,346098 Tidak ada masalah multikolinear LPDD-LRMH 0,113813 0,346098 Tidak ada masalah multikolinear LPDD-LTK 0,001247 0,346098 Tidak ada masalah multikolinear LRMH-LTK 0,137815 0,346098 Tidak ada masalah multikolinear
commit to user
80
tidak efisien, baik dalam sampel kecil maupun sampel besar. Beberapa metode untuk mendeteksi heteroskedastisitas yaitu uji Park, uji Glejser, uji White, dan uji Breusch-Pagan-Godfrey. Pengujian heteroskedastisitas dalam penelitian ini akan menggunakan uji White. Dalam uji white ditawarkan dua jenis pengujian, yaitu: White Heteroscedasticity (no cross
term) dan White Heteroscedasticity (cross term). Untuk penelitian ini
digunakan pengujian White Heteroscedasticity (no cross term) disebabkan banyak menggunakan variabel bebas. Jika nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah heteroskedastisitas. Sebaliknya, Jika nilai probabilitas dari semua variabel kurang atau lebih kecil dari nilai taraf signifikansi 5%, maka pada model tersebut terdapat masalah heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji White Heteroscedasticity (no cross term) tersebut dapat dilihat pada tabel 4.5 sebagai berikut:
Tabel 4.5
Hasil Uji White Untuk Mendeteksi Heteroskedastik t- Statistik Prob. Keterangan
C 0,531330 0,6017 Homoskedastik LLA 0,126229 0,9010 Homoskedastik LPDD -1,013156 0,3244 Homoskedastik LRMH 0,299389 0,7681 Homoskedastik LTK -0,697628 0,4943 Homoskedastik Sumber : Eviews 3.0
Hasil data pada tabel 4.5 bahwa nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah heteroskedastisitas.
commit to user
81 3) Uji Autokorelasi
Autokorelasi merupakan suatu asumsi penting dari model linear klasik. Hal ini menandakan suatu kondisi yang berurutan diantara gangguan atau disturbansi µi yang masuk ke dalam fungsi regresi populasi. Autokorelasi didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu dan ruang. Dalam hal ini asumsinya adalah autokorelasi tidak terdapat dalam disturbansi atau gangguan µi . Adanya autokorelasi antara variabel gangguan menyebabkan penaksir tidak lagi efisien baik dalam sampel kecil maupun dalam sampel besar. Salah satu pengujiannya adalah dengan estimasi BG test maka hasilnya sebagai berikut:
Tabel 4.6 Hasil BG Test
Variabel t-Statistic Prob. Keterrangan
LLA 0.011884 0.9906 Tidak ada masalah autokorelasi LPDD -0.010046 0.9921 Tidak ada masalah autokorelasi LRMH -0.016242 0.9872 Tidak ada masalah autokorelasi LTK 0.048369 0.9619 Tidak ada masalah autokorelasi LIND 0.109329 0.9140 Tidak ada masalah autokorelasi Sumber : Eviews 3.0
Hasil dari tabel 4.6 bahwa nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah autokorelasi.
b. Uji Statistik 1) Uji t
Uji t adalah uji secara individual semua koefisien regresi yang bertujuan untuk mengetahui besarnya pengaruh dari masing-masing
commit to user
82
variabel independen terhadap variabe dependennya. Pengaruh Variabel Independen terhadap nilai tanah dengan Pengujian secara individual dari koefisien regresi masing masing variabel bebas dengan menggunakan model least square (OLS). Hasil dari estimasi tersebut adalah sebagai berikut:
Nilai t tabel = tα/2; N - K = t0.05/2; 27 – 4 = 2,069 Keterangan:
a = derajat signifikansi
N = jumlah sampel (banyaknya observasi) K = banyaknya parameter
-2,069 2,069
(1). Jika -2,069 < t.hit < 2,069 maka Ho diterima, Ha ditolak. Berarti koefisien regresi parsial variabel tersebut secara statistik tidak berpengaruh terhadap nilai tanah pada tingkat signifikansi a = 5%.
(2). Jika t.hit < -2,069 atau t.hit > 2,069 maka Ho ditolak, Ha diterima. Berarti koefisien regresi parsial variabel tersebut berpengaruh secara signifikan terhadap nilai tanah pada tingkat signifikansi a = 5%.
commit to user
83
Berikut ini adalah hasil pengujian parameter individual dengan tingkat signifikansi 5% :
(1). Koefisiensi regresi dari LLA mempunyai t hitung 0,809216 < 2,069 dimana nilai probabilitasnya 0,0288 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan,variabel LLA secara statistik berpengaruh terhadap variabel LNTi.
(2). Koefisiensi regresi dari LPPD mempunyai t hitung 0,041189 < 2,069 dimana nilai probabilitasnya 0,4884 > 0,05 maka koefisien dari regresi tersebut tidak signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LPDD secara statistik tidak berpengaruh terhadap variabel LNTi.
(3). Koefisiensi regresi dari LRMH mempunyai t hitung -2,069 < - 0,962029 < 2,069 dimana nilai probabilitasnya 0,0093 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LRMH secara statistik berpengaruh terhadap variabel LNTi.
(4). Koefisiensi regresi dari LTK mempunyai t hitung 0,471655 < 2,069 dimana nilai probabilitasnya 0,0111 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LTK secara statistik berpengaruh terhadap variabel LNTi.
commit to user
84 2) Uji Statistik F
Uji F (Overall Test) dilakukan untuk menguji apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Dengan
derajat keyakinan 95% (α = 5%), derajat kebebasan pembilang
(numerator) adalah k-1 dan penyebut (denumerator) adalah n-k.
Nilai F tabel = Fα ; K-1;N-K Nilai F tabel = F0,05 ; 4 ;23 = 2,76 Keterangan: N = jumlah sampel/data K = banyaknya parameter 2,76
(1). Jika F.hit > 2,76 maka Ho ditolak dan Ha diterima. Berarti β0, β1,
β2, β3, β4, dan β5 berbeda dengan 0 (nol) artinya dapat
disimpulkan bahwa semua koefisien regresi secara bersama-sama signifikan pada tingkat a = 5%.
(2). F.hit < 2,76 maka Ho diterima dan Ha ditolak. Berarti β0, β1, β2,
β3, β4, dan β5 tidak berbeda dengan 0 (nol) artinya dapat
disimpulkan bahwa semua koefisien regresi secara bersama-sama tidak signifikan pada tingkat a = 5%.
commit to user
85
Hasil pengolahan yang diperoleh dari model regresi dengan metode OLS (Ordinary Least Square), nilai F hitungnya adalah 2,910925 dengan probabilitas signifikansinya sebesar 0,044. Hal ini menunjukkan bahwa nilai F hitung < F tabel yaitu dengan nilai sebesar 2,910925 > 2,76 berari Ho ditolak, artinya koefisien regresi secara bersama-sama signifikan pada tingkat α = 5%. Hal ini dapat dilihat dari tingkat signifikansinya yang kurang dari 0,05 (< 0,05). Hal ini berarti bahwa variabel jumlah luas area, kepadatan penduduk, jumlah rumah, dan jumlah toko secara bersama-sama mempengaruhi nilai tanah di Kota Surakarta.