Bab IV Analisis Penelitian
Dalam bab ini dilakukan pembahasan atas hasil-hasil yang diperoleh didalam penelitian.
IV.1 Analisis data
Dari hasil pengumpulan data diperoleh data-data antara lain ( hasil pengumpulan data selengkapnya dapat dilihat pada lampiran J ) :
a. Nilai tanah
Nilai tanah bersumber dari data transaksi jual-beli Pejabat Pembuat Akta Tanah (PPAT) dan data penawaran. Sebaran data jual beli maupun penawaran per kelurahan dapat dilihat pada tabel IV.1sebagai berikut:
Tabel IV.1 Sebaran data transaksi jual beli dan penawaran No Kelurahan Transaksi Penawaran
1 Cijagra 16 13 2 Turangga 29 27 3 Lingkar Selatan 7 4 4 Malabar 10 4 5 Burangrang 7 7 6 Cikawao 10 1 7 Paledang 5 0 Jumlah 84 56
dan gambar IV.1 sebagai berikut:
788500 789000 789500 790000 790500 791000 9231500 9232000 9232500 9233000 9233500 9234000
PETA SEBARAN DATA TRANSAKSI DAN PENAWARAN
0200 400 600 800 KECAMATAN LENGKONG KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
Batas Wilayah
Data Penawaran Data Transaksi
Kel. Cijagra Kel. Turangga
Kel. Lingkar Selatan Kel. Malabar
Kel. Burangrang Kel. Paledang
Kel. Cikawao
KEC. BATUNUNGGAL KEC. SUMUR BANDUNG
KEC. REGOL
KEC. BANDUNG KIDUL
Melihat sebaran data transaksi jual beli maupun penawaran pada tabel IV.1 dan gambar IV.1, pengambilan sampel cukup merata di seluruh kelurahan hanya di kelurahan Paledang tidak diperoleh data penawaran. Tetapi bila melihat jumlah data sampel secara keseluruhan dibandingkan dengan jumlah objek pajak diseluruh Kecamatan Lengkong yang berjumlah 14.538 op, sangat kecil hanya berkisar 1 %.
Deskripsi statistik dari data transaksi jual beli dan penawaran dapat dilihat pada tabel IV.2 sebagai berikut:
Tabel IV.2 Deskripsi statistik data sampel
No Jenis Deskripsi Transaksi Penawaran
1 Jumlah Data 84 56 2 Minimum 393.743 410.051 3 Maximum 5.079.974 4.108.108 4 Jumlah 136.192.150 96.665.240 5 Rata-rata 1.621.335 1.726.165 6 Simpangan Baku 884.696,89 563.840,2
Dari deskripsi statistik data sampel pada tabel IV.2 nilai minimum transaksi sebesar Rp. 393.743,- dan maksimum sebesar Rp. 5.079.974,- mempunyai
range yang lebih sempit jika dibandingkan NJOP untuk Kecamatan Lengkong
yang berkisar antara Rp. 243.000,- sampai dengan Rp. 6.805.000,-, hal ini dapat mempengaruhi prediksi nilai yang dihasilkan.
b. Jarak tempuh terpendek
Hasil pengukuran jarak tempuh terpendek menunjukkan korelasi yang lemah terhadap nilai tanah. Pada Tabel III.3 dapat dilihat nilai korelasi variabel jarak dengan nilai tanah hanya berkisar antara 0,077 sampai dengan 0,165. Sebaliknya hubungan antara variabel jarak dengan variabel jarak yang lain bervariasi dari yang lemah sebesar 0,017 sampai dengan 0,971 mendekati sempurna. Hal tersebut mengindikasikan adanya hubungan kolinieritas diantara variabel jarak, atau variabel jarak yang satu merupakan fungsi linier dari variabel jarak yang lain.
Hubungan jarak tempuh terpendek dari Bandung Super Mall (BSM) sebagai contoh, dengan nilai tanah dapat dilihat pada diagram pencar gambar IV.2 sebagai berikut: 0 1000000 2000000 3000000 4000000 5000000 6000000 Nilai Tanah 500 1000 1500 2000 2500 3000 3500 4000 BSM
Gambar IV.2 Diagram pencar nilai tanah dengan jarak dari BSM
Jika dilihat pada gambar IV.2 sebaran titik data sangat acak, hal ini menunjukkan hubungan yang lemah antara data jarak dari BSM dengan nilai tanah.
c. Jarak buffer
Jarak buffer dari jalan, yang diperoleh dari peneliti terdahulu dapat dilihat hubungannya dengan nilai tanah dengan menggunakan diagram pencar pada gambar IV.3 sebagai berikut:
0 1000000 2000000 3000000 4000000 5000000 6000000 Nilai Tanah 0 200 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 JL_GURAME
Jl Gurame dipilih sebagai contoh karena Jl Gurame memiliki korelasi paling tinggi dengan nilai tanah dibanding dengan jarak dari jalan lainnya. Dapat dilihat dari gambar IV.3 bahwa pola hubungan antara jarak dari jalan dengan nilai tanah sangat acak.
d. Lebar jalan
Pola hubungan antara variabel lebar jalan dengan nilai tanah dapat dilihat pada gambar IV.4, dimana letak dan arah sebaran data mengikuti dan dekat dengan garis linier yang dibentuk oleh kedua variabel. Hal ini sesuai dengan tingkat korelasi antara lebar jalan dengan nilai tanah yaitu sebesar 0,667, cukup signifikan mempengaruhi nilai tanah dan terbukti variabel ini lolos uji pada ketiga alternatif model.
0 1000000 2000000 3000000 4000000 5000000 6000000 Nilai Tanah 0 2 4 6 8 10 12 14 16 LBR_JLN
Gambar IV.4 Diagram pencar nilai tanah dengan lebar jalan
e. Lebar sisi depan
Hasil pengukuran lebar sisi depan objek memiliki korelasi yang tidak signifikan dengan nilai tanah, hanya sebesar 0,104. Tingkat korelasi tersebut juga dapat dilihat pada diagram pencar hubungan lebar sisi depan dengan nilai tanah pada gambar IV.5 dibawah ini. Sebaran data sangat acak dan tidak mengikuti arah garis linier yang ada, Hal ini menunjukkan nilai tanah di wilayah Kecamatan Lengkong tidak dipengaruhi secara signifikan oleh lebar sisi depan objek.
0 1000000 2000000 3000000 4000000 5000000 6000000 Nilai Tanah 2 4 6 8 10 12 14 16 18 20 22 24 26 28 LBR_DPN
Gambar IV.5 Diagram pencar nilai tanah dengan lebar sisi depan
f. Luas tanah
Variabel luas tanah mempunyai nilai korelasi yang cukup besar yaitu 0,384 jika dibanding variabel lainnya, walaupun tetap tidak signifikan. Pola hubungan antara luas tanah dengan nilai tanah dapat dilihat pada gambar IV.6. walaupun masih acak tetapi letak dan arah data sudah berada dekat dan mengikuti arah garis linier.
0 1000000 2000000 3000000 4000000 5000000 6000000 Nilai Tanah 0 100 200 300 400 500 600 700 800 900 1000 LUAS_TNH
Gambar IV.6 Diagram pencar nilai tanah dengan luas tanah
IV.2 Analisis Model IV.2.1 Model Regresi
a. Hasil Reduksi variabel bebas
Dalam penelitian digunakan 66 buah variabel bebas sebagai masukan awal. Selanjutnya dilakukan reduksi variabel yang bertujuan untuk meningkatkan
derajat kebebasan (degrees of freedom) dari model yang akan dibangun pada tahap selanjutnya. Tahapan yang dilakukan dalam reduksi tersebut adalah: 1. Analisis korelasi antara variabel bebas dan nilai tanah
Berdasarkan matriks korelasi r dapat dilihat bahwa korelasi antara variabel-variabel bebas dan nilai tanah rata-rata tidak signifikan. Nilai korelasi terendah ada pada SMPN_13 sebesar -0,008 dan tertinggi ada pada variabel lebar jalan yaitu sebesar 0,667 dan merupakan satu-satunya variabel yang mempunyai nilai korelasi signifikan (diatas 0,5). Sebaliknya korelasi antar variabel bebas rata-rata signifikan bahkan sebagian diatas 0,9 mendekati sempurna. Antar variabel bebas cenderung menunjukkan suatu kombinasi linear tertentu yang kuat, yang dapat ditafsirkan bahwa sebagian variabel bebas tertentu dipengaruhi dengan sangat kuat oleh variabel bebas yang lain atau telah terjadi gejala multikolinieritas.
2. Regresi metode stepwise
Setelah memperhatikan tingkat korelasi antara variabel bebas dengan nilai tanah maupun antar variabel bebas, perlu dilakukan reduksi variabel agar dapat meningkatkan derajat kebebasan maupun mengurangi gejala multikolinieritas antar variabel. Dengan menggunakan regresi metode
stepwise didapatkan variabel-variabel yang dianggap signifikan
mempengaruhi nilai tanah dalam masing-masing model (tabel III.5). b. Uji model regresi
Uji model dilakukan dalam rangka untuk mendapakan model yang baik sesuai dengan kaidah-kaidah dalam regresi.
1. Uji a priori ekonomi
Uji ini dilakukan untuk melihat apakah variabel bebas mempunyai hubungan yang sesuai dengan a priori ekonomi. Untuk variabel jarak terhadap pusat perdagangan, fasilitas pendidikan, fasilitas kesehatan dan jalan seharusnya variabel bertanda negatif untuk model dengan jarak asli dan bertanda positif untuk model dengan jarak resiprokal. Hal ini sesuai dengan anggapan ekonomi bahwa semakin jauh atau besar jarak suatu bidang tanah dari variabel acuan tersebut maka nilai tanah semakin rendah. Sedangkan terhadap variabel endogen nilai tanah mempunyai hubungan
yang positif. Pada tabel III.6 dapat dilihat beberapa variabel menunjukkan tanda hasil (tanda koefisien) tidak sesuai dengan hipotesis ditunjukkan dengan tanda (*). Mengacu kepada ketentuan pemodelan secara analisis regresi, maka apabila tidak lolos dalam salah satu pengujian maka variabel tersebut tidak dapat dipertahankan dan harus dikeluarkan dari model tersebut. Pada tabel III.6 juga dapat dilihat bahwa variabel yang tidak lolos uji apriori ekonomi di salah satu model cenderung tidak lolos uji di semua alternatif model lainnya.
2. Uji t
Uji ini dilakukan untuk melihat apakah variabel model secara individu berpengaruh terhadap variabel terikatnya. Uji t dilaksanakan pada tingkat kepercayaan 95% ( α = 0,05) dengan t tabel sebesar 1,96. Pada pengujian ini beberapa variabel tidak lolos dengan tanda (*) seperti STIE Nasional pada model aditif dengan jarak asli menggunakan variabel eksogen dan endogen, hal ini menunjukkan variabel jarak dari STIE Nasional secara individu tidak signifikan mempengaruhi nilai tanah di Kecamatan Lengkong. Pada saat melakukan uji t terdapat beberapa variabel yang mempunyai tanda tidak sesuai dengan a priori ekonomi dengan tanda (**) walaupun sudah lolos uji a priori ekonomi sebelumnya seperti jarak dari Jl. Dalem Kaum dan jarak dari Univ. langlangbuana.
3. Uji F
Uji ini dilakukan untuk melihat apakah variabel model secara bersama-sama berpengaruh terhadap nilai tanah. Dari uji ini beberapa model tidak lolos uji (*) dalam arti variabel model yang ada secara bersama-sama tidak dapat menjelaskan variabel terikatnya. Pada model menggunakan variabel eksogen saja, hanya model aditif dengan jarak resiprokal yang lolos uji, sedangkan model menggunakan variabel eksogen dan endogen terdapat tiga model yang lolos uji yaitu model aditif dengan jarak resiprokal, multiplikatif dengan jarak asli dan multiplikatif dengan jarak resiprokal. 4. Uji Multikolinieritas
Uji ini digunakan untuk mengetahui adanya hubungan linier diantara variabel-variabel bebas dalam model yang ditunjukkan dengan adanya
derajat kolinieritas yang tinggi diantara variabel bebas. Dari uji ini dari semua varibel model yang ada bebas dari gejala multikolinieritas yang ditunjukkan dengan nilai Variance inflation Factor (VIF) dibawah 10. 5. Uji Heteroskedastisitas
Heteroskedastisitas adalah suatu keadaan adanya varian yang tidak konstan dari variabel pengganggu. Dalam penelitian ini fenomena heteroskedastisitas dikenali dengan pengujian rank korelasi Spearman. Model aditif (1/x) menggunakan variabel eksogen saja terdapat tiga variabel yang terdapat gejala heteroskedastisitas (*) yaitu variabel jarak dari Jl A Yani, jarak dari Jl Dalem kaum dan jarak dari SMP. Untuk model menggunakan variabel eksogen dan endogen dari ketiga model tersisa yaitu aditif (1/x), multiplikatif (x) dan (1/x) terdapat dua variabel yang mengandung gejala heteroskedastisitas yaitu variabel jarak dari Puskesmas Suryalaya dan variabel Luas Tanah. Nilai t hitung hasil perhitungan korelasi spearman lebih besar dari nilai t tabelnya.
c. Pemilihan model regresi
Pemilihan model dilakukan dengan memperhatikan nilai Adjusted R2 yang tertinggi dari keempat model yang lolos uji. Dari nilai Adjusted R2 dipilih model aditif (1/x) menggunakan variabel endogen dengan nilai Adjusted R2 sebesar 0,662 dibandingkan tiga model lainnya. Selengkapnya deskripsi statistik model aditif (1/x) menggunakan variabel endogen dapat dilihat pada tabel III.11.
d. Model empiris nilai tanah regresi
Setelah melalui berbagai tahap pengolahan data dengan metode regresi, maka diperoleh model aditif dengan jarak resiprokal (1/x) yang paling akurat berdasarkan data yang ada, dengan persamaan matematis yang merupakan turunan dari rumus II.1 sebagai berikut :
NTE = 1.663.267 + 465.537 * LJ + 245.597 * DK + 159.876 *AY + 152.289
* SMP + 142.890 SDP (IV.1)
Dimana :
LJ = Lebar jalan, dalam meter
DK = Jarak dari jalan Dalem Kaum dalam bentuk jarak resiprokal (1/x), dalam meter
AY = Jarak dari jalan Ahmad Yani dalam bentuk jarak resiprokal (1/x), dalam meter
SMP = Jarak dari SMP dalam bentuk jarak resiprokal (1/x), dalam meter SDP = Jarak dari SD Pelita dalam bentuk jarak resiprokal (1/x), dalam
meter
Dari model empiris yang terbentuk, dapat diinterpretasikan sebagai berikut: 1. Apabila semua variabel yang diamati tidak berubah atau sama dengan nol
(ceteris paribus), maka rata-rata nilai tanah adalah sebesar Rp. 1.663.267,-per m2;
2. Variabel lebar jalan mempunyai pengaruh positif terhadap nilai tanah dengan nilai 465.537, yang berarti semakin lebar jalan selebar 1 meter, maka akan menaikkan nilai tanah sebesar Rp 465.537,- dengan asumsi variabel yang lain tidak berubah (ceteris paribus);
3. Variabel resiprokal jarak dari jalan Dalem Kaum mempunyai pengaruh positif terhadap nilai tanah dengan nilai 245.597, yang berarti semakin dekat jarak dari jalan dalem kaum sejauh 1 meter, maka akan menaikkan nilai tanah sebesar Rp 245.597,- dengan asumsi variabel yang lain tidak berubah (ceteris paribus);
4. Variabel resiprokal jarak dari jalan Ahmad Yani mempunyai pengaruh positif terhadap nilai tanah dengan nilai 159.876, yang berarti semakin dekat jarak dari jalan dalem kaum sejauh 1 meter, maka akan menaikkan nilai tanah sebesar Rp 159.876,- dengan asumsi variabel yang lain tidak berubah (ceteris paribus);
5. Variabel resiprokal jarak dari SMP mempunyai pengaruh positif terhadap nilai tanah dengan nilai 152.289, yang berarti semakin dekat jarak dari SMP sejauh 1 meter, maka akan menaikkan nilai tanah sebesar Rp 152.289,- dengan asumsi variabel yang lain tidak berubah (ceteris
6. Variabel resiprokal jarak dari SD Pelita mempunyai pengaruh positif terhadap nilai tanah dengan nilai 142.890, yang berarti semakin dekat jarak dari SD Pelita sejauh 1 meter, maka akan menaikkan nilai tanah sebesar Rp 142.890,- dengan asumsi variabel yang lain tidak berubah (ceteris
paribus);
e. Validasi model regresi
Validasi dilakukan untuk mengetahui tingkat akurasi, tingkat kewajaran hasil estimasi dan tingkat keseragaman penilaian dari model .
1. Tingkat akurasi model
Nilai COV dari model aditif sebesar 65,3%, menunjukkan bahwa tingkat akurasi model dalam mengestimasi nilai tanah kurang baik, karena nilai COV berada jauh di atas batas tolerasi maksimum yang diperkenankan yakni 10% (Eckert, 1990).
2. Tingkat kewajaran nilai estimasi
Nilai PRD dari model aditif adalah sebesar 1,156. Hal ini menunjukan bahwa tingkat kewajaran estimasi nilai tanah dari model masih belum cukup baik karena nilai PRD yang dihasilkan sudah berada diluar batas toleransi yang diperkenankan yaitu antara 0,98 sampai dengan 1,03 (Eckert, 1990). Hal ini berarti nilai estimasi dari nilai tanah telah terjadi progresivitas, artinya nilai tanah yang tinggi dinilai lebih tinggi dan nilai tanah yang rendah dinilai lebih rendah dari yang seharusnya.
3. Tingkat keseragaman penilaian
Nilai Koefisien Dispersi (COD) dari model aditif adalah sebesar 43,1%. Hal ini menunjukan bahwa tingkat keseragaman dari penilaian belum cukup baik karena masih berada diluar batas toleransi yang diperkenankan yaitu ≤ 20% untuk tanah kosong/vacant land (IAAO, 2003).
IV.2.2 Model JST
Pengolahan data metode JST menggunakan dua alternatif model yaitu model menggunakan jarak asli dan model menggunakan jarak resiprokal.
a. Pembentukan model menggunakan metode JST
Pembentukan model diawali dengan pemilihan variabel yang akan digunakan pada model. Hasil pemilihan variabel dapat dilihat pada tabel III.13 dan tabel III.14. Model dengan jarak asli terdapat 44 variabel mempunyai koefisien determinasi R2 diatas 50% meliputi variabel pusat perdagangan sebanyak 2 variabel, variabel sekolah sebanyak 19 variabel, variabel perguruan tinggi sebanyak 4 variabel, variabel fasilitas kesehatan sebanyak 4 variabel, variabel jalan sebanyak 13 variabel dan 2 variabel endogen berupa lebar jalan dan lebar depan. Model dengan jarak resiprokal terdapat 31 variabel mempunyai koefisien determinasi R2 diatas 50% meliputi variabel pusat perdagangan sebanyak 2 variabel, variabel sekolah sebanyak 15 variabel, variabel perguruan tinggi sebanyak 2 variabel, variabel fasilitas kesehatan sebanyak 3 variabel, variabel jalan sebanyak 6 variabel dan 3 variabel endogen berupa lebar jalan, lebar depan dan luas tanah.
Hasil pembentukan model menggunakan variabel yang terseleksi menghasilkan model JST dengan akurasi seperti tertera pada tabel III.15. Model JST menggunakan jarak asli mempunyai akurasi lebih baik dibandingkan dengan model dengan jarak resiprokal.
b. Model empiris nilai tanah JST
Arsitektur JST sederhana dapat membentuk persamaan regresi menggunakan lapisan tunggal, yaitu n buah masukan dan 1 keluaran, dengan fungsi aktifasi berupa fungsi linier. Jaringan syaraf tiruan lapisan tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini dapat ditanggulangi dengan menambahkan lapisan tersembunyi diantara lapisan masukan dan lapisan keluaran. Lapisan tersembunyi dapat meningkatkan performansi jaringan, tetapi mempersulit dan memperlama proses pembelajaran.
Pada model terpilih lapisan tersembunyi mendistribusikan 44 input dari lapisan masukan kepada 88 node. output node lapisan tersembunyi dapat dirumuskan sebagai berikut (sebagai turunan dari rumus II.1):
Dimana:
H = output node lapisan tersembunyi
v = nilai bobot input lapisan masukan ke lapisan tersembunyi X = nilai input lapisan masukan
Keluaran ke 88 node lapisan tersembunyi merupakan input bagi node lapisan keluaran. Nilai node lapisan keluaran dapat dihitung dengan menggunakan persamaan berikut (sebagai turunan dari rumus II.1):
Y = g(H) = g(f(x)) = w1H1+ w2H2+ w3H3+ … + w88H88+ bk (IV.3)
Dimana:
Y = output node lapisan keluaran yang berupa nilai tanah w = nilai bobot input lapisan tersembunyi ke lapisan keluaran H = nilai input lapisan tersembunyi
c. Validasi model JST
Validasi dilakukan untuk mengetahui tingkat akurasi, tingkat kewajaran hasil estimasi dan tingkat keseragaman penilaian dari model .
1. Tingkat akurasi model
Nilai COV dari model JST sebesar 38,9%, menunjukkan bahwa tingkat akurasi model dalam mengestimasi nilai tanah kurang baik, karena nilai COV berada di atas batas tolerasi maksimum yang diperkenankan yakni 10% (Eckert, 1990). Untuk dapat meningkatkan akurasi model maka sebaiknya dilakukan tahap belajar menggunakan data sampel yang lebih banyak dan tingkat pembelajaran (learning rate) yang lebih baik.
2. Tingkat kewajaran nilai estimasi
Nilai PRD dari model JST adalah sebesar 1,018. Hal ini menunjukan bahwa tingkat kewajaran estimasi nilai tanah dari model cukup baik karena nilai PRD yang dihasilkan berada didalam batas toleransi yang diperkenankan yaitu antara 0,98 sampai dengan 1,03 (Eckert, 1990). Hal ini berarti nilai estimasi dari nilai tanah tidak terjadi progresivitas maupun regresivitas.
3. Tingkat keseragaman penilaian
Nilai COD dari model JST adalah sebesar 31,8%. Hal ini menunjukan bahwa tingkat keseragaman dari penilaian belum cukup baik karena masih berada diluar batas toleransi yang diperkenankan yaitu ≤ 20% untuk tanah kosong/vacant land (IAAO, 2003).
IV.3 Pembahasan
Analisis penelitian dilakukan pertama, untuk mengetahui pengaruh pengunaan jarak tempuh dibandingkan dengan jarak lurus. Kedua, penambahan variabel endogen terhadap akurasi model dibandingkan apabila hanya menggunakan variabel eksogen jarak saja. Ketiga, untuk mendapatkan model nilai tanah yang lebih baik antara model Analisis Regresi Berganda dan model JST. Keempat, untuk mengetahui pengaruh penggunaan jarak dalam bentuk resiprokal dibandingkan penggunaan jarak dalam bentuk asli.
IV.3.1 Analisis pengunaan jarak tempuh dan jarak lurus
Dalam penelitian ini ukuran variabel jarak dari pusat perdagangan, fasilitas pendidikan dan fasilitas kesehatan didapatkan menggunakan metode pengukuran jarak tempuh terpendek. Penelitian sebelumnya yang dilakukan oleh Diddy Wahyudi Imawan ukuran variabel jarak didapatkan menggunakan metode jarak lurus. Hasil ukuran jarak dari kedua metode dapat dilihat pada tabel IV.3 dengan mengambil sampel jarak dari Alun-alun dan jarak dari SD Suryalaya sebanyak 20 buah.
Tabel IV.3 Perbandingan jarak tempuh dan jarak lurus
Data Jarak Tempuh Jarak Lurus Sampel Alun-alun SD Suryalaya Alun-alun SD Suryalaya 1 3,117 1,520 2,207 1,080 2 3,176 1,338 2,291 974 3 3,066 1,362 2,186 1,061 4 3,314 966 2,561 756 5 3,875 674 2,896 347 6 4,080 331 2,983 276 7 4,244 498 3,010 357 8 4,415 285 3,391 155 9 4,682 598 3,497 292 10 4,321 402 3,358 260 11 4,760 1,060 3,914 746 12 4,817 713 3,718 476 13 4,604 766 3,376 356
Tabel IV.3 Perbandingan jarak tempuh dan jarak lurus (lanjutan)
Data Jarak Tempuh Jarak Lurus Sampel Alun-alun SD Suryalaya Alun-alun SD Suryalaya 14 4,662 824 3,356 483 15 4,753 700 3,548 381 16 4,929 956 3,529 468 17 3,397 1,513 2,504 873 18 3,391 1,475 2,645 1,140 19 3,671 1,247 2,832 1,044 20 3,731 1,296 2,887 1,031
Perbandingan kondisi data dapat dilihat lebih jelas pada diagram garis kedua jenis data pada gambar IV.7 dan IV.8. Apabila dilihat dari pola naik dan turunnya garis hampir sama, hanya ukuran jarak tempuh lebih jauh dibanding jarak lurus. Dapat disimpulkan metode pengukuran jarak tempuh tidak memberikan perbedaan hasil yang signifikan terhadap kondisi data dibanding jarak lurus.
Gambar IV.8 Perbandingan jarak dari SD Suryalaya
Apabila dilihat dari penggunaan jarak tempuh didalam model jika dibandingkan dengan penelitian terdahulu, dalam penelitian ini didapatkan hasil:
a) Pada model akhir regresi terdapat dua variabel jarak tempuh yang dapat melewati semua pengujian yaitu jarak dari SMP dan jarak dari SD Pelita. Pada penelitian terdahulu untuk metode regresi tidak ada satu pun variabel jarak yang lolos uji.
b) Pada model JST, variabel yang memliki nilai koefisien determinasi R2 diatas 50% diantaranya variabel jarak menggunakan jarak tempuh terpendek sebanyak 29 variabel dari keseluruhan 44 variabel. Pada penelitian terdahulu terdapat 17 variabel jarak yang memiliki nilai R2 diatas 50%.
Penelitian terdahulu memiliki hasil model JST yang lebih baik dengan koefisien determinasi sebesar 0,96 dan kesalahan estimasi sebesar Rp. 149.320,- untuk seluruh data sampel.
1. Analisis penggunaan jarak asli dan resiprokal
Model aditif dengan jarak asli tidak ada yang lolos pengujian. Model aditif dengan jarak resiprokal lolos uji dengan nilai R2 sebesar 0,662 dengan lima variabel tersisa. Model multiplikatif dengan jarak asli maupun jarak resiprokal mempunyai R2sebesar 0,551 dengan variabel yang lolos uji yaitu lebar jalan. Penggunaan jarak resiprokal (1/jarak) memberikan hasil yang berbeda bila digunakan untuk model aditif (linier), tetapi kurang memberikan pengaruh untuk model multiplikatif (non linier). Model JST menggunakan jarak asli mempunyai R2 sebesar 0,87 dan RMSe sebesar Rp. 283.790,- untuk semua data penelitian. Sedangkan Model JST menggunakan jarak resiprokal mempunyai R2 sebesar 0,63 dan RMSe sebesar Rp. 503.240,-. Penggunaan jarak dalam bentuk resiprokal menghasilkan model yang lebih baik untuk metode regresi, sedangkan penggunaan jarak asli menghasilkan model yang lebih baik untuk metode JST.
Penelitian terhadap penggunaan variabel eksogen dan endogen dilakukan hanya didalam metode regresi. Analisis dilakukan dengan cara membandingkan model akhir yang terbentuk dengan menggunakan variabel eksogen saja maupun model yang menggunakan variabel eksogen dan endogen. Analisis juga dilakukan dengan cara membandingkan estimasi nilai tanah hasil model terhadap nilai tanah observasi. Perbandingan model akhir dapat dilihat pada tabel IV.4.
Tabel IV.4 Pengaruh penggunaan variabel endogen pada akurasi model
No Uraian Model Aditif (1/x) dengan variabel Eksogen Model Aditif (1/x) dengan variabel Eksogen + Endogen 1 Adjusted R2 0,024 0,662 2 Std. Error of Estimate 762.654 448.550 3 Signifikansi F 4,386 55,525
Dari tabel IV.4 dapat dilihat bahwa dengan adanya penambahan variabel endogen berupa lebar jalan di depan objek, keakuratan dan kemampuan model dalam menjelaskan nilai tanah meningkat sangat signifikan dari 2,4% menjadi 66,2%, kesalahan estimasi juga menurun dari sebesar Rp. 762.654,- menjadi Rp. 448.550,-. Perbandingan nilai tanah estimasi terhadap nilai tanah observasi dapat dilihat pada diagram pencar gambar IV.9 dan IV.10 maupun peta interpolasi nilai tanah dua dimensi pada gambar IV.11 , gambar IV.12 dan gambar IV.15.
0 1000000 2000000 3000000 4000000 5000000 6000000 Estimasi nilai tanah model regresi dengan variabel eksogen 0 1000000 2000000 3000000 4000000 5000000 6000000
Nilai Tanah Observasi
0 1000000 2000000 3000000 4000000 5000000 6000000 Estimasi Nilai Tanah Model Regresi dengan Variabel Eksogen dan Endogen 0 1000000 2000000 3000000 4000000 5000000 6000000
Gambar IV.9 Diagram pencar nilai tanah model menggunakan variabel eksogen terhadap nilai tanah
observasi
Gambar IV.10 Diagram pencar nilai tanah model menggunakan variabel eksogen & endogen terhadap nilai
tanah observasi
PETA INTERPOLASI NILAI TANAH 2D HASIL MODEL REGRESI MENGGUNAKAN VARIABEL EKSOGEN
0 200 400 600 800 KECAMATAN LENGKONG
KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
400000 600000 800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 Batas Wilayah 788500 789000 789500 790000 790500 791000 9231500 9232000 9232500 9233000 9233500 9234000
Gambar IV.11 Peta interpolasi nilai tanah 2D model regresi menggunakan variabel eksogen
PETA INTERPOLASI NILAI TANAH 2D HASIL MODEL REGRESI MENGGUNAKAN VARIABEL EKSOGEN DAN ENDOGEN
0 200 400 600 800 KECAMATAN LENGKONG
KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 Batas Wilayah 788500 789000 789500 790000 790500 791000 9231500 9232000 9232500 9233000 9233500 9234000
Gambar IV.12 Peta interpolasi nilai tanah 2D model regresi menggunakan variabel eksogen dan endogen
Pada diagram pencar dapat dilihat estimasi nilai yang dihasilkan model dengan variabel eksogen saja, mempunyai rentang dari Rp. 1.400.000,- sampai dengan Rp. 2.200.000,- lebih sempit dibanding model dengan variabel endogen maupun nilai tanah observasi, dengan rentang antara Rp. 900.000,-sampai dengan Rp. 4.800.000,-. Hal ini menunjukkan keakuratan model dengan variabel eksogen dan endogen lebih baik dari model menggunakan variabel eksogen saja. Dari peta interpolasi dapat dilihat untuk model dengan variabel endogen pola sebaran warna lebih mendekati pola sebaran warna nilai tanah observasi dimana daerah dengan nilai tanah tinggi (warna merah) dan nilai tanah rendah (warna hijau) berada pada lokasi yang relatif sama. Model menggunakan variabel eksogen saja justru menunjukkan nilai yang rendah untuk lokasi yang seharusnya bernilai tinggi yaitu disekitar Alun-alun dan Pasar Kosambi. Range kelas tanah untuk model menggunakan variabel eksogen saja juga lebih sempit jika dibandingkan dengan range kelas tanah sebenarnya.
3. Analisis model metode Regresi dan model metode JST
Penelitian ini mendapatkan model terbaik metode regresi adalah model aditif dengan jarak resiprokal menggunakan variabel endogen lebar jalan dan model terbaik metode JST adalah model dengan jarak asli. Perbandingan akurasi dari kedua model dapat dilihat pada tabel IV.5
Tabel IV.5 Perbandingan akurasi model Regresi dan JST No Uraian Regresi JST Batasan
1 R2Model 0,662 0,999
-2 COV 65,3% 38,9% x ≤ 10%
3 PRD 1,156 1,018 0,98<x<1,03
4 COD 43,1% 31,8% x ≤ 20%
Dari perbandingan akurasi model yang ditunjukkan pada tabel IV.5, model JST dalam penelitian ini mempunyai akurasi yang lebih baik dibandingkan dengan model regresi. Jika dilihat dari batasan yang ditetapkan, tingkat akurasi kedua model masih kurang memuaskan, hanya tingkat kewajaran penilaian untuk model JST yang masuk toleransi tingkat kewajaran penilaian yang ditetapkan. Analisis juga dilakukan terhadap diagram pencar hubungan
nilai tanah estimasi terhadap nilai tanah observasi gambar IV.14 diatas dan gambar IV.15. 0 1000000 2000000 3000000 4000000 5000000 6000000 Estimasi Nilai Tanah Model Regresi dengan Variabel Eksogen dan
Endogen 0 1000000 2000000 3000000 4000000 5000000 6000000
Nilai Tanah Observasi
Gambar IV.13 Diagram pencar nilai tanah regresi terhadap nilai tanah observasi
0
1000000 2000000 3000000 4000000 5000000 6000000 Estimasi Nilai Tanah JST dengan Jarak Asli
0 1000000 2000000 3000000 4000000 5000000 6000000
Nilai Tanah Observasi
Gambar IV.14 Diagram pencar nilai tanah JST terhadap nilai tanah observasi Dari gambar IV.13 dan IV.14 dapat dibandingkan bahwa nilai tanah estimasi hasil JST lebih akurat mendekati nilai tanah observasi dibandingkan nilai tanah estimasi hasil regresi. Hal ini dapat dilihat dari sebaran titik-titik yang berada dekat dengan garis linier yang dibentuk oleh kedua data nilai tanah, sebaliknya sebaran titik-titik hasil Regresi berada jauh dari garis linier dan cenderung acak, tidak mengikuti arah garis. Perbandingan akurasi lebih jelas dapat dilihat pada peta interpolasi nilai tanah dua dimensi maupun tiga dimensi pada gambar IV.15 sampai dengan gambar IV.20.
PETA INTERPOLASI NILAI TANAH OBSERVASI 0 200 400 600 800 Batas Kelurahan KECAMATAN LENGKONG KOTA BANDUNG Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
200000 400000 600000 800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 5000000 5200000 788500 789000 789500 790000 790500 791000 9231500 9232000 9232500 9233000 9233500 9234000
Gambar IV.15 Peta interpolasi nilai tanah observasi 2D
PETA INTERPOLASI NILAI TANAH 2D HASIL MODEL REGRESI MENGGUNAKAN VARIABEL EKSOGEN DAN ENDOGEN
0 200 400 600 800 KECAMATAN LENGKONG
KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 Batas Wilayah 788500 789000 789500 790000 790500 791000 9231500 9232000 9232500 9233000 9233500 9234000
PETA INTERPOLASI NILAI TANAH 2D HASIL PEMODELAN MENGGUNAKAN METODE JST 0 200 400 600 800 200000 400000 600000 800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 5000000 5200000 Batas Kelurahan KECAMATAN LENGKONG KOTA BANDUNG Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
Gambar IV.17 Peta interpolasi nilai tanah model JST 2D
PETA INTERPOLASI NILAI TANAH 3D
0 200 400 600 800
Batas Kelurahan KECAMATAN LENGKONG
KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
400000 600000 800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 5000000
Gambar IV.18 Peta interpolasi nilai tanah Observasi 3D
PETA INTERPOLASI NILAI TANAH 3D HASIL PEMODELAN MENGGUNAKAN METODE REGRESI
Batas Kelurahan KECAMATAN LENGKONG
KOTA BANDUNG
Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000
PETA INTERPOLASI NILAI TANAH 3D HASIL PEMODELAN MENGGUNAKAN METODE JST 0 200 400 600 800 Batas Kelurahan KECAMATAN LENGKONG KOTA BANDUNG Dibuat oleh : Erwin Hidayanto NIM. 25106013
Sumber : Basis Data SIG KP PBB Bandung Satu Sistem Proyeksi UTM Zona 48 Southren Hemisphere
400000 600000 800000 1000000 1200000 1400000 1600000 1800000 2000000 2200000 2400000 2600000 2800000 3000000 3200000 3400000 3600000 3800000 4000000 4200000 4400000 4600000 4800000 5000000
Gambar IV.20 Peta interpolasi nilai tanah model JST 3D
Secara umum kedua model mampu menangkap fenomena di lapangan dimana seharusnya suatu lokasi bernilai tinggi atau suatu lokasi seharusnya bernilai rendah sesuai dengan kondisi di lapangan. Pada peta dua dimensi dapat dilihat lokasi yang mempunyai nilai tinggi (warna merah/ungu) berada di sekitar pusat perdagangan dalam hal ini Alun-lun dan Pasar Kosambi. Lokasi yang mempunyai nilai tinggi juga berada di sekitar jalan Buahbatu dimana terdapat beberapa sekolah yang berada di lokasi yang berdekatan. Lokasi dengan nilai tanah rendah (warna hijau) terdapat di sekitar aliran sungai cikapundung. Apabila dilihat dari pola sebaran warna peta interpolasi JST lebih menyerupai peta interpolasi nilai tanah observasi dibandingkan dengan peta interpolasi nilai tanah regresi. Pada peta interpolasi tiga dimensi lebih jelas lagi dapat dilihat keakuratan model JST dimana lokasi penelitian didominasi oleh wana kuning dengan nilai tanah berkisar antara 1.600.000,- sampai dengan 2.000.000,- sesuai nilai tanah observasi. Untuk nilai regresi didominasi oleh warna hijau dengan nilai tanah berkisar antara 1.200.000,- sampai dengan 1.600.000,-, lebih rendah jika dibandingkan dengan nilai tanah observasi.
Deskripsi statistik model nilai tanah pada tabel IV.6 menunjukkan bahwa estimasi nilai tanah hasil pemodelan menggunakan metode JST lebih mendekati kepada NJOP dibandingkan dengan hasil regresi. Nilai rata-rata
model regresi dan model JST lebih tinggi dibandingkan NJOP, hal ini menjadi potensi untuk dapat meningkatkan NJOP di wilayah Kecamatan Lengkong tahun pajak berikutnya.
Tabel IV.6 Deskripsi statistik model nilai tanah dan NJOP 2006
Regresi JST NJOP
Minimum 956.849 273.794 243.000
Maksimum 4.810.486 5.079.667 6.805.000
