35
BAB IV
ANALISIS
Pada bagian ini akan dilakukan analisis terhadap semua proses yang dilakukan dalam pembentukan model nilai tanah baik dengan metode regresi linier maupun dengan metode GWR. Analisis terbagi menjadi empat bagian, yaitu terhadap kualitas data masukan, proses pemodelan dengan metode regresi linier, proses pemodelan dengan metode GWR dan perbandingan proses maupun hasil pemodelan dengan metode regresi linier dan metode GWR.
4.1 Analisis Kualitas Data Masukan
Data masukan yang digunakan adalah data peta bidang tanah Kecamatan Lengkong dan data harga penjualan serta harga penawaran bidang tanah di kecamatan tersebut selama kurun waktu tahun 2005 sampai tahun 2006. Data tersebut diambil dari data salah satu tesis Magister Pertanahan (Wahyudi, 2007). Berdasarkan hal tersebut maka data digolongkan sebagai data tersier.
Data harga penjualan dan penawaran bidang tanah di Kecamatan Lengkong berjumlah total 133 buah data. Dari 133 data yang terkumpul didapat persebaran data (Gambar 4.1) yang mencakup keseluruhan wilayah Kecamatan Lengkong dan tersebar secara merata.
36 Dari keseluruhan bidang tanah yang terdapat di Kecamatan Lengkong yaitu 14983 bidang, jumlah data harga sampel tersebut mencakup sekitar 0.89%a.
133
14983 Z 100% 0.89%
Jumlah data sampel tersebut dianggap cukup merepresentasikan seluruh bidang tanah yang ada namun belum tentu karakteristiknya sesuai dengan karakteristik keseluruhan bidang. Hal tersebut dikarenakan adanya kemungkinan bahwa data sampel yang tersedia merupakan data-data yang bersifat anomali seperti berada pada rentang harga yang paling tinggi ataupun sebaliknya berada pada rentang harga yang terendah dibandingkan harga bidang tanah lainnya. Selain itu ada juga kemungkinan harga sampel tersebut salah dikarenakan adanya kesalahan pencatatan PPAT, harga subjektif dari penjual/pembeli tanpa menghiraukan NJOP atau bisa jadi harga tersebut merupakan harga yang kurang baik dikarenakan kesalahan dari pemodelan NJOP sebelumnya yang dilakukan oleh Badan Penilaian PBB.
4.2 Analisis Metode Regresi Linier
Untuk menguji keterhandalan metode regresi linier dalam melakukan pemodelan dilakukan uij korelasi dan RMSe. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.1.
Metode Data Korelasi RMSe
Regresi
Linier Asli 0.062 2966347.308
Asli+ 0.261 936644.011
Penyesuaian 0.065 3006398.972 Penyesuaian+ 0.277 933094.074
Tabel 4.1 : Koefisien Korelasi dan RMSe Hasil Pemodelan Regresi Linier
Korelasi terbaik yang dicapai oleh metode regresi linier adalah 0.277 untuk set data penyesuaian+ dan korelasi terburuk adalah 0.062 untuk set data asli, hal tersebut menandakan bahwa perbedaan data masukan untuk proses regresi linier sangat berpengaruh terhadap kualitas hasil hitungan. Begitupun dengan RMSe yang diraih. RMSe terbaik yang diraih oleh metode regresi linier adalah 933094.074 untuk set data penyesuaian+ dan RMSe terburuk adalah 3006398.972
37 untuk data penyesuaian. Hal tersebut semakin memperkuat bukti bahwa kualitas data masukan menjadi salah satu masalah utama yang harus diperhatikan untuk melakukan pemodelan dengan metode regresi linier.
Data asli+ Data penyesuaian+
Data asli Data penyesuaian
Gambar 4.2 : Model Residu Nilai Tanah Hasil Pemodelan Regresi Linier
Digambarkan pada Gambar 4.2 adalah model residu nilai tanah hasil pemodelan dengan metode regresi linier. Dari gambar tersebut terlihat bahwa residu nilai tanah dengan pemodelan regresi linier mencapai rentang -3000000 sampai dengan 17000000 untuk set data asli dan penyesuaian. Untuk set data asli+ dan penyesuaian+ rentang tersebut memang lebih sempit yaitu antara -4000000 sampai dengan 3000000 namun tetap saja terlihat bahwa residu yang mencapai angka sekitar 17000000 menandakan adanya data sampel yang karakteristiknya jauh berbeda dengan data sampel lainnya meskipun belum tentu data sampel yang berbeda itu adalah data yang salah.
Selain itu dari koefisien korelasi dan RMSe pada Tabel 4.1 maupun model residu pada Gambar 4.2 dapat terlihat bahwa penyesuaian waktu transaksi pada data sampel tidak banyak berpengaruh. Nilai koefisien korelasi, RMSe, dan residu
38 antara set data asli dan set data penyesuaian maupun set data asli+ dan set data penyesuaian+ tidak berbeda jauh. Kemungkinan aturan penyesuaian waktu transaksi yang tercantum dalam Surat Edaran Dirjen Pajak No.55 Tahun 1999 tidak cocok untuk diterapkan pada pemodelan dengan metode regresi linier atau aturan tersebut sudah tidak berlaku lagi dikarenakan adanya perubahan kondisi dinamika nilai tanah dari tahun 1999 ketika aturan tersebut dikeluarkan ke tahun 2006 ketika terjadi transaksi bidang tanah.
4.3 Analisis Metode GWR
Untuk menguji keterhandalan metode regresi linier dalam melakukan pemodelan dilakukan uij korelasi dan RMSe. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.2.
Metode Bobot Data Korelasi RMSe
GWR Gauss Asli 0.224 2139894.973 Asli+ 0.300 822535.674 Penyesuaian 0.209 2175108.187 Penyesuaian+ 0.320 834580.414 Bisquare Asli 0.232 2143931.401 Asli+ 0.300 822535.393 Penyesuaian 0.219 2179120.104 Penyesuaian+ 0.320 834579.690 Tabel 4.2 : Koefisien Korelasi dan RMSe Hasil Pemodelan GWR
Korelasi terbaik yang dicapai oleh metode GWR adalah 0.320 untuk set data penyesuaian+ dan korelasi terburuk adalah 0.209 untuk set data penyesuaian, hal tersebut menandakan bahwa perbedaan data masukan untuk proses GWR tidak terlalu berpengaruh terhadap kualitas hasil hitungan. Hal yang berbeda ditunjukan oleh RMSe yang diraih. RMSe terbaik yang diraih oleh metode GWR adalah 822535.393 untuk set data asli+ dan RMSe terburuk adalah 2179120.104 untuk data penyesuaian. Hal tersebut cukup bertolak belakang dengan analisis yang didapat dari hasil koefisien korelasi bahwa kualitas data masukan tidaklah terlalu harus diperhatikan untuk melakukan pemodelan dengan metode GWR. Dari hasil RMSe perbedaan kualitas data cukup berpengaruh secara signifikan.
39 Analisis lain yang dapat diperoleh dari Tabel 4.2 adalah mengenai variasi dalam metode GWR-nya sendiri, jenis fungsi bobot yang digunakan baik Gauss maupun Bisquare tidak terlalu berpengaruh pada hasil koefisien korelasi dan RMSe. Hal tersebut kemungkinan dikarenakan bandwith optimum yang didapat sama persis antara proses dengan bobot Gauss maupun dengan bobot Bisquare (Tabel 3.7).
Data asli+ Data penyesuaian+
Data asli Data penyesuaian
Gambar 4.3 : Model Residu Nilai Tanah Hasil Pemodelan GWR
Digambarkan pada Gambar 4.3 adalah model residu nilai tanah hasil pemodelan dengan metode GWR. Dari gambar tersebut terlihat bahwa residu nilai tanah dengan pemodelan GWR mencapai rentang -5000000 sampai dengan 17000000 untuk set data asli dan penyesuaian. Untuk set data asli+ dan penyesuaian+ rentang tersebut memang lebih sempit yaitu antara -3000000 sampai dengan 5000000 namun tetap saja terlihat bahwa residu yang mencapai angka sekitar 17000000 menandakan adanya data sampel yang karakteristiknya jauh berbeda dengan data sampel lainnya meskipun belum tentu data sampel yang berbeda itu adalah data yang salah.
40 Selain itu dari koefisien korelasi dan RMSe pada Tabel 4.2 maupun model residu pada Gambar 4.23 dapat terlihat bahwa penyesuaian waktu transaksi pada data sampel tidak banyak berpengaruh
4.4 Analisis Perbandingan Metode GWR dengan Regresi Linier
Metode Bobot Data Korelasi RMSe
Regresi Linier Asli 0.062 2966347.308 Asli+ 0.261 936644.011 Penyesuaian 0.065 3006398.972 Penyesuaian+ 0.277 933094.074 GWR Gauss Asli 0.224 2139894.973 Asli+ 0.300 822535.674 Penyesuaian 0.209 2175108.187 Penyesuaian+ 0.320 834580.414 Bisquare Asli 0.232 2143931.401 Asli+ 0.300 822535.393 Penyesuaian 0.219 2179120.104 Penyesuaian+ 0.320 834579.690 Tabel 4.3 : Koefisien Korelasi dan RMSe Hasil Seluruh Pemodelan
Dari hasil uji korelasi dan uji RMSe pada Tabel 4.3 terlihat bahwa untuk setiap set data, koefisien korelasi dan RMSe dari metode GWR dengan fungsi bobot Gauss maupun Bisquare keduanya lebih baik dibandingkan koefisien korelasi dan RMSe hasil pemodelan metode regresi linier. Meskipun perbedaan yang diraih tidak terlalu signifikan pada data-data yang sudah dihilangkan blunder-nya, perbedaan tersebut tetap menandakan bahwa metode GWR terbukti dapat meningkatkan keakuratan hasil pemodelan.
Hal lain yang perlu diperhatikan adalah pada metode regresi linier perbedaan koefisien korelasi dan RMSe yang diperoleh antara set data asli dengan set data asli+ maupun antara set data penyesuaian dengan set data penyesuaian+ cukup berbeda jauh yaitu mencapai sekitar 0.2 dan 2000000. Pada metode GWR perbedaan tersebut tidak terlalu signifikan, perbedaan koefisien korelasi yang dicapai adalah sekitar 0.1 sedangkan perbedaan RMSe yang dicapai pun hanya sekitar 1200000. Hal tersebut menandakan bahwa metode GWR tidak terlalu bergantung pada kualitas data dibandingkan dengan metode regresi linier.
