PREDIKSI SPASIAL BERDASARKAN CLUSTERING NILAI INDIKASI TANAH PADA ZONA NILAI TANAH DI KECAMATAN SAMBIKEREP.

(1)

KECAMATAN SAMBIKEREP

TUGAS AKHIR

Untuk memenuhi sebagian persyaratan dalam memperoleh gelar sarjana Teknik ( S-1 )

PROGRAM STUDI TEKNIK SIPIL

Oleh :

ANDIK FERIYANTO

0853010049

PROGRAM STUDI TEKNIK SIPIL

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

(2)

LEMBAR PENGESAHAN

TUGAS AKHIR

PREDIKSI SPASIAL BERDASARKAN

CLUSTERING

NILAI

INDIKASI TANAH PADA ZONA NILAI TANAH DI

KECAMATAN SAMBIKEREP

Disusun Oleh : Andik Feriyanto

0853010049

Telah dipertahankan dihadapan dan diterima oleh Tim Penguji Tugas Akhir Program Studi Teknik Sipil FTSP UPN ’’Veteran’’ Jawa Timur

pada tanggal, 28 November 2012

Mengetahui

Dekan Fakultas Teknik Sipil Dan Perencanaan Universitas Pembangunan Nasional ’’Veteran’’ Jawa Timur

Ir. Naniek Ratni JAR., M.Kes. NIP. 19600105 199303 2 00 1

3. Penguji III

(3)

Dengan segenap puji syukur Alhamdulillah kehadirat Allah S.W.T yang telah melimpahkan rahmat dan hidayah-Nya, sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan judul “ Prediksi Spasial Berdasarkan Clustering Nilai Indikasi

Tanah Pada Zona Nilai Tanah di Kecamatan Sambikerep“. Ini merupakan suatu syarat bagi mahasiswa dalam menempuh jenjang sarjana Strata 1 (S-1) di Fakultas Teknik Sipil dan Perencanaan UPN “Veteran” Jawa Timur.

Dalam menyelesaikan Tugas Akhir ini penulis berusaha semaksimal mungkin menerapkan ilmu yang penulis dapatkan di bangku perkuliahan dan buku–buku literatur yang sesuai dengan judul Tugas Akhir ini. Disamping ini penulis juga menerapkan petunjuk-petunjuk yang diberikan oleh dosen pembimbing. Namun sebagai manusia biasa dengan keterbatasan yang ada pada penulis menyadari bahwa Tugas Akhir ini masih jauh dari sempurna. Oleh karena itu segala saran dan kritik yang bersifat membangun dari setiap pembaca akan penulis terima demi kesempurnaan Tugas Akhir ini.

(4)

1. Ir.Naniek Ratni JAR.,M.Kes. selaku Dekan Fakultas Teknik Sipil dan Perencanaan Universitas Pembangunan Nasional “Veteran” Jawa Timur.

2. Ibnu Sholichin,ST.,MT. selaku Kepala Program Studi Teknik Sipil Universitas Pembangunan Nasional “Veteran” Jawa Timur.

3. Dra.Anna Rumintang,MT. selaku dosen pembimbing utama Tugas Akhir yang telah berkenan memberikan bimbingan, waktu dan dorongan moril selama pengerjaan Tugas Akhir sampai selesai.

4. Ir. Hendrata Wibisana MT. selaku dosen pembimbing pendamping Tugas Akhir yang telah berkenan memberikan bimbingan, waktu dan dorongan moril selama pengerjaan Tugas Akhir sampai selesai.

5. N Dita P Putra , ST.,MT. selaku dosen pembimbing Tugas Akhir yang telah berkenan memberikan bimbingan, waktu dan dorongan moril selama pengerjaan Tugas Akhir sampai selesai.

6. Ibu Ir. Siti Zainab,MT. yang telah membantu penulis dalam menyelesaikan Tugas Akhir ini.

7. Segenap dosen dan staff Program Studi Teknik Sipil UPN “Veteran” Jawa Timur.

8. Para tim penguji yang telah membantu penulis sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan lebih baik.

(5)

Febriyanto, Rizki Al Kharim, M. Faried, Devi Sri, Moch Lutfan, Abd. Hafid terimakasih atas bantuan, dukungan, dan kekompakannya.

11. My little angel Ratih Irmawati (Chicu), terimakasih atas dukungan lahir dan batin, spritual, dan moral sehingga terselesaikan Tugas Akhir ini.

12. Teman-teman Huru-hara Febri Ari, Arif Cahyono, Takrep, Koko, Rio Andriyanto Gely S, Tri Ari S, Prima A, Misbahkul M dan teman-teman FTSP Rona Arining.ST, Sekar P Arum, Meta K, Erwin Dwi.ST, Jainuddin, Komeng, Dadang, Reza, Hilman W, Feri Firmansyah, Samuel, Zaenal A, Marcio, Maria, Firman, Bayu Tri, Bayu Prayoga, Tri Wijatmika dan Wahyu Anang, Dian Eka.ST. yang tidak bisa saya sebutkan satu persatu.

13. Segenap keluarga besar Teknik Sipil UPN “Veteran” Jatim dan teman-teman Teknik Sipil khususnya angkatan 2006-2011 terima kasih atas dorongan dan semangatnya yang bermanfaat sehingga penulis dapat menyelesaikan Tugas Akhir ini.

Surabaya, 5 November 2012

(6)

DAFTAR ISI

ABSTRAK ··· i

KATA PENGANTAR ··· ii

DAFTAR ISI ··· v

DAFTAR GAMBAR ··· vii

DAFTAR TABEL ··· viii

DAFTAR RUMUS ··· ix

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah ··· 1

1.2 Rumusan Masalah ··· 2

1.3 Tujuan dan Manfaat Penelitian ··· 2

1.4 Batasan Masalah ··· 3

1.5 Lokasi Penelitian ··· 4

BAB II TINJAUAN PUSTAKA 2.1. Konsep Dasar··· 9

2.2. Metode Pengukuran Variabel ··· 10

2.3. Metode Pengukuran Jarak ··· 10

2.4. Metode Pengelompokan ··· 11

2.4.1. Metode Hirarki……….. 11

2.4.2. Metode non-hirarki ··· 15

(7)

2.8. Pemetaan Anggota Klaster ……… 20

BAB III METODOLOGI PENELITIAN 3.1. Umum ··· 21

3.2. Pengumpulan Data………. 22

3.3. Langkah – Langkah Penelitian ··· 22

BAB IV PEMBAHASAN DAN ANALISA DATA 4.1. Identifikasi Nilai Tanah……….………… 25

4.2. Regresi Nilai Tanah………..…...………..… 25

4.2.1 Regresi Linier Menggunakan Exel ··· 26

4.3 Koefisien Determinasi (R2) ……….... 27

4.4 Penggunaan Metode………... ……….... 29

4.4.1 Analisa Pengklasteran Hikrarki Menggunakan SPSS··· 29

4.4.2 Analisa Pengklasteran Hikrarki Menggunakan Excel ··· 35

4.5 Perhitungan Persentase Kenaikkan Anggota Klaster tiap Tahun…....…….….. 45

4.6 Pemetaan Anggota klaster tahun 2012………... ………….………...….... 47

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ··· 53

5.2 Saran ··· 54

(8)

DAFTAR GAMBAR

Gambar 1.1 ··· 4

Gambar 1.2 ··· 5

Gambar 1.3 ··· 6

Gambar 1.4 ··· 7

Gambar 1.5 ··· 8

Gambar 2.1 ··· 12

Gambar 2.2 ··· 13

Gambar 2.3 ··· 13

Gambar 2.4 ··· 14

Gambar 2.5 ··· 17

Gambar 3.1 ··· 24

Gambar 4.1 ··· 34

Gambar 4.2 ··· 49

Gambar 4.3 ··· 50

Gambar 4.4 ··· 51

(9)

Tabel 4.1 ··· 26

Tabel 4.2 ··· 26

Tabel 4.3 ··· 27

Tabel 4.4 ··· 28

Tabel 4.5 ··· 28

Tabel 4.6 ··· 30

Tabel 4.7 ··· 31

Tabel 4.8 ··· 32

Tabel 4.9 ··· 36

Tabel 4.10 ··· 37

Tabel 4.11 ··· 39

Tabel 4.12 ··· 41

Tabel 4.13 ··· 43

Tabel 4.14 ··· 44

Tabel 4.15 ··· 45

Tabel 4.16 ··· 46

(10)

DAFTAR RUMUS

Rumus 2.1 ··· 10

Rumus 2.2 ··· 11

Rumus 2.3 ··· 11

Rumus 2.4 ··· 18

Rumus 2.5 ··· 19

Rumus 2.6 ··· 19

(11)

KECAMATAN SAMBIKEREP

Oleh : Andik Feriyanto

ABSTRAK

Kecamatan Sambikerep adalah salah satu daerah yang sangat bagus perkembanganya, yang terdiri dari 4 kelurahan yaitu Kelurahan Lontar, Beringin, Made, dan Sambikerep. Dari

keempat kelurahan tersebut semuanya memiliki harga tanah yang beragam. Mulai dari harga yang relatif rendah sampai harga yang melonjak tinggi tergantung dari faktor- faktor dan zona yang dimiliki untuk masing–masing daerah tersebut. Data–data yang memiliki kesamaan harga dapat dikelompokkan menggunakan Metode Klastering untuk menghasilkan klaster–klaster pada setiap zona tanah yang ada di Kecamatan Sambikerep. Dari pengelompokan harga–harga tanah yang di hasilkan melalui metode Klastering akan terdapat peta menurut zona nilai tanah yang ada di wilayah Sambikerep. Peta–peta tersebut akan membentuk klaster–klaster baru menurut kelompok yang memiliki nilai harga yang sama. Dari hasil pengklasteran atau persentase tiap Kelurahan dapat disimpulkan bahwa per kelurahan terdapat 1-7 klaster, tergantung masing-masing Kelurahan. Dengan adanya pengklasteran dapat terlihat daerah yang mengalami kenaikan Nilai Indikasi Rata-rata (NIR). Dengan menggunakan hasil persentase Nilai Indikasi Rata-rata (NIR) Tanah per tahun yang mengalami peningkatan harga tanah paling tinggi tiap tahunnya adalah Kelurahan Sambikerep dan Kelurahan Made yang mengalami peningkatan 31,32 - 68,67% tiap Klaster pertahunnya, sedangkan Kelurahan Lontar dan Beringin berkisar antara 22,64% - 42,85%. Hasil prediksi tahun 2012 di Kecamatan Sambikerep menghasilkan Nilai Indikasi Rata-rata (NIR) Tanah paling tinggi sebesar Rp. 4.479.250 di Klaster 6 tahun 2012 di Kecamatan Lontar. Sedangkan paling kecil Hasil prediksi di 2012 Nilai Indikasi Rata-rata (NIR) Tanahnya sebesar Rp. 215.571 di Kecamatan Sambikerep dan Beringin.

(12)

BAB I PENDAHULUAN

1.1. Latar Belakang

Pesatnya pertumbuhan kota di wilayah surabaya barat khususnya di daerah Sambikerep banyak dipengaruhi oleh kompleksnya fungsi yang dijalankan suatu kota atau daerah tersebut. Perkembangan kota atau daerah akan selalu diikuti dengan meningkatnya permintaan tanah dan selanjutnya akan menaikkan nilai tanah pemukiman. Karena tanah mempunyai sifat yang tetap baik dalam lokasi maupun jumlahnya.

Nilai tanah pemukiman atau perumahan sangat dipengaruhi oleh faktor fisik dasar, faktor fisik geografis, faktor sarana dan prasarana, faktor fasilitas kebutuhan, dan faktor lingkungan. Kebutuhan perumahan atau pemukiman yang semakin meningkat secara langsung maupun tidak langsung akan berpengaruh terhadap nilai tanah. Penentuan nilai tanah diperlukan untuk pengendalian harga tanah yang senantiasa berubah akibat berbagai kepentingan dalam penggunaan tanah, karena sifat tanah yang bersifat dinamis atau berubah – ubah seiring dengan bertambahnya waktu, serta disebabkan adanya penggunaan yang melampaui batas.

Kecamatan Sambikerep adalah salah satu daerah yang sangat bagus perkembanganya, yang terdiri dari 4 kelurahan yaitu Kelurahan Lontar, Bringin, Made, dan Sambikerep. Dari

keempat kelurahan tersebut semuanya memiliki harga tanah yang beragam. Mulai dari harga yang relative rendah sampai harga yang melonjak tinggi tergantung dari faktor- faktor dan zona yang dimiliki untuk masing – masing daerah tersebut.

(13)

Metode Klastering untuk menghasilkan klaster – klaster pada setiap zona tanah yang ada di Kecamatan Sambikerep. Dari pengelompokan harga – harga tanah yang di hasilkan melalui metode Klastering akan terdapat peta menurut zona nilai tanah yang ada di wilayah Sambikerep. Peta – peta tersebut akan membentuk klaster – klaster baru menurut kelompok yang memiliki nilai harga yang sama.

1.2. Rumusan masalah

Permasalahan yang dapat di tulis dari latar belakang tersebut adalah:

1. Bagaimana hasil prediksi NJOP di Kecamatan Sambikerep berdasarkan NJOP pada tahun 2012?

2. Metode apakah yang paling tepat untuk mengelompokkan data Nilai Indikasi Rata-rata (NIR) Tanah tahun 2004-2012 dan menganalisa banyaknya klaster yang terbentuk di Kecamatan Sambikerep?

3. Berapa persentase kenaikan atau perpindahan antar klaster menurut Zona Nilai Tanah (ZNT) di Kecamatan Sambikerep?

4. Bagaimana pemetaan berdasarkan hasil klaster zona nilai tanah yang ada di Kecamatan Sambikerep di tahun 2012?

1.3. Tujuan dan Manfaat Penelitian

1. Untuk mendapatkan Nilai NJOP pada tahun 2012.

2. Metode Klastering untuk mengetahui profil kelompok dan jumlah yang terbentuk berdasarkan nilai tanah di Kecamatan Sambikerep sampai tahun 2012.

(14)

3

4. Untuk mengetahui daerah terdominan penilaian harga tanah untuk tiap kelompok tanah yang terbentuk berdasarkan NJOP.

1.4. Batasan Masalah

1. Nilai tanah ditentukan berdasarkan laporan data NJOP di tahun 2004 - 2010. 2. Tidak menghitung nilai jual objek pajak di tahun 2004 - 2010.

3. Tidak menghitung pajak bumi dan bangunan baik ditahun 2004 - 2010.

4. Tidak menghitung berkembangnya jumlah penduduk di Kecamatan Sambikerep. 5. Lokasi penelitian adalah Kecamatan Sambikerep Surabaya dimana terdapat persil –

persil tanah yang akan dikelompokkan berdasarkan harga tanah tersebut.

6. Pengelompokan persil tanah dengan menggunakan analisis Klastering untuk mengelompokkan persil yang memiliki karakteristik dan nilai yang sama.

(15)

1.5. Lokasi Penelitian

(Sumber: gooegle maps)

(16)

5

Gambar 1.2. Kelurahan Made

Gambar 1.3. Kelurahan Bringin

(17)

(18)

7

(19)

(20)

BAB II

TINJAUAN PUSTAKA

2.1. Konsep Dasar

Analisis Cluster merupakan salah satu analisa dalam multivariate analisis

statistika. Multivariate adalah analisis statistika yang di gunakan pada data yang terdiri dari banyak variable. Cluster juga bisa diartikan sebagai salah satu teknik yang

bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan karakteristik tertentu yang dapat di pisahkan dengan kelompok obyek lainya, sehingga obyek yang berada dalam kelompok yang sama relative lebih homogen dari pada obyek yang berada pada kelompok yang berbeda (Dillon: 1984; 157).

Jumlah kelompok yang dapat diidentifikasi tergantung pada jumlah dan variasi data obyek. Tujuan dari pengelompokan sekumpulan data obyek ke dalam beberapa kelompok yang mempunyai karakteistik tertentu dan dapat di bedakan satu sama lainya adalah untuk analisis dan interpretasi lebih lanjut untuk penilaian harga. Model yang di ambil diasumsikan bahwa data yang dapat di gunakan adalah data yang berupa data interval, frekuensi, dan biner. Set data obyek harus mempunyai peubah yang tipe sejenis tidak campur antara tipe yang satu dengan yang lainya

Secara umum proses di mulai dengan merumuskan masalah pengelompokan dengan mendefinisikan variabel–variabel yang di gunakan untuk dasar pembentukan

cluster. Kemudian pengambilan p pengukuran peubah pada m obyek pengamatan. Data

(21)

cluster adalah konsep pengukuran jarak (distance) dan kesamaan (simillary). Distance

adalah ukuran tentang jarak pisah antar obyek sedangkan simillary adalah ukuran

kedekatan. Konsep ini penting karena pengelompokan pada analisis cluster di dasarkan

pada kedekatan. Pengukuran jarak (distance type measure) di gunakan untuk data – data

yang bersifat matriks, sedangkan pengukuran kesesuaian (matching type measure) di

gunakan untuk data – data yang bersifat kualitatif.

2.2. Metode pengukuran variabel

Berdasarkan jenisnya secara umum, data dapat di bedakan menjadi dua macam yakni data kualitatif dan data kuantitatif. Data kualitatif adalah data yang dinyatakan tidak dalam bentuk angka, sedangkan data kuantitatif adalah data yang dinyatakan dalam bentuk angka. Analisis cluster berhubungan dengan pengolahan data yang

bersifat kuantitatif. Dengan demikian perlu di lakukan pengukuran (kuantifikasi) terhadap data kualitatif. Proses kuantifikasi tersebut menyebabkan data kualitatif berubah bentuk menjadi data kuantitatif. Cara pengukuran dapat di lakukan antara lain dengan memberikan bobot atau angka (Budi 2005 : 8)

2.3. Metode pengukuran jarak

Teknik – teknik dalam pengukuran jarak untuk menentukan similarity distance (Dillon

1984 :161) di antaranya adalah sebagai berikut:

1. Euclidean Distance, merupakn ukuran jarak antara dua item X dan Y

(22)

11

2. Squared Euclidean Distance, merupakan ukuran jarak antera dua iten X dan Y D(X,Y)=∑(X 1-Y1)2 ……… (2.2)

3. Pearson Correlation, korelasi antara vector nilai

S (X,Y)=(∑Z X1-ZY1)/(N-1) ………. (2.3)

Dimana ZX1 adalah nilai x yang telah di standarkan untuk item ke i dan N adalah jumlah itemnya.

2.4. Metode pengelompokan

Metode pengelompokan dalam clustering, (Dillon 1984) adalah:

2.4.1. Metode Hirarki

Teknik hirarki (hierarchial methods) adalah teknik clustering

membentuk konstruksi hirarki atau berdasarkan tingkatan tertentu seperti struktur pohon (struktur pertandingan). Dengan demikian proses pengelompokanya dilakukan secara bertingkat atau bertahap. Hasil dari pengelompokan ini dapat di sajikan dalam bentuk dendogram. Metode – metode yang di gunakan dalam teknik hirarki adalah:

1. Agglomerative Methods

Metode ini dimulai dengan kenyataan bahwa setiap obyek membentuk clusternya masing – masing. Kemudian dua obyek dengan jarak terdekat bergabung. Selanjutnya obyek ketiga akan bergabung dengan cluster yang ada atau bersama obyek lain yang membentuk cluster baru. Hal ini tetap

(23)

akhirnya membentuk satu cluster (a single cluster) yang terdiri dari keseluruhan

obyek. Ada beberapa teknik dalam Agglomerative Methods yaitu:

a) Single Iinkage (nearest neighbur methods)

Metode ini menggunakan prinsip jarak minimum yang di awali dengan mencari dua obyek terdekat dan keduanya membentuk cluster

yang pertama. Pada langkah selanjutnya terdapat dua kemungkinan, yaitu:

• Obyek ketiga akan bergabung dengan cluster yang telah

terbentuk, atau

• Dua obyek lainya akan membentuk cluster baru.

Proses ini akan berlanjut sampai akhirnya terbentuk cluster tunggal.

Pada metode ini jarak antara cluster di definisikan sebagai jarak terdekat

antar anggotanya.

jarak minimum

Klaster 1 Klaster 2

Gambar 2.1 Single Linkage

b) Complete Iinkage (furthest neighbor methods)

(24)

13

Klaster 1 Klaster 2 Gambar 2.2 Complete Linkage

c) Average linkage methods (between groups methods)

Metode ini mengikuti prosedur yang sama dengan metode sebelumnya. Prinsip ukuran jarak yang digunakan adalah jarak rata – rata antar tiap pasangan obyek yang mungkin.

Klaster 1 Klaster 2 Gambar 2.3 Average Linkage Methods

d) Variance Methods

Metode varian, mencoba menghasilkan klaster dengan

(25)

e) Ward’s Methods

Untuk setiap klaster rata – rata dari seluruh variabel dihitung, kemudian setiap obyek, jarak yuklidian kuadrat ke rata- rata klaster dihitung. Jarak ini dijumlahkan untuk semua obyek. Pada setiap tahap, dua klaster dengan kenaikan terkecil di dalam overall sum of squares within cluster distance digabung.

f) In the Centroid Methods

Jarak antara dua klaster merupakan jarak antara centroids (rata – rata dari seluruh variabel). Setiap obyek akan dikelompokkan, centroid baru dihitung.

Metode Ward

Metode Centroid

Gambar 2.4 Other Agglomertive Clustering Method

Divisive methods

Metode devisive berlawanan dengan metode Agglomerative. Metode ini

(26)

15

cukup besar akan dipisahkan sehingga membentuk cluster yang lebih kecil.

Pemisahan ini dilanjutkan sehingga mencapai sejumlah cluster yang

diinginkan.

Teknik yang di gunakan adalah splinter average distance methods.

Metode ini didasarkan pada perhitungan jarak rata – rata masing – masing obyek dengan obyek lain pada grupnya. Proses tersebut dimulai dengan memisahkan obyek dengan jarak terjauh sehingga terbentuk dua grup. Kemudian dibandingkan dengan jarak rata rata masing –masing obyek dengan group splinter dengan grupnya sendiri. Apabila suatu obyek mempunyai jarak yang lebih dekat ke group splinter daripada ke grupnya sendiri, maka obyek tersebut haruslah dikeluarkan dari grupnya dan dipisahkan ke group splinter. Apabila komposisinya sudah stabil, yaitu jarak suatu obyek ke grupnya selalu lebih kecil daripada jarak obyek itu ke group splinter, maka proses berhenti dan di lanjutkan dengan tahap pemisahan dalam grup.

2.4.2. Metode non Hirarki

Berbeda dengan metode hirarkikal, prosedur non hirarkikal (K- means Clustering) dimulai dengan memilih sejumlah nilai cluster awal sesuai

dengan jumlah yang diinginkan dan kemudian obyek digabungkan ke dalam

cluster – cluster tersebut.

1) Sequential Threshold Procedure

(27)

kemudian semua obyek yang ada di dalam jarak terdekat dengan cluster

ini akan bergabung lalu dipilih cluster kedua dan semua obyek yang

mempunyai kemiripan dimasukkan dalam cluster ini. Demikian

seterusnya hingga terbentuk beberapa cluster dengan keseluruhan obyek

di dalamnya.

2) Parallel Threshold Procedure

Secara prinsi sama dengan prosedur Sequential Threshold, keculai bahwa beberapa pusat klaster dipilih secara simultan dan obyek dalam threshold level dikelompokkan dengan pusat terdekat.

3) Optimizing Partitioning Method

The Optimizing Partitioning Method berbeda dari prosedur dua

threshold, dimana obyek selanjutnya di reassigned ke klaster untuk

mengoptimalkan suatu kriteria menyeluruh, seperti average within cluster distance untuk sejumlah klaster tertentu.

Dua kelemahan dari metode non hirarki ialah bahwa banyaknya kalster harus disebutkan / ditentukan sebelumnya dan pemilihan pusat klaster sembarang (arbitrary).

Lebih lanjut, hasil pengklasteran mungkin tergantung pada bagaimana pusat (center)

(28)

17

Gambar 2.5 Klasifikasi Prosedur Pengklasteran

Clustering Procedures

Hierarchical

Non-Hierarchical

Agglomerat ive Devisive

Sequential Threshold

Parallel Threshold

Opt imizing Part it ioning

Linkage M ethods

Variance M ethods

Centroid M ethods

Ward’s M ethods

Single M et hods Complet e Linkage

(29)

Y’ = a + bX

2.5. Nilai Jual Obyek Pajak (NJOP)

menurut Keputusan Menteri Keuangan RI No. 523/KMK.04/ 1998 tentang Penentuan Klasifikasi dan Besarnya Nilai Jual Objek Pajak Sebagai Dasar Pengenaan Pajak Bumi dan Bangunan, yaitu harga rata - rata yang diperoleh dan transaksi jual beli yang terjadi secara wajar, dimana bila tidak terdapat transaksi jual beli maka Nilai Jual Objek Pajak (NJOP) - nya dapat ditentukan melalui perbandingan harga dengan objek lain yang sejenis atau nilai perolehan baru Nilai Jual Objek Pajak (NJOP) pengganti.

Nilai Jual Obyek Pajak (NJOP) dapat ditentukan diantaranya dengan metode - metode berikut ini:

a. Melalui perbandingan harga dengan obyek lain yang sejenis (sales comparison).

b. Dengan penilaian baru, yaitu menghitung seluruh biaya yang dikeluarkan untuk rnernperoleh obyek pajak dan dikurangi penyusutan (replacement cosinew)

yang kesemuanya dalam keadaan wajar.

c. Dengan memperhitungkan nilai jual pengganti (reproduction cost), yaitu

rnenghitung nilai berdasarkan hasil produksi dan obyek pajak.

(http://www.ortax.org/ortax/?mod=aturan&page=show&id=1539)

2.6. Regresi Linier

Persamaan yang sederhana dan luas penggunaannya untuk menunjukan hubungan variable-variabel adalah persamaan linier. Persaaan garis regresi contoh seperti yang sering dikenal dalam bentuk :

(30)

19

Ket: X = variable yang diketahui (independent variable)

Y’ = variable yang diramalkan (dependent variable)

a = bilangan konstan, yang merupakan titik potong dengan sumbu vertical pada gambar kalau nilai X = 0

b = slope, yaitu koefisien kecondongan garis

Untuk mencari nilai-nilai a dan b, digunakan rumus-rumus sebagai berikut:

……… (2.5)

………. (2.6)

didalam persamaan linier, hubungan antara dua variable bila digambarkan secara grafis (dengan scatter diagram), semua nilai X dan Y yang sesuai dengan persamaan Y

= a + bX akan jatuh pada suatu garis lurus (straight line). Garis tersebut yang

dinamakan regression line (garis regresi).(sumber: subagyo Pangestu, Djarwanto” statistika induktif”).

2.8. koefisien Determinasi (R2)

koefisien determinasi adalah koefisien yang menyatakan presentase penyimpangan (keragaman) peubah bebas Y yang dapat dijelaskan peubah bebas X dalam model regrasi yang sedang di bahas. Untuk memberi interpretasikoefisien korelasi ini, maka sebaiknya memakai R2 yaitu koefisien determinasi.

R2 =

∑

−

Y) -(Yi

) ' Y (

1 Yi

(31)

Ket: Yi = variable yang diramalkan (dependent variable) Yi = (Y-Y’)2

Y’ = variable yang diramalkan (dependent variable) Y’= a+bX

ΣY = Total dari Y variable yang diketahui (independent variable)

r2_{mengggambil nilai antara 0 dan 1, bahwa nilai hanyalah antara 0 dan 1 dapat}

diterangkan sebagai berikut. Menurut dasarnya cara pendugaan kuadrat terkecil itu menyebabkan penyebut menjadi jumlah pangkat dua simpangan paling kecil diantara jumlah-jumlah pangkat dua yang mungkin dibuat dengan cara yang sama. Hasil bagi haruslah lebih kecil atau sama dengan satu. Oleh karena pembilang dan penyebut dari pembanding ini merupakan jumlah-jumlah pangkat dua, maka hasil baginya selalu positif. Dengan demikian jelaslah bahwa r2 mengggambil nilai antara 0 dan 1. (sumber: Wibisono Yusuf “metode Statistik”).

2.9. Pemetaan Anggota Klaster

(32)

BAB III

METODOLOGI PENELITIAN

3.1. Umum

Metodologi penelitian merupakan suatu rancangan yang berisi langkah-langkah dalam melakukan penelitian Tugas Akhir sehingga dapat terencana dengan baik agar tujuan dan arah permasalahaan tidak menyimpang. Metodologi penelitian berisi tentang bagaimana mendapatkan data-data yang diperlukan, perhitungan yang diperlukan dalam pengolahan data, dan menarik kesimpulan serta saran-saran yang dapat diberikan dari hasil yang diperoleh.

Pada bab ketiga ini akan dijelaskan secara detail langkah-langkah yang akan dilakukan selama penelitian dilaksanakan sehingga didapatkan hasil akhir penelitian yang diharapkan.

(33)

pembentukan klaster dan di profilkan dinyatakan dalam penambah variabel yang penting. Akhirnya, peneliti harus mengakses validitas proses pengklasteran.

3.2. Pengumpulan Data

Semua data pendukung dalam penelitian ini diperoleh dari data NJOP di Kecamatan Sambikerep. Data yang diperlukan untuk melakukan penelitian merupakan data sekunder. Kegiatan pengumpulan data sekunder meliputi :

- Data laporan transaksi.

Mengumpulkan data NJOP dalam periode tahun 2004 – 2010 di daerah Kecamatan Sambikerep, yang meliputi

Kelurahan Lontar, Bringin, Made, dan Sambikerep. Selama periode yang akan digunakan sebagai data sampel dalam pengerjaan penelitian.

3.3 Langkah - Langkah Penelitian 1. Studi Literatur

2. Merumuskan Masalah

Hal yang paling di dalam perumusan masalah analisis klaster ialah pemilihan variabel- variabel yang akan dipergunakan untuk pengklasteran ( pembentukan klaster ). Memasukkan satu atau dua variabel yang tidak relevan dengan masalah pengklasteran / pengelompokkan akan mendistorsi menghasil pengklasteran yang kemungkinan besar sangat bermanfaat.

3. Pengumpulan data sekunder yang berasal dari Badan Pendapatan Daerah Kota

(34)

23

4. Memprediksi Nilai Tanah tahun 2012 menggunakan Microsoft Excel dan Sofware SPSS17 pada masing-masing Kelurahan.

5. Memilih suatu prosedur pengklasteran menggunakan Microsoft Excel dan Sofware SPSS17 menggunakan Metode Hirarki.

6. Menentukan banyaknya klaster menurut nilai tanah atau menggunakan margin nilai tanah pada masing-masing Kelurahan.

7. Memprediksi kenaikan atau perpindahan antar klaster menurut Zona Nilai Tanah (ZNT) per tahunnya.

8. Pendigitan zona nilai tanah di Kecamatan Sambikerep menurut hasil pengklasteran pada Tahun 2012 pada masing-masing kelurahan.

(35)

Langkah – langkah pelaksanaan penelitian ini secara sistematis:

Gambar 3.1 Flowchart Studi Literatur

Pengumpulan data sekunder berasal dari Badan Pendapatan Daerah Kota Surabaya, NJOP di Kecamatan Sambikerep pada Tahun 2004-2010 dan Peta Rupabumi edisi 1-1999

Memprediksi Nilai Tanah Tahun 2012 Menggunakan Excel dan SPSS

MULAI

Memilih Suatu Prosedur Pengklasteran Menggunakan Excel dan SPSS dengan Metode Hirarki

SELESAI

Memprediksi Kenaikan atau Perpindahan antar Klaster menurut Zona Nilai Tanah (ZNT) per Tahun. Menentukan Banyaknya Klaster Menurut Nilai Tanah atau

Margin Nilai Tanah

Pemetaan Zona Nilai Tanah di Kecamatan Sambikerep menurut Hasil Pengklasteran pada Tahun 2012

(36)

BAB IV

ANALISA DAN PEMBAHASAN

4.1. Identifikasi Nilai Tanah

Hasil pengambilan data sekunder berasal dari Badan Pendapatan Daerah Pemerintah Kota Surabaya. Data tersebut melalui prosedur yang sesuai dengan aturan dalam melakukan penelitian di wilayah kota Surabaya yaitu dengan membuat surat pengantar dari universitas yang ditujukan ke Badan Kesatuan Bangsa, Politik dan Perlindungan Masyarakat (BAKESBANGPOLINMAS) yang kemudian dilanjutkan ke Badan Pendapatan Daerah Pemerintah Kota Surabaya. Data tersebut berupa data Nilai Indikasi Rata-rata (NIR) Tanah tahun 2004-2010 di kecamatan Sambikerep. Data NIR Tanah tahun 2004-2010 dapat dilihat dilampiran 1 (Data NIR Tanah di Kecamatan Sambikerep).

4.2 Regresi Nilai Tanah

Prediksi Nilai Tanah dilakukan dengan mengunakan metode Regresi Linier menggunakan Exel dan Program SPSS. Perhitungan regresi Nilai Tanah adalah sebagai berikut :

(37)

Perhitungan dengan menggunakan regresi linier ini menggunakan rumus “Y =a + b.X”. Dimana X = dimisalkan sebagai tahun dan Y = sebagai nilai tanah. Dan untuk mencari nilai a dan b digunakan rumus sebagai berikut:

a= ₂ ₂

Dengan rumus tersebut maka prediksi pada tahun 2012 dapat diselesaikan sebagai berikut :

Tabel 4.1 Data NIR Tanah pada ZNT (AA)

Zona Alamat Obyek Pajak 2004 2005 2006 2007 2008 2009 2010 2011 2012

AA JL RAYA BERINGIN

64000 82000 128000 160000 160000 160000 160000 198571 215571

Sumber : Badan Pendapatan Daerah Pemerintah Kota Surabaya

Tabel 4.2 Permodelan Regresi Linier

Sumber: Perhitungan

(38)

27

Berdasarkan hasil-hasil tersebut di atas maka dapat buat persamaan

regresinya sebagai berikut :

Berdasarkan persamaan diatas , maka Prediksi Nilai Tanah pada tahun 2012

dapat dihitung dengan memasukkan nilai X = pada tahun ke 9 adalah:

Dari hasil tersebut dapat diketahui bahwa Prediksi Nilai Tanah di tahun 2012 pada

zona AA Jl. Raya Beringin adalah Rp. 215.571. Untuk melihat prediksi harga tanah

pada semua daerah pada masing – masing kelurahan dapat ditunjukkan pada

lampiran hasil prediksi NJOP di Kelurahan Sambikerep.

4.3 Koefisien Determinasi (R2)

Perhitungan koefien determinasi (R2) pada perhitungan 4.1 regresi linier.

Dimana a = 62571 dan b = 17000 dalam persamaan linier Y’ = 62571 + 17000X,

maka diselesaikan sebagai berikut :

Tabel 4.3 Data Nilai Indikasi Rata-rata Tanah (NIR) pada ZNT (AE)

Zona Alamat Obyek Pajak 2004 2005 2006 2007 2008 2009 2010 2011 2012

AA JL RAYA BERINGIN

64000 82000 128000 160000 160000 160000 160000 198571 215571

Sumber : Badan Pendapatan Daerah Pemerintah Kota Surabaya Y’ = 62571 + 17000X

Y = 62571 + 17000X

= 62571 + 17000 (9)

(39)

Tabel 4.4 Determinasi

Sumber: Perhitungan

Sehingga diperoleh nilai R2 sebagai berikut :

Tabel 4.5 Hasil Rekapitulasi Model Regresi Setiap Kelurahan

No Kelurahan Persamaan Ket Regresi R R² Hasil Prediksi 2012

DUKUH BUNGKAL Y= 11667 + 45999X Linier 1.000 0.999 425667

JL BUNGKAL Y= 62571 + 17000X Linier 1.000 0.8484 215571

JL RAYA SAMBIKEREP Y=52142 + 30178X Linier 1.000 0.9389 323750

DK LEMPUNG Y= 57142 + 39857X Linier 1.000 0.973 415857

DUKUH KUWUKAN Y= 11667 + 45999X Linier 1.000 0.9989 413999

DUKUH LEMPUNG Y= 57142 + 39857X Linier 1.000 0.973 415857

JL BERINGIN SEKOLAHAN Y= 62571 + 17000X Linier 1.000 0.8484 215571

JL BERINGIN Y= 62571 + 17000X Linier 1.000 0.8484 215571

JL TAMAN PUSPARAYA Y= 1231428 + 69357X Linier 1.000 0.8434 1855643

JL RAYA MADE Y = 91714 + 21535X Linier 1.000 0.8441 285536

JL MADE BARAT Y = 91714 + 21535X Linier 1.000 0.8441 285536

MADE UTARA Y = 91714 + 21535X Linier 1.000 0.8441 285536

1

menurut Excel terbesar di Kelurahan Sambikerep daerah Dukuh Bungkal dengan R²

(40)

29

Made dengan R² 0.8441, sedangkan hasil dari SPSS di dapat nilai korelasi (R) dan

koefien determinasi (R2) rata-rata keseluruhan Kelurahan adalah 1.000 (Hubungan

data semakin erat).

4.4 Penggunaan Metode

Metode yang paling tepat untuk mengelompokkan data Nilai Indikasi

Rata-rata (NIR) Tanah tahun 2004-2012 untuk keseluruhan Zona Nilai Tanah (ZNT) di

Kecamatan Sambikerep adalah Metode Clustering, merupakan suatu kelas teknik di

pergunakan mengklasifikasi obyek-obyek berdasarkan kesamaan karakteristik

diantara obyek-obyek tersebut atau kasus (responden) ke dalam kelompok yang

relative homogeny, yang disebut Klaster (Clusters). Obyek atau kasus dalam setiap

kelompok centering mirip satu sama lain dan berbeda jauh (tidak sama) dengan

obyek dari klaster lainya.

4.4.1 Analisa Pengklasteran Metode Hirar ki Menggunakan SPSS

Pengklasteran dengan menggunakan aplikasi SPSS. Dimana variables (s) =

2012 dimisalkan sebagai tahun dan Label Cases by = sebagai alamat obyek pajak.

Metode Hirarki merupakan metode pengklasteran yang tidak menentukan jumlah

klaster terlebih dahulu. Jadi pada data NJOP di Kelurahan Beringin tahun 2012 akan

di proses oleh aplikasi SPSS itu sendiri dan langsung menghasilkan klaster-klaster

yang terbentuk. Sebagai contoh akan di tunjukkan hasil pengklasteran dari SPSS.

Bisa di lihat di lampiran hasil analisis clustering di Kecamatan Sambikerep

(41)

Tabel 4.6 Data NIR Tanah pada Tahun 2012 di Kelurahan Beringin

6 AA JL RAYA ALAS MALANG 215571

7 AB JL ALAS MALANG 270286

13 AH JL RAYA ALAS MALANG 262714

14 AL JL BERINGIN 262714

24 AH JL RAYA SAWO BERINGIN 262714

25 AH JL RY BRINGIN 262714

40 AJ JL BERINGIN BARU 275643 41 AJ JL BERINGIN SEKOLAHAN 275643 42 AJ JL BERINGIN SEKOLAHAN PERSIL 275643

43 AJ JL BERINGIN 275643

72 AS JL RAYA PRADA INDAH 3047286 73 AB RAYA ALASMALANG 263214 74 AB JL ALAS KALI MALANG 263214 75 AB JL RAYA ALAS MALANG 263214

76 AB RAYA SAWO 263214

82 AB JL SAWO BERINGIN PERSIL 263214

83 AB ALAS MALANG 262301

95 AE JL RAYA SAWO BRINGIN 346893 96 AE JL SAWO BERINGIN 346893 104 AE JL RAYA BRINGIN INDAH 346893 105 AE JL RAYA BRINGIN SAWO 346893 106 AE JL RAYA SAWO BERINGIN 346893 107 AN JL BERINGIN INDAH 357000 108 AN JL RAYA BERINGIN 357000 109 AN JL RAYA BRINGIN 357000 110 AE JL ALAS MALANG 346893 111 AU JL KLAKAH REJO BRINGIN 410429

112 AR ALAS MALANG 243048

113 AB DK ALAS MALANG 224000 114 AR JL RAYA PRADA INDAH 1517929 115 AK JL BERINGIN HARAPAN 224000 121 AI JL KO GRIYA CITRA ASRI 479071 122 AI JL GRIYA CITRA ASRI 479071 123 AI KO RSS GRIYA CITRA ASRI 479071 124 AP JL RAYA PRADA INDAH 438964 125 AZ JL RAYA PRADA INDAH 1101857 126 AZ JL TAMAN PRADA INDAH 1101857 127 AS JL PRADA INDAH 2451643 128 BC JL TAMAN PUSPARAYA 1855643 129 BC JL TAMNA PUSPA RAYA 1855643

(42)

31

Tabel 4.7 Hasil Pengklasteran Menggunakan Metode Hirarki di Kelurahan Beringin

(43)

(44)

33

* * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * *

Dendrogram using Average Linkage (Between Groups)

(45)

(46)

35

Dari hasil pengklasteran menggunakan metode Hirarki dan mengolah data

menggunakan aplikasi SPSS di dapat 3 klaster yang terbentuk. Pada hasil layout

Klaster Membership dapat terlihat rentan harga perklasternya tetapi tidak bisa

menentukan rentan harganya maupun banyaknya klaster, dan melihat hasil layout

Dendogram itu sendiri terbentuk 3 klaster atau 3 garis yang berhubungan tetapi tidak

semua daerah masuk dalam garis yang berhubungan tersebut. Bisa di lihat di

lampiran hasil analisis clustering di Kecamatan Sambikerep menggunakan SPSS.

4.3.2 Analisa pengklasteran Menggunakan Excel

Pengklasteran dengan menggunakan exel. Dimana banyaknya klaser-klaster

ditentukan terlebih dahulu dengan rentan harga Nilai Indikasi Rata-rata (NIR)

(47)

Tabel 4.9 Data NIR Tanah pada Tahun 2004 di Kelurahan Beringin

6 AA JL RAYA ALAS MALANG 64000

7 AB JL ALAS MALANG 64000

13 AH JL RAYA ALAS MALANG 64000

14 AL JL BERINGIN 64000

24 AH JL RAYA SAWO BERINGIN 64000

25 AH JL RY BRINGIN 64000

40 AJ JL BERINGIN BARU 64000

41 AJ JL BERINGIN SEKOLAHAN 64000

42 AJ JL BERINGIN SEKOLAHAN PER 64000

43 AJ JL BERINGIN 64000

72 AS JL RAYA PRADA INDAH 82000

73 AB RAYA ALASMALANG 82000

74 AB JL ALAS KALI MALANG 82000 75 AB JL RAYA ALAS MALANG 82000

76 AB RAYA SAWO 82000

82 AB JL SAWO BERINGIN PERSIL 82000

83 AB ALAS MALANG 84325

95 AE JL RAYA SAWO BRINGIN 128000 96 AE JL SAWO BERINGIN 128000 104 AE JL RAYA BRINGIN INDAH 128000 105 AE JL RAYA BRINGIN SAWO 128000 106 AE JL RAYA SAWO BERINGIN 128000 107 AN JL BERINGIN INDAH 128000 108 AN JL RAYA BERINGIN 128000 109 AN JL RAYA BRINGIN 128000 110 AE JL ALAS MALANG 128000 111 AU JL KLAKAH REJO BRINGIN 128000

(48)

37

Tabel 4.10 Hasil Klaster NIR Tanah pada Tahun 2004 di Kelurahan Beringin

No Zona Beringin 2004

1 AA J L BERINGIN SEKOLAHAN 64000 2 AA J L BERINGIN 64000 3 AA J L BERINGIN SAWO 64000 4 AA J L BERINGIN SELATAN 64000 5 AA J L ALAS M ALANG 64000 19 AB J L BERINGIN SAWO 82000 20 AB J L BERINGIN 82000 26 AC J L BERINGIN INDAH 64000 27 AC J L BERINGIN HARAPAN 64000 28 AC J L BERINGIN 64000 29 AC BER INGIN PER SIL 64000 30 AC BER INGIN HARAPAN 64000 31 AC BER INGIN HARAPAN 64000 32 AF J L BERINGIN SAWO 64000 33 AF J L SAWO BER INGIN 64000 34 AF J L BERINGIN 64000 35 AF BER INGIN 64000 36 AF DK SAWO 64000 37 AF J L BERINGIN INDAH 96000 38 AF BER INGIN INDAH 96000 45 AH J L BERINGIN SAWO 64000 46 AJ J L ALAS M ALANG 64000 47 AJ J L BERINGIN 64000 48 AJ J L BERINGIN BARU 64000 49 AJ J L BERINGIN SEKOLAHAN 64000 50 AJ J L BERINGIN SEKOLAHAN PERSIL 64000 51 AJ J L BERINGIN 64000 52 AJ J L BERINGIN J AYA 64000 53 AJ J L BERINGIN SEKOLAHAN 64000 54 AJ BER INGIN 64000 61 AK J L BERINGIN HARAPAN 64000 62 AK J L BERINGIN HARAPAN 64000 63 AK J L BERINGIN 64000 64 AL J L ALAS M ALANG 64000 65 AL J L BERINGIN 64000 66 AL J L BERINGIN SAWO 64000 67 AL J L BERINGIN SAWO 64000 68 AL J L SAWO 64000 69 AL J L SAWO BERINGIN 64000 70 AM J L BERINGIN SAWO 64000 71 AM J L SAWO BERINGIN 64000 72 AN J L BERINGIN HARAPAN 64000 73 AO J L ALAS M ALANG 64000 74 AP J L BERINGIN SAWO 64000 75 AP J L SAWO 64000 76 AP J L SAWO BERINGIN 64000 77 AQ J L BERINGIN 64000 78 AQ J L SAWO BERINGIN 64000 79 AQ J L SAWO 64000 80 AQ J L BERINGIN SAWO 64000 81 AQ J L BERINGIN 64000 82 AQ J L BERINGIN SELATAN 64000 83 AQ J L PR ADA INDAH 82000 84 AR J L ALAS M ALANG 64000 85 AS J L R AYA PRADA INDAH 82000

1 AB DK ALAS M ALANG 160000

2 AE J L R AYA BERINGIN 128000

10 AE J L SAWO BERINGIN 128000

11 AE J L BERINGIN 128000

12 AE RAYA SAWO BERINGIN 128000

13 AE J L BERINGIN INDAH 128000

14 AE J L BERINGIN HARAPAN 128000

15 AE J L BERINGIN SAWO 128000

17 AE J L R AYA BRINGIN 128000

18 AE J L R AYA BRINGIN INDAH 128000

19 AE J L R AYA BRINGIN SAWO 128000

20 AE J L R AYA SAWO BERINGIN 128000

21 AE J L ALAS M ALANG 128000

22 AE BER INGIN SAWO 194733

23 AE RAYA BERINGIN INDAH 194733

24 AI GRIYA CITRA ASR I 200000

25 AI J L KO GRIYA CITRA ASR I 200000

26 AI J L GRIYA CITRA ASR I 200000

27 AI KO R SS GRIYA CITRA ASR I 200000

28 AJ BER INGIN J AYA 160000 100000 - 200000

(49)

29 AK J L BERINGIN HARAPAN 160000

30 AL ALAS MALANG 108000

31 AN J L BERINGIN INDAH 128000

32 AN J L RAYA BERINGIN 128000

33 AN J L RAYA BRINGIN 128000

34 AR J L BERINGIN 128000

36 AR J L RAYA PRADA INDAH 160000

37 AU J L KLAKAH REJ O BRINGIN 128000

1 AP J L RAYA PRADA INDAH 243000 2 AP J L TAMAN PRADAH 243000 3 AS J L PRADA INDAH 916000 4 AZ J L RAYA PRADA INDAH 464000 5 AZ J L TAMAN PRADA INDAH 464000 6 BC J L TAMAN PUSPARAYA 1274000 7 BC J L TAMNA PUSPA RAYA 1274000

Klaster 3 Tahun 2004

yang terbentuk menurut rentan harga Nilai Indikasi Rata-rata (NIR) Tanahnya. Dan

dari olah data aplikasi SPSS menggunakan Metode Hirarki memiliki 3 klaster yang

terbentuk menurut nilai tanah tahun 2004. Bisa dilihat pada lampiran Hasil Analisis

(50)

39

1 AA J L BERINGIN SEKOLAHAN 82000

2 AA J L BERINGIN 82000

3 AA J L BERINGIN SAWO 82000

4 AA J L BERINGIN SELATAN 82000 5 AA J L ALAS M ALANG 82000 6 AA J L RAYA ALAS M ALANG 82000 7 AA J L RAYA BERINGIN 82000

8 AA J L SAWO 82000

9 AA J L SAWO BERINGIN 82000

10 AC J L ALAS M ALANG 82000

11 AC J L RAYA BERINGIN 82000

12 AC J L BERINGIN 82000

13 AC J L BERINGIN INDAH 82000

14 AC J L BERINGIN HARAPAN 82000

16 AC BERINGIN PERSIL 82000 17 AC BERINGIN HARAPAN 82000 18 AC BERINGIN HARAPAN 82000 19 AF J L BERINGIN SAWO 82000 20 AF J L SAWO BERINGIN 82000

21 AF J L BERINGIN 82000

22 AF BERINGIN 82000

23 AF DK SAWO 82000

24 AH J L RAYA ALAS M ALANG 82000 25 AH J L RAYA SAWO BERINGIN 82000 26 AH J L RY BRINGIN 82000 27 AH J L SAWO BERINGIN 82000

28 AH J L SAWO 82000

29 AH J L BERINGIN SAWO 82000 30 AK BERINGIN HARAPAN 82000

31 AK BERINGIN HARAPAN 82000 32 AK BERINGIN INDAH 82000

33 AK J L BERINGIN 82000

34 AK J L RAYA BRINGIN 82000 35 AK J L RAYA BERINGIN 82000 36 AK J L BERINGIN HARAPAN 82000 37 AK J L BERINGIN HARAPAN 82000

39 AL J L ALAS M ALANG 82000

40 AL J L BERINGIN 82000

41 AL J L BERINGIN SAWO 82000 42 AL J L BERINGIN SAWO 82000

43 AL J L SAWO 82000

44 AL J L SAWO BERINGIN 82000 45 AM J L BERINGIN SAWO 82000 46 AM J L SAWO BERINGIN 82000 47 AQ J L PRADA INDAH 82000 48 AS J L RAYA PRADA INDAH 82000

56,47% 9 AB J L SAWO BERINGIN 128000 10 AB J L BERINGIN SAWO 128000 11 AB J L BERINGIN 128000 12 AB J L SAWO BERINGIN PERSIL 128000 13 AB ALAS M ALANG 128000 14 AB DK ALAS M ALANG 168000 15 AE J L RAYA BERINGIN 200000 16 AE BERINGIN 200000 17 AE BERINGIN HARAPAN 200000 18 AE BERINGIN INDAH 200000 19 AE J L SAWO 200000 20 AE J L RAYA SAWO 200000 21 AE J L DUKUH SAWO 200000 22 AE J L RAYA SAWO BRINGIN 200000

23 AE J L SAWO BERINGIN 200000

27 AE J L BERINGIN HARAPAN 200000

28 AE J L BERINGIN SAWO 200000

30 AE J L RAYA BR INGIN 200000

31 AE J L RAYA BR INGIN INDAH 200000

32 AE J L RAYA BR INGIN SAWO 200000

33 AE J L RAYA SAWO BERINGIN 200000

35 AE BERINGIN SAWO 200000

37 AF J L BERINGIN INDAH 114400

38 AF BERINGIN INDAH 114400

39 AG J L M ADE BRINGIN 160000

40 AJ J L ALAS M ALANG 103000

41 AJ J L BERINGIN 103000

42 AJ J L BERINGIN BARU 103000

43 AJ J L BERINGIN SEKOLAHAN 103000

44 AJ J L BERINGIN SEKOLAHAN PERSIL 103000

46 AJ J L BERINGIN J AYA 103000

48 AJ BERINGIN 103000

49 AJ BERINGIN J AYA 168000

(51)

51 AL ALAS M ALANG 124000

52 AN J L BERINGIN HARAPAN 160000 53 AN J L BERINGIN INDAH 160000

54 AN J L RAYA BERINGIN 160000

55 AN J L RAYA BRINGIN 160000

56 AO J L ALAS M ALANG 103000 57 AP J L BERINGIN SAWO 128000 58 AP J L SAWO 128000 59 AP J L SAWO BERINGIN 128000 60 AQ J L BERINGIN 128000 61 AQ J L SAWO BERINGIN 128000 62 AQ J L SAWO 128000 63 AQ J L BERINGIN SAWO 128000 64 AQ J L BERINGIN 128000 65 AQ J L BERINGIN SELATAN 128000 66 AR J L ALAS M ALANG 128000

67 AR J L BERINGIN 128000

68 AR ALAS M ALANG 128000

69 AR J L RAYA PRADA INDAH 200000

70 AU J L KLAKAH REJ O BRINGIN 160000

89,19% 10,8% 43,53%

1 AI GRIYA CITRA ASRI 243000

2 AI J L KO GRIYA CITRA ASRI 243000

3 AI J L GRIYA CITRA ASRI 243000

4 AI KO RSS GRIYA CITRA ASRI 243000

5 AP J L TAM AN PRADAH 243000

6 AP J L RAYA PRADA INDAH 243000

7 AS J L PRADA INDAH 1147000

8 AZ J L RAYA PRADA INDAH 464000

9 AZ J L TAM AN PRADA INDAH 464000

10 BC J L TAM AN PUSPARAYA 1274000

11 BC J L TAM NA PUSPA RAYA 1274000

100%

mengalami kenaikkan harga tanah atau perpindahan anggota klaster 1 di tahun 2004

ke klaster 1 tahun 2005 yang tetap bertahan 56,47% dan yang berpindah ke klaster 2

tahun 2005 adalah 43,53%. Pada klaster 2 tahun 2005 yang bertahan 89,19% dan

berpindah ke klaster 3 tahun 2005 adalah 10,8%. Pada klaster 3 tahun 2005 semua

anggota masih bertahan 100% atau belum ada anggota klaster 3 yang akan

(52)

41

Tabel 4.12 Hasil Klaster NIR Tanah pada Tahun 2012 di Kelurahan Beringin.

1 AA J L BERINGIN SEKOLAHAN 215571

2 AA J L BERINGIN 215571

3 AA J L BERINGIN SAWO 215571

4 AA J L BERINGIN SELATAN 215571

5 AA J L ALAS M ALANG 215571 15 AL J L BERINGIN SAWO 262714

16 AL J L BERINGIN SAWO 262714

17 AL J L SAWO 262714

18 AL J L SAWO BERINGIN 262714

19 AC J L RAYA BERINGIN 215571

20 AC J L BERINGIN 215571 21 AC J L BERINGIN INDAH 215571

22 AC J L BERINGIN HARAPAN 215571

24 AH J L RAYA SAWO BERINGIN 262714

25 AH J L RY BR INGIN 262714

26 AH J L SAWO BERINGIN 262714 27 AF J L BERINGIN SAWO 262714

28 AF J L SAWO BERINGIN 262714

29 AF J L BERINGIN 262714

30 AK BERINGIN HARAPAN 280143

31 AK BERINGIN HARAPAN 280143

32 AK BERINGIN INDAH 280143

34 AK J L RAYA BRINGIN 280143

35 AK J L RAYA BERINGIN 280143

37 AK J L BERINGIN HARAPAN 280143 38 AK J L BERINGIN 280143

40 AJ J L BERINGIN BARU 275643 Klaster 1 Tahun 2012

42 AJ J L BERINGIN SEKOLAHAN PERSI 275643

43 AJ J L BERINGIN 275643 44 AJ J L BERINGIN J AYA 275643 45 AJ J L BERINGIN SEKOLAHAN 275643 46 AC BERINGIN PER SIL 215571 47 AC BERINGIN HARAPAN 215571

48 AC BERINGIN HARAPAN 215571

49 AF BERINGIN 262714

50 AH J L SAWO 262714

51 AH J L BERINGIN SAWO 262714

52 AM J L BERINGIN SAWO 262714

53 AM J L SAWO BER INGIN 262714

54 AP J L BERINGIN SAWO 389000

55 AP J L SAWO 389000

56 AP J L SAWO BER INGIN 389000

57 AQ J L BERINGIN 268857

58 AQ J L SAWO BER INGIN 268857

59 AQ J L SAWO 268857

60 AQ J L BERINGIN SAWO 268857

61 AQ J L BERINGIN 268857 62 AQ J L BERINGIN SELATAN 268857

63 AA J L RAYA BERINGIN 215571

64 AJ BERINGIN 275643

65 AN J L BERINGIN HARAPAN 382143

66 AF DK SAWO 262714

67 AA J L SAWO 215571

68 AB J L SAWO 270286

69 AA J L SAWO BER INGIN 214259

70 AG J L M ADE BRINGIN 285536 71 AQ J L PRADA INDAH 559179 72 AB RAYA ALASM ALANG 263214

78 AB J L SAWO BER INGIN 263214

79 AB J L BERINGIN SAWO 263214 80 AB J L BERINGIN 263214 81 AB J L SAWO BER INGIN PERSIL 263214

82 AB ALAS M ALANG 262301

83 AF J L BERINGIN INDAH 243200 84 AF BERINGIN INDAH 243200

85 AL ALAS M ALANG 236000 86 AE J L RAYA BERINGIN 346893 87 AR J L BERINGIN 245143 93 AE J L DUKUH SAWO 346893

94 AE J L RAYA SAWO BR INGIN 346893 95 AE J L SAWO BER INGIN 346893

(53)

99 AE J L BERINGIN HARAPAN 346893 100 AE J L BERINGIN SAWO 346893

102 AE J L R AYA BRINGIN 346893 103 AE J L R AYA BRINGIN INDAH 346893

104 AE J L R AYA BRINGIN SAWO 346893 105 AE J L R AYA SAWO BERINGIN 346893

106 AN J L BERINGIN INDAH 357000

107 AN J L R AYA BERINGIN 357000

108 AN J L R AYA BRINGIN 357000

110 AU J L KLAKAH R EJ O BRINGIN 410429

111 AR ALAS M ALANG 243048

112 AB DK ALAS M ALANG 224000

114 AJ BERINGIN J AYA 224000

115 AE BERINGIN SAWO 320676

117 AP J L TAM AN PRADAH 438964

118 AI GRIYA CITRA ASRI 479071

119 AI J L KO GRIYA CITRA ASRI 479071 120 AI J L GRIYA CITRA ASRI 479071 121 AI KO R SS GRIYA CITRA ASRI 479071

122 AP J L R AYA PRADA INDAH 438964

123 AZ J L R AYA PRADA INDAH 1101857

124 AZ J L TAM AN PRADA INDAH 1101857 t et ap 57,14% 3 BC JL TAMNA PUSPA RAYA 1855643 4 AR JL RAYA PRADA INDAH 1517929

0%

2,70%

42,5%

1 AS JL RAYA PRADA INDAH 3047286

0%

mengalami kenaikkan harga tanah atau perpindahan anggota klaster bahkan

mengalami bertambahnya klaster. Pada tahun 2004 memiliki 3 klaster dan di tahun

2012 memiliki 5 klaster tetapi pada awal klaster 1 dan 2 tidak memiliki anggota atau

semua anggota klaster bisa berpindah pada klaster 3, 4, 5. Lebih jelasnya tahun

2004-2012 bisa di lihat di lampiran hasil analisis clustering menggunakan Exel dan

(54)

43

2004 2005 2006 2007 2008 2009 2010 2011 2012

1 Sambikerep 5 5 6 6* 6* 6* 6* 7* * 7* *

2 Lontar 4 4 5* 6* * 6* * 6* * 6* * 6* * 7* * *

3 Beringin 3 3 4* 4* 4* 4* 4* 5* * 5* *

4 Made 5 5 5 5 5 5 6* 6* 6*

No Kelurahan Banyaknya Klaster

(* ) = Mengalami Bertambahnya 1 Klaster dari Tahun 2004

(* * * ) = Mengalami Bertambahnya 3 Klaster dari Tahun 2004 (* * ) = Mengalami Bertambahnya 2 Klaster dari Tahun 2004

Sumber: Perhitungan

Dari hasil pengklasteran tiap Kelurahan dapat disimpulkan bahwa per

kelurahan terdapat 1-7 klaster, tergantung masing-masing Kelurahan. Dengan adanya

pengklasteran dapat terlihat daerah yang mengalami kenaikan Nilai Indikasi

Rata-rata (NIR) Tanah. Contoh pada Kelurahan Sambikerep pada tahun 2004 di dapat 5

Klaster dan tahun ke9 (2012), di dapat 7 klaster namun pada klaster awal 1 dan 2

mengalami kehilangan anggotanya di karenakan anggota tersebut mengalami

(55)

Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah Tetap Pindah

1 100% 0 69.57% 30.43% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

2 100% 0 61.22% 38.77% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

3 100% 0 79.10% 20.89% 77.61% 22.38% 77.61% 22.38% 77.61% 22.38% 59.70% 40.29% 17.91% 82.08% 0 100% 0 100%

4 100% 0 88.88% 11.11% 77.77% 22.22% 77.77% 22.22% 77.77% 22.22% 77.77% 22.22% 66.66% 33.33% 55.55% 44.44% 55.55% 44.44%

5 100% 0 100% 0 68.67% 31.32% 68.67% 31.32% 68.67% 31.32% 31.32% 68.67% 31.32% 68.67% 28.91% 71.08% 27.71% 72.28%

1 100% 0 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

2 100% 0 92.46% 7.53% 79.39% 20.60% 75.88% 24.11% 75.38% 24.61% 56.28% 43.71% 4.02% 95.97% 2.51% 97.48% 2.01% 97.98%

3 100% 0 79.24% 20.75% 81.13% 18.86% 77.35% 22.64% 77.35% 22.64% 57.89% 42.10% 58.49% 41.50% 22.64% 77.35% 11.32% 88.67%

4 100% 0 100% 0 57.89% 42.10% 57.89% 42.10% 57.89% 42.10% 57.89% 42.10% 57.89% 42.10% 36.84% 63.15% 0 100%

1 100% 0 56.47% 43.53% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

2 100% 0 89.18% 10.80% 27.02% 72.97% 18.91% 81.08% 18.91% 81.08% 18.91% 81.08% 18.91% 81.08% 0 100% 0 100%

3 100% 0 100% 0 71.40% 28.50% 57.14% 42.85% 57.14% 42.85% 57.14% 42.85% 57.14% 42.85% 57.14% 42.85% 57.14% 42.85%

1 100% 0 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

2 100% 0 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100%

3 100% 0 1.61% 98.30% 30.50% 69.40% 28.80% 71.20% 22.09% 77.90% 22.09% 77.90% 22.09% 77.90% 22.09% 77.90% 18.64% 81.37%

4 100% 0 33.90% 66.10% 15.90% 84.10% 13.63% 86.37% 13.63% 86.37% 2.27% 97.72% 2.27% 97.72% 2.27% 97.72% 0 100%

5 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0 100% 0

Tetap = Anggota Klaster yang bertahan

Pindah = Anggota Klaster yang berpindah ke klaster lainya

(56)

45

Dari perhitungan tersebut diperoleh prosentase kenaikan anggota klaster awal ke

klaster berikutnya. Untuk klaster yang berpindah ini tidak hanya berpindah ke klaster 2 atau

3 tetapi bisa berpindah ke klaster 6 bahkan sampai klaster 7 tergantung perkembangan nilai

yang di tunjukkan oleh anggota klaster tersebut.

4.5. Perhitungan Persentase Kenaikkan Anggota Klaster Setiap Tahun

Persentase kenaikan atau perpindahan antar klaster menurut Zona Nilai

Tanah (ZNT) di Kecamatan Sambikerep di hitung berdasarkan banyaknya anggota

yang keluar dari klaster awal menuju ke klaster yang lainya. Prosentase di hitung dari

jumlah anggota klaster yang masih tetap di klaster awal dan anggota klaster yang

berpindah. Contoh perhitunganya adalah sebagai berikut:

Tabel 4.15 Data Anggota Klaster pada Kelurahan Sambikerep Tahun 2004

No Zona Sambik er ep 2004

8 AN J L RAYA SAMBIKEREP 82000

9 AN DK SAMBISARI 82000

15 AN J L DUKUH SAMBISARI 82000

16 AN J L RAYA SAMBISARI 82000

17 AN J L MANUKAN WASONO 82000

18 AN DK MANUKAN PERSIL 82000

19 AQ J L RAYA SAMBISARI 82000

(57)

Tabel 4.16 Hasil Perpindahan Anggota Klaster pada Kel. Sambikerep Tahun 2005

No Zon a S ambi k er ep 2005

1 AA J L BUNGKAL 82000

2 AN J L RAYA S AMBIKEREP 82000

3 AN DK S AMBIS ARI 82000

12 AN DK MANUKAN PERS IL 82000

13 AQ J L RAYA S AMBIS ARI 82000

pengurangan jumlah anggota klaster yang pada tahun 2004 klaster 1 menempatkan

23 anggota klaster. Namun pada tahun 2005 telah mengalami perubahan yaitu

anggota klaster hanya menempatkan 16 anggota klaster, dan 7 anggotanya telah

berpindah ke klaster lainya. Maka prosentase kenaikan anggota klaster dapat di

hitung sebagai berikut:

Anggota klaster 1 yang bertahan = 100 23

Dari perhitungan tersebut diperoleh prosentase kenaikan anggota klaster awal ke

(58)

47

ke klaster 2 atau 3 tetapi bisa berpindah ke klaster 6 bahkan sampai klaster 7

tergantung perkembangan nilai yang di tunjukkan oleh anggota klaster tersebut.

Untuk melihat perkembangan anggota klaster yang bertahan dan berpindah dapat

ditunjukkan pada lampiran Rekapitulasi Perpindahan Klaster dan Prosentase Tahun

2004-2012 di Kecamatan Sambikerep. Dari perhitungan tersebut maka akan

diketahui anggota dari klaster mana yang mengalami kenaikan klaster paling tinggi

dan prosentase anggotanya. Dan berikut adalah tabel kenaikan anggota klaster yang

paling tinggi pada masing – masing kelurahan.

Tabel 4.17 Kenaikan Anggota Klaster Tertinggi dan Prosentase

No Nama Kelurahan Kenaikan Klaster Tertinggi Pencapaian Klaster Prosentase (%)

1 Sambikerep Klaster V Klaster VII 11.11%

2 Lontar Klaster IV Klaster VII 5.26%

3 Beringin Klaster I Klaster V 1.17%

4 Made Klaster V Klaster VI 100%

Sumber : Perhitungan Excel

Dari hasil pengklasteran NJOP tahun 2004-2012 di dapat beberapa

Kelurahan yang mengalami Kenaikkan. Contoh Pada Kelurahan Made seluruh

anggota di klaster V pada tahun 2004 mengalami perpindahan ke klaster tertinggi

yaitu klaster ke VI tahun 2012 dengan prosentase perpindahan anggotanya 100%.

4.6. Pemetaan Anggota Klaster Pada Tahun 2012

Peta dasar yang akan di buat sebagai visualisasi hasil pengklasteran

pada cara Excel adalah peta Rupa Bumi Digital Indonesia (RBI) pada Kecamatan

Sambikerep, yang di terbitkan serta di edarkan oleh Badan Koordinasi Survey dan

(59)

lakukan pendigitan menggunakan Software Mapinfo 11, dimana hasil pendigitan

tersebut mendapatkan batas kelurahan, jalan, serta daerah – daerah yang termasuk

dalam masing – masing kelurahan. Setelah di dapatkan semua daerah yang terdapat

pada tiap kelurahan, maka proses pendigitan di lanjutkan dengan memberikan warna

sesuai klaster yang di tunjukkan pada tahun 2012. Hal ini dilakukan supaya

mengetahui perkembangan anggota klaster pada tahun 2012. Contoh hasil pendigitan

(60)

49

U

(61)

U

(62)

51

U

(63)

U

(64)

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisa dan pembahasan diambil beberapa

kesimpulan tentang prediksi spasial berdasarkan Klastering dengan dibantu

program Microsoft Exel maka permasalahan yang ada dapat disimpulkan

sebagai berikut:

1. Dari hasil rekapitulasi tabel regresi linier di dapat koefien determinasi

(R2) menurut Excel terbesar di Kelurahan Sambikerep daerah Dukuh Bungkal

dengan R² 0.999 dan Lontar di daerah Dukuh Kuwukan dengan R² 0.9989 dan

R2 terkecil di Kelurahan Beringin di Jl. Raya Pusparaya dengan R² 0.8434 dan

Made di Jl. Raya Made dengan R² 0.8441, sedangkan hasil dari SPSS di dapat

nilai korelasi (R) dan koefien determinasi (R2) rata-rata keseluruhan

Kelurahan adalah 1.000 (Hubungan data semakin erat).

2. Dengan metode Klastering dapat menghasilkan klaster–klaster pada setiap

zona tanah yang ada di Kecamatan Sambikerep. Dari pengelompokan harga–

harga tanah yang di hasilkan melalui metode Klastering akan terdapat peta

menurut zona nilai tanah tersebut akan membentuk klaster – klaster baru

menurut kelompok yang memiliki nilai harga yang sama yang ada di wilayah

Kecamatan Sambikerep.

3. Dengan menggunakan hasil persentase Nilai Indikasi Rata-rata (NIR)

Tanah perkelurahan yang mengalami peningkatan harga tanah paling tinggi

(65)

mengalami peningkatan 31,32 - 68,67% tiap Klaster pertahunnya, sedangkan

Kelurahan Lontar dan Beringin berkisar antara 22,64% - 42,85%.

4. Daerah terdominan menurut Nilai Indikasi Rata-rata (NIR) Tanah pada

prediksi tahun 2012 di Kecamatan Sambikerep dengan pendigitan

menggunakan MapInfo terdapat Kelurahan Sambikerep dan mendominasi

Klaster ke 4 dengan nilai jualnya Rp 290.000-1.000.000, sedangkan Kelurahan

Lontar Klaster ke 3 dengan nilai jualnya Rp 300.000-1.000.000, Kelurahan

Beringin Klaster ke 3 dengan nilai jualnya Rp 200.000-1.500.000, dan

Kelurahan Made Klaster ke 3 dengan nilai jualnya Rp 150.000-1.300.000.

5.2. Saran

Setelah dianalisa dan didapat hasilnya maka dapat memberikan beberapa

saran seperti berikut :

1. Pada penelitian selanjutnya, sebaiknya menggunakan metode spasial

pertahunya.

2. Dan pada penelitian selanjutnya, sebaiknya memperluas wilayah penelitian

(66)

DAFTAR PUTAKA

Dillon: 1984; 157, “Analisis Clustering”

Duwi Priyatno, “Belajar olah data dengan SPSS17 “

Dyah Nirmala Arum Janie, S.E., M.Si. “Statistik Deskriptif dan Regresi Linier

Berganda Dengan SPSS.

Eddy Prahasta, “Belajar dan Memahami MAPINFO” Penerbit Informatika

Erwin Dwiyanto, ST . 2012. “PREDIKSI NILAI TANAH BERDASARKAN NILAI

INDIKASI RATA-RATA TANAH (NIR) PADA ZONA NILAI TANAH (ZNT) DENGAN MENGGUNAKAN METODE LINIER DAN NON LINIER PADA KECAMATAN SAMBIKEREP”.

Hair, Anderson, Thatam, Black: 1995. “Analisis Cluster”

http://maps.google.co.id/maps?q=kecamatan%20Sambikerep&oe=utf8&aq=t&rls=org.

mozilla:id:official&client=firefoxa&um=1&ie=UTF8&hl=id&sa=N&tab=wl

http://wikimapia.org/#lat=-7.2643312&lon=112.6530013&z=18&l=0&m=b

http://www.ortax.org/ortax/?mod=aturan&page=show&id=1539

Ir. Dadan Kusnandar,M.Sc.,Ph.D. “Metode Statistik dan Aplikasinya dengan Minitab

dan Exel”

Prof. J. Suprapto, M.A, APU. “ANALISIS MULTIVARIAT ARTI DAN

INTERPRETASI”, Penerbit RINEKA CIPTA.

Peta Rupabumi Digital Indonesia 1:25.000, Wonokromo edisi 1-1999 Badan

Koordinasi dan pemetaan Nasional (BAKOSURTANAL)

Peta Surabaya_p231108

Nilai Jual Obyek Pajak (NJOP) Keputusan Menteri Keuangan RI No. 523/KMK.04/

1998 “Penentuan Klasifikasi dan Besarnya Nilai Jual Objek Pajak Sebagai Dasar