Tugas Akhir

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.
Gambar 4.1 : Persebaran Sampel
35
Dari keseluruhan bidang tanah yang terdapat di Kecamatan Lengkong yaitu 14983
133
Z 100% 0.89%
14983
bidang, jumlah data harga sampel tersebut mencakup sekitar 0.89%a.
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
Regresi
Linier
Data
Korelasi
RMSe
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
36
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 asli
Data penyesuaian+
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
37
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
Asli
0.232
2143931.401
Bisquare
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.
38
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.
39
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
Regresi
Linier
GWR
Bobot
Gauss
Bisquare
Data
Korelasi
RMSe
Asli
0.062
2966347.308
Asli+
0.261
936644.011
Penyesuaian
0.065
3006398.972
Penyesuaian+
0.277
933094.074
Asli
0.224
2139894.973
Asli+
0.300
822535.674
Penyesuaian
0.209
2175108.187
Penyesuaian+
0.320
834580.414
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.
40