BAB 3 PEMBAHASAN. 3.1 Pemilahan Data

Transkripsi

1 BAB 3 PEMBAHASAN 3.1 Pemilahan Data Pemilahan data dilakukan untuk menentukan data mana saja yang akan diolah. Dalam enelitian ini, data yang diikutsertakan dalam engolahan ditentukan berdasarkan teori mengenai faktor-faktor yang memengaruhi nilai tanah seerti yang telah dijelaskan ada Subbab 2.6 serta beberaa enelitian terdahulu, antara lain: 1) Penelitian tentang nilai tanah yang dilakukan oleh Pusat Litbang Pertanahan Dedagri dan Jurusan Teknik Geodesi FTSP-ITB (1987) yang menyimulkan bahwa nilai tanah di daerah erkotaan sangat diengaruhi oleh variabelvariabel rasarana jalan, jenis eruntukkan dan jarak dari usat kota. 2) Penelitian sejenis juga ernah dilakukan oleh Alerovich dan Deutsch (1994) yang menyimulkan bahwa semakin dekat jarak ke CBD maka tingkat keadatan enduduk akan semakin tinggi. Hal ini mencerminkan bahwa adanya keinginan yang sangat besar dari masyarakat akan tanah di dekat CBD sehingga akan berdamak ada naiknya ermintaan tanah yang akan mengakibatkan naiknya harga tanah. 3) Penelitian lainnya tentang nilai tanah dilakukan oleh Boesro (2004) yang menyimulkan bahwa lebar jalan, kondisi jalan, dan jarak ke usat erbelanjaan terdekat berengaruh secara signifikan terhada kenaikan harga tanah. Berdasarkan faktor-faktor yang memengaruhi nilai tanah serta enelitian-enelitian yang telah dilakukan sebelumnya, diilihlah beberaa variabel yang diangga memengaruhi tinggi rendahnya nilai tanah. Data yang telah diilih dan akan digunakan dalam engolahan data selanjutnya disebut sebagai variabel. Variabel ini terdiri dari variabel tak bebas dan variabel bebas. Dalam enelitian ini, yang bertindak sebagai variabel tak bebas adalah 26

2 variabel harga tanah (HT) dalam satuan Ruiah er meter ersegi. Sedangkan, variabel bebasnya akan dijelaskan melalui tabel berikut. Tabel 3.1 Variabel Bebas yang Digunakan dalam Pengolahan Data Variabel bebas Notasi Keterangan Satuan Luas tanah LT Luas bidang tanah ersegi Lebar dean LD Lebar dean bidang tanah Lebar jalan dean objek Jarak ke arteri terdekat Jarak ke kolektor terdekat Jarak ke lembaga endidikan terdekat Jarak ke CBD terdekat Zonasi usat kota Aksesibilitas Drainase LJ JAT JKT JLP JAB ZPK AK DR Lebar jalan dean bidang tanah Jarak dari bidang tanah ke jalan arteri terdekat Jarak dari bidang tanah ke jalan kolektor terdekat Jarak dari bidang tanah ke SD/SMP/SMA/Kamus terdekat Jarak dari bidang tanah ke usat kota (Alun-Alun Bandung) Dikelomokkan dalam kelaskelas berdasarkan lokasi bidang tanah terhada usat kota (Alun-Alun Bandung) Dikelomokkan dalam kelaskelas berdasarkan kemudahan dalam menemukan fasilitas umum Dikelomokkan dalam kelaskelas berdasarkan kualitas drainase di lokasi bidang tanah Variabel dummy Variabel dummy Variabel dummy 27

3 3.2 Pengolahan Data Setelah data sia seerti ada Lamiran A, taha selanjutnya adalah engolahan data. Langkah-langkah engolahan data secara detil akan dibahas ada subbab berikut Uji Multikolinearitas Uji multikolinearitas daat dilakukan dengan beberaa cara, salah satunya adalah dengan melihat nilai toleransi dan VIF (Variance Inflation Factor) yang dinyatakan dalam rumus sebagai berikut. TOL i : nilai toleransi dari variabel i VIF i r ij : nilai VIF dari variabel i TOL i = 1 VIF i = 1 r ij 2 (3.1) : koefisien korelasi antara variabel i dan j Adanya elanggaran asumsi klasik (terjadi multikolinearitas) ditandai dengan nilai toleransi yang kurang dari 0,1 atau nilai VIF yang melebihi 10 (Wijaya, 2009). Selain dengan melihat nilai toleransi dan VIF, uji multikolinearitas juga daat dilakukan dengan menggunakan nilai koefisien korelasi sederhana antara sesama variabel bebas. Jika ada nilai korelasi antarvariabel yang melebihi 0,8 maka daat diduga terjadi multikolinearitas Penanggulangan Masalah Multikolinearitas Jika terbukti bahwa ada elanggaran asumsi klasik (terjadi multikolinearitas) maka erlu dilakukan enanggulangan untuk mengatasi masalah tersebut. Dalam tugas akhir ini, enanggulangan masalah multikolinearitas dilakukan dengan menjalankan rosedur Princial Comonent Analysis (PCA). Prosedur ini terdiri dari beberaa engujian dan erhitungan, antara lain: 28

4 1) Uji KMO dan Bartlett Uji KMO (Kaiser-Meyer-Olkin) digunakan untuk mengukur kecukuan samel dengan cara membandingkan besarnya koefisien korelasi yang diamati dengan koefisien korelasi arsialnya secara keseluruhan. Dengan fungsinya tersebut, uji KMO daat menentukan layak atau tidaknya analisis faktor (dalam hal ini teknik PCA) dilakukan terhada suatu data. Hiotesis dari uji KMO adalah: H 0 H 1 : Jumlah data cuku untuk difaktorkan : Jumlah data tidak cuku untuk difaktorkan Statistik uji: r ij KMO = : banyaknya variabel i=1 2 i=1 j=1 r ij r2 j=1 ij + a2 i=1 j=1 ij : koefisien korelasi antara variabel i dan j (3.2) a ij : koefisien korelasi arsial antara variabel i dan j Kaiser (1974) merumuskan koefisien korelasi arsial sebagai berikut. a ij = r ij r ij r ij (3.3) Menurut Imam (2010), aabila nilai KMO lebih besar dari 0,5 maka H 0 tidak ditolak sehingga daat disimulkan bahwa jumlah data telah cuku untuk difaktorkan. Demikian ula menurut Wibisono (2003), aabila nilai KMO berkisar antara 0,5 samai 1 maka analisis faktor layak dilakukan. Namun, jika nilai KMO dibawah 0,5 maka analisis faktor tidak layak dilakukan. 29

5 Uji Bartlett digunakan untuk mengetahui aakah terdaat korelasi yang signifikan antarvariabel yang diamati. Hiotesis dari uji Bartlett adalah: H 0 H 1 : Matriks korelasi = Matriks identitas : Matriks korelasi Matriks identitas Penolakan terhada H 0 dilakukan dengan dua cara, yaitu: Nilai Bartlett s test > Chi-Square tabel Nilai signifikansi < 0,05 Uji Bartlett dirumuskan oleh Norusis (1986) sebagai berikut. R : nilai determinan n : jumlah data : jumlah variabel Bartlett s test = ln R n (3.4) Nilai df (degree of freedom) dihitung dengan menggunakan rumus: df = ( 1) 2 (3.5) Menurut Imam (2010), jika H 0 ditolak maka analisis faktor layak untuk digunakan. Demikian ula menurut Soemartini (2008), jika signifikansi kurang dari 0,05 maka tolak H 0 atau dengan kata lain bisa dilakukan analisis lebih lanjut terhada variabel-variabel yang diamati. 2) Uji Measures of Samling Adequacy (MSA) Uji MSA meruakan indeks erbandingan antara koefisien korelasi dengan koefisien arsialnya untuk setia variabel yang diamati. Uji MSA daat dihitung dengan rumus sebagai berikut. 30

6 MSA i = : banyaknya variabel r ij a ij 2 i=1 r ij r2 i=1 ij + a2 i=1 ij : koefisien korelasi antara variabel i dan j : koefisien korelasi arsial antara variabel i dan j (3.6) Menurut Santoso (2002), angka MSA berkisar antara 0,5 samai dengan 1 dengan kriteria sebagai berikut. Jika MSA = 1 maka variabel tersebut daat dirediksi tana kesalahan oleh variabel lainnya. Jika MSA > 0,5 maka variabel tersebut masih bisa dirediksi dan dianalisis lebih lanjut. Jika MSA < 0,5 maka variabel tersebut tidak bisa dirediksi dan dianalisis lebih lanjut atau dikeluarkan dari variabel lainnya. 3) Menghitung Nilai Communalities Setelah dieroleh kesimulan bahwa analisis faktor daat dilanjutkan, langkah berikutnya adalah menghitung nilai communalities. Menurut Santoso (2002), communalities adalah besarnya variansi yang daat dijelaskan oleh faktor yang terbentuk. Semakin besar nilai communalities, semakin erat ula hubungan variabel yang bersangkutan dengan faktor yang terbentuk. 4) Menghitung Jumlah Faktor yang Terbentuk Jika ada 10 variabel yang diamati maka akan ada 10 faktor (disebut juga comonent) yang diusulkan dalam analisis faktor. Kemamuan setia faktor yang mewakili variabel ditunjukkan oleh besarnya variansi yang dijelaskan, yang disebut dengan eigenvalue. Susunan eigenvalue selalu diurutkan dari yang terbesar hingga yang terkecil dengan kriteria bahwa eigenvalue dibawah 1 tidak digunakan untuk menghitung jumlah faktor yang terbentuk. 31

7 Adaun rumus untuk menghitung eigenvalue adalah sebagai berikut. λi = 0 (3.7) : matriks korelasi I : matriks identitas λ : eigenvalue yang akan dihitung 5) Menghitung Nilai Korelasi (Factor Loading) Besarnya nilai korelasi (factor loading) menunjukkan seberaa erat hubungan antara variabel yang diamati dengan faktor yang terbentuk. Factor loading variabel ke-i untuk faktor ke-j daat dihitung dengan menggunakan rumus: l ij = λ e ij (3.8) l ij e ij m : factor loading : matriks eigen faktor : jumlah variabel; i = 1, 2, 3,..., : jumlah faktor; j = 1, 2, 3,..., m Adaun rumus untuk menghitung matriks eigen faktor adalah: e ij = x ; dimana x dieroleh dari x = λ x (3.9) x x Dengan membandingkan nilai korelasi antara seluruh variabel yang diamati dengan seluruh faktor yang terbentuk, daat diketahui variabel mana saja yang tereduksi kedalam faktor-faktor yang terbentuk. 32

8 6) Menghitung Skor dari Faktor yang Terbentuk Skor (atau biasa disebut koefisien) dari faktor yang terbentuk ini kemudian digunakan untuk menyusun ersamaan dari masing-masing faktor yang terbentuk Pemodelan Nilai Tanah Setelah dieroleh variabel bebas baru, yaitu faktor-faktor yang terbentuk yang bebas multikolinearitas, taha selanjutnya adalah meregresikan variabel bebas baru tersebut terhada variabel tak bebas (HT) sehingga dieroleh model harga tanah yang baru. 33