BAB IV ANALISIS. 4.1 Analisis Kualitas Data Masukan

Transkripsi

1 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 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

2 Dari keseluruhan bidang tanah yang terdapat di Kecamatan Lengkong yaitu bidang, jumlah data harga sampel tersebut mencakup sekitar 0.89%a % 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 Asli Penyesuaian Penyesuaian Tabel 4.1 : Koefisien Korelasi dan RMSe Hasil Pemodelan Regresi Linier Korelasi terbaik yang dicapai oleh metode regresi linier adalah untuk set data penyesuaian+ dan korelasi terburuk adalah 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 untuk set data penyesuaian+ dan RMSe terburuk adalah

3 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 sampai dengan untuk set data asli dan penyesuaian. Untuk set data asli+ dan penyesuaian+ rentang tersebut memang lebih sempit yaitu antara sampai dengan namun tetap saja terlihat bahwa residu yang mencapai angka sekitar 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

4 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 Asli Penyesuaian Penyesuaian Bisquare Asli Asli Penyesuaian Penyesuaian Tabel 4.2 : Koefisien Korelasi dan RMSe Hasil Pemodelan GWR Korelasi terbaik yang dicapai oleh metode GWR adalah untuk set data penyesuaian+ dan korelasi terburuk adalah 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 untuk set data asli+ dan RMSe terburuk adalah 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

5 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 sampai dengan untuk set data asli dan penyesuaian. Untuk set data asli+ dan penyesuaian+ rentang tersebut memang lebih sempit yaitu antara sampai dengan namun tetap saja terlihat bahwa residu yang mencapai angka sekitar 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

6 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 Asli Penyesuaian Penyesuaian GWR Gauss Asli Asli Penyesuaian Penyesuaian Bisquare Asli Asli Penyesuaian Penyesuaian 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 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 Hal tersebut menandakan bahwa metode GWR tidak terlalu bergantung pada kualitas data dibandingkan dengan metode regresi linier. 40