35
BAB III
PELAKSANAAN PENELITIAN
3.1 Kerangka Pikir Pemodelan Nilai Tanah
Dalam penelitian ini dilakukan pengembangan metode penilaian tanah menggunakan
metode analisis spasial dan Jaringan Syaraf Tiruan (JST). Metode JST digunakan
karena karakteristik nilai tanah dipengaruhi oleh banyak variabel dan masing-masing
variabel saling mempengaruhi satu dengan yang lain. Variabel lokasi dan
aksesibilitas digunakan sebagai variabel utama dalam model nilai tanah mengingat
bahwa variabel lokasi dan aksesibilitas adalah variabel yang sangat signifikan dalam
model nilai tanah.
Model nilai tanah yang dikembangkan dalam penelitian ini diterapkan pada wilayah
studi kasus Kecamatan Regol, Kota Bandung, Jawa Barat. Data sampel yang
diperoleh sebanyak 143 data nilai tanah. Kecamatan Regol merupakan salah satu dari
26 kecamatan di Kota Bandung. Peta wilayah penelitian dapat dilihat pada Gambar
III-1, sedangkan batas-batas wilayah Kecamatan Regol adalah sebagai berikut:
• Sebelah Utara berbatasan dengan Kecamatan Sumur Bandung
• Sebelah Timur berbatasan dengan Kecamatan Lengkong
• Sebelah Selatan berbatasan dengan Kecamatan Bandung Kidul
• Sebelah Barat berbatasan dengan Kecamatan Astana Anyar
36
Gambar III-1 Peta Daerah Penelitian
37
Sedangkan luas masing-masing kelurahan di Kecamatan Regol seperti terlihat pada
Tabel III-1 berikut:
No Nama Kelurahan Luas Wilayah (m2)
1 Ancol 783917
2 Balonggede 551950
3 Ciateul 639461
4 Ciseureuh 625749
5 Cigereleng 780080
6 Pasirluyu 974173
7 Pungkur 394934
Tabel III-1 Luas Masing-masing Kelurahan di Kecamatan Regol
3.2 Persiapan
Pada tahap pesiapan dan perancangan model nilai tanah dilakukan kegiatan-kegiatan
sebagai berikut:
1. Studi literatur terhadap beberapa penelitian terdahulu yang sesuai dengan topik
kajian. Studi literatur juga dilakukan dengan landasan teori yang mendukung
topik kajian antara lain masalah penilaian tanah, statistika, jaringan syaraf tiruan
serta perangkat lunak pendukung penelitian.
2. Rancangan penelitian yang terdiri dari perumusan masalah penelitian, penentuan
tujuan penelitian, penyusunan hipotesis serta metodologi penenlitian. Metodologi
penelitian terdiri dari penentuan daerah studi, variabel penelitian yang digunakan,
cara pengumpulan data, cara pengolahan data serta analisis penelitian.
3. Penentuan lokasi penelitian dengan pertimbangan ketersediaan data dan sumber
daya yang ada. Kecamatan Regol, Kota Bandung, Jawa Barat, dipilih menjadi
wilayah penelitian dengan pertimbangan data nilai telah tersedia dari peneliti
sebelumnya (Nur'aini, 2011).
4. Penentuan variabel dilakukan dengan merujuk pada penelitian-penelitian
sebelumnya dan disesuaikan dengan kondisi wilayah penelitian. Variabel-
variabel yang digunakan dalam penelitian ini terdiri dari:
a. Variabel terikat, yaitu nilai tanah.
b. Variabel bebas yang terdiri dari.
38
− Variabel eksogen, yang berupa jarak lurus dari centroid bidang tanah
ke centroid pusat perdagangan, fasilitas kesehatan, sarana pendidikan,
sedangkan jarak dari jalan utama terdekat menggunakan jarak buffer.
− Variabel endogen, yaitu variabel yang melekat pada bidang tanah
yang meliputi lebar sisi depan bidang tanah, lebar jalan di depan
bidang tanah, dan luas bidang tanah.
3.3 Pengumpulan Data
Dalam penelitian ini tahap-tahap pengumpulan data, pengolahan data, pembangunan
model dan analisis model dilakukan dengan bantuan bahan dan alat berikut:
1. Digitasi peta blok bidang tanah serta analisis spasial menggunakan ArcGIS 9.3,
perangkat lunak yang diproduksi ESRI.
2. Pemasukan dan pengolahan data regresi berganda serta analisis statistik
pengujian regresi berganda dilakukan dengan menggunakan Microsoft Excel dan
SPSS 17.0.
3. Implementasi program jaringan syaraf tiruan dilakukan dengan menggunakan
Matlab R2010b.
4. Penulisan laporan penelitian dilakukan dengan menggunakan Microsoft Word.
Perangkat keras yang digunakan dalam penelitian ini adalah komputer notebook
dengan spesifikasi sebagai berikut:
1. Processor Intel Core i3-2310M CPU @ 2.10 GHz
2. Harddisk 500 GB
3. RAM 2 GB
Pengumpulan data dilakukan untuk mendapatkan data variabel penelitian, yang
terdiri atas data primer dan sekunder, antara lain:
1. Peta Bidang Tanah Kecamatan Regol, data ini merupakan data sekunder yang
diperoleh dari Kantor Pertanahan Kota Bandung.
2. Peta Land Use Kota Bandung, data ini merupakan data sekunder yang diperoleh
dari Dr. Andri Hernandi, ST., MSP.
3. Citra Satelit Kecamatan Regol, data ini merupakan data sekunder yang diperoleh
dari Kantor Pertanahan Kota Bandung.
39
4. Jarak centroid dari variabel ke data sampel, data ini merupakan data primer yang
diperoleh melalui analisis jarak lurus antar centroid menggunakan perangkat
lunak ArcGIS 9.3 di atas Peta Blok Bidang Tanah Kecamatan Regol yang
diperoleh dari Kantor Pertanahan Kota Bandung, dengan tahapan sebagai berikut:
1. Penandaan titik centroid (titik tengah) variabel penelitian dan titik centroid
data sampel.
2. Melakukan pengukuran jarak lurus antar centroid untuk mendapatkan data
jarak dari variabel penelitian ke sampel penelitian.
Hasil pengukuran jarak lurus antar centroid dapat dilihat pada Gambar III-2
berikut:
Gambar III-2 Hasil Pengukuran jarak tempuh terpendek
5. Nilai tanah, data ini merupakan data sekunder yang diperoleh dari data
penawaran dan transaksi jual beli di Kecamatan Regol berdasarkan hasil survey
Kantor Pertanahan Kota Bandung. Data nilai tanah ini diperoleh melalui peneliti
sebelumnya (Rina Nur’aini). Terhadap data nilai tanah tersebut telah dilakukan
verifikasi dan penyesuaian (adjustment) jenis data dan waktu penilaian. (Data
nilai tanah dapat dilihat pada Lampiran A).
6. Jarak buffer, ukuran jarak buffer dari jalan merupakan data primer yang diperoleh
dengan cara melakukan buffer terhadap poros jalan Pada Peta Blok Bidang Tanah
dengan interval buffer 10 m seperti pada Gambar III-3 berikut:
40
Gambar III-3 Jarak Buffer
7. Lebar sisi depan objek, merupakan data sekunder yang diperoleh dari peneliti
sebelumnya (Rina Nur’aini), yang merupakan basis data Kantor Pertanahan Kota
Bandung.
8. Lebar jalan, data ini merupakan data sekunder yang diperoleh dari peneliti
sebelumnya (Rina Nur’aini), yang merupakan basis data Kantor Pertanahan Kota
Bandung.
9. Luas tanah, data ini merupakan data sekunder yang diperoleh dari peneliti
sebelumnya (Rina Nur’aini), yang merupakan basis data Kantor Pertanahan Kota
Bandung.
Lokasi persebaran variabel eksogen yaitu pusat perdagangan, fasilitas kesehatan,
sarana pendidikan dan jalan utama dapat dilihat pada Gambar III-4 sampai dengan
Gambar III-7. (Daftar variabel bebas dapat dilihat pada Lampiran B dan Hasil
pengumpulan data dapat dilihat pada Lampiran D)
41
Gambar III-4 Peta Persebaran Pusat Perdagangan
42
Gambar III-5 Peta Persebaran Fasilitas Kesehatan
43
Gambar III-6 Peta Persebaran Sarana Pendidikan
44
Gambar III-7 Peta Jaringan Jalan Utama
45
3.4 Pengolahan Data
Tahapan pengolahan data ini diawali dengan melakukan analisis terhadap data
masukan, analisis ini bertujuan untuk meningkatkan kualitas data masukan yang
terdiri dari data nilai tanah dan data jarak sebelum digunakan dalam pemodelan.
Terhadap data nilai tanah dilakukan penyesuaian jenis data dan waktu penilaian,
dimana hal ini telah dilakukan oleh peneliti terdahulu. Terhadap data nilai tanah juga
dilakukan analisis statistik untuk melihat pola persebaran datanya dan kemudian
dibagi dalam beberapa kelompok. Data nilai tanah juga dipisahkan dalam dua bagian
yaitu data untuk pembentukan model dan data untuk pengujian model. Pembagian
data ini berdasarkan proporsi masing-masing kelompok yang dilihat dari sebaran
datanya seperti pada Gambar III-8 berikut:
Gambar III-8 Histogram Sebaran Data Nilai Tanah Kecamatan Regol
Untuk melihat lebih jelas sebaran data nilai tanah tersebut maka dipergunakan
fasilitas boxplot dalam perangkat lunak SPSS 17.00, seperti yang terlihat pada
Gambar III-9 berilut:
46
Gambar III-9 Boxplot Sebaran Data Nilai Tanah Kecamatan Regol
Dari Gambar III-9 di atas terlihat bahwa nilai ekstrim dari data nilai tanah yang ada
yaitu nilai tanah yang lebih besar dari Rp. 15.000.000,-/m2. Data nilai tanah yang
lebih besar dari Rp. 15.000.000,-/m2terlihat memisah jauh dari keseluruhan data.
Dalam hasil analisis statistik dengan memanfaatkan boxplot tersebut, maka dalam
kelanjutannya ada dua data sampel tanah yang tidak diikutsertkan pada pengolahan
data berikutnya, yaitu data ekstrim atas dan data ekstrim bawah.
Dari set data nilai tanah yang baru juga dilihat sebarannya secara statistik seperti
pada Gambar III-10 berikut:
47
Gambar III-10 Histogram Sebaran Data Nilai Tanah Dengan Set Data Baru
Dari Gambar III-10 tersebut terlihat bahwa frekuensi nilai tanah di Kecamatan Regol
terbagi menjadi 3 (tiga) kategori. Untuk melihat lebih jelas klasifikasi sebaran data
nilai tanah tersebut, maka dari set data yang baru juga dibuat grafik boxplot seperti
pada Gambar III-11 berikut:
Gambar III-11 Boxplot Sebaran Data Nilai Tanah Dengan Set Data Baru
48
Klasifikasi data nilai tanah berdasarkan sebarannya menurut histogram dan boxplot
tersebut terbagi dalam 3 (kategori) yang secara jelas dapat dilihat pada Tabel III-2
berikut:
Tabel III-2 Klasifikasi Nilai Tanah Kecamatan Regol
No Klasifikasi Nilai Tanah per m2 Jumlah Data Persen
1 Kurang dari Rp 6.000.000 127 90
2 Antara Rp 6.000.000 s/d Rp 8.500.000 8 6
3 Lebih dari Rp 8.500.000 6 4
Jumlah 141 100
Pembagian data training dan data testing kemudian dilakukan berdasarkan klasifikasi
data pada Tabel III-2 di atas. Dari 141 data nilai tanah, dibagi 80% untuk training
dan 20% sisanya sebagai testing. Data training digunakan untuk membentuk model,
baik model regresi berganda maupun model jaringan syaraf tiruan. Data testing
digunakan untuk menguji model yang telah terbentuk. Jumlah data untuk training
dan testing masing-masing adalah:
Proporsi masing-masing kategori dalam training dan testing harus sesuai dengan
proporsi masing-masing kategori dalam data keseluruhan. Proporsi masing-masing
kategori ditunjukkan oleh persentase kategori tersebut, sehingga jumlah masing-
masing kategori dalam data training dan testing adalah:
Untuk data training
49
Untuk data training
Dengan demikian untuk data kategori 1 diambil 25 data secara acak dari 127 data
untuk testing. Untuk data kategori 2 diambil dua data secara acak dari delapan data
untuk testing, dan dari data kategori 3 diambil satu data secara acak dari enam data
untuk testing. Pengambilan data secara acak dari setiap kategori dilakukan dengan
menggunakan bantuan perangkat lunak Minitab, yaitu dengan melakukan
pengambilan sampel secara acak tanpa pengembalian, sebanyak data testing yang
diperlukan.
Terhadap data variabel jarak dilakukan analisis hubungan terhadap nilai tanah
dengan melihat diagram pencar hubungan data masing-masing variabel jarak
terhadap nilai tanah. Salah satu contoh diagram pencar hubungan antara nilai tanah
dengan jarak terhadap King Shopping Centre terlihat pada Gambar III-12 (Diagram
pencar masing-masing variabel terhadap nilai tanah dapat dilihat pada Lampiran C).
50
Gambar III-12 Diagram Pencar Jarak dari King Shopping Centre Terhadap
Nilai Tanah
Selanjutnya tahap pengolahan data dibedakan atas 2 (dua) kegiatan utama, yaitu
pengolahan data menggunakan metode regresi dan pengolahan data menggunakan
metode Jaringan Syaraf Tiruan (JST).
3.4.1 Pengolahan Data Menggunakan Metode Regresi
Pengolahan data menggunakan metode regresi menggunakan variabel penentu nilai
tanah yakni jarak lurus antar centroid yang berupa jarak ke pusat perdagangan, jarak
ke fasilitas kesehatan, jarak ke sarana pendidikan, dan jarak ke jalan utama, serta
variabel endogen yang berupa lebar jalan depan objek, lebar sisi depan objek dan
luas bidang tanah. Pengolahan data dibagi dalam dua tahap yaitu tahap pembentukan
model dan tahap validasi model. Tahap pengolahan metode regresi dapat dilihat pada
Gambar III-10 berikut:
0
5000000
10000000
15000000
20000000
25000000
30000000
0 500 1000 1500 2000 2500 3000 3500
Nila
i Tan
ah (R
p/m
2)
Jarak (m)
King Shopping Centre
51
Gambar III-13 Tahap Pengolahan Data Metode Regresi
Pemodelan dengan menggunakan metode regresi terdiri dari beberapa tahap di
bawah ini:
a. Transformasi data
Transformasi data pada regresi berganda bertujuan untukmenormalisasi data agar
semua data yang dugunakan untuk pembentukan model berada pada range yang
samasehingga semua variabel bebas memberikan efek yang sama pada
pembentukan model. Selanjutnya normalisasi data ini berkaitan dengan jenis
model regresi yang akan digunakan yaitu model aditif (lin-lin) dan multiplikatif
(log-log) dengan menggunakan jarak asli (x) dan juga jarak resiprokal (1/x),
dimana proses normalisasi yang dilakukan adalah transformasi data ke dalam
bentuk logaritma natural pada model multiplikatif dan juga transformasi data ke
dalam bentuk resiprokalnya pada model aditif dan multiplikatif dengan jarak
resiprok.
52
b. Reduksi variabel bebas
Proses reduksi variabel-variabel bebas dilakukan sebagai berikut:
1. Bentuk matriks (r) dari semua variabel yang ada. Matriks korelasi (r) berguna
untuk mengetahui tingkat hubungan antara variabel bebas dengan variabel
terikatnya serta antara variabel bebas. Berdasarkan analisis korelasi dapat
diketahui korelasi antar variabel bebas bervariasi, mulai korelasi sangat
rendah sampai sangat tinggi yang dapat dilihat pada Tabel III-3 (tabel
korelasi lengkap antara variabel nilai tanah dapar dilihat pada lampiran)
Tabel III-3 Matriks korelasi ganda (r)
Nilai
Tanah
ITC
Kebon
Kalapa
Yogy
a
Toser
ba
King
Shopping
Centre
Plaza
Parahyan
gan
Palaguna
Plaza
Alun
Alun
Nilai Tanah 1 -0.368 -0.440 -0.441 -0.435 -0.416 -0.425
ITC Kebon Kalapa -0.368 1 0.992 0.992 0.991 0.987 0.989
Yogya Toserba -0.440 0.992 1 1.000 1.000 0.998 0.999
2. Melakukan seleksi variabel menggunakan metode regresi stepwise
Ada beberapa pilihan metode yang dapat digunakan untuk melakukan seleksi
variabel-variabel bebas dalam rangka membentuk model akhir regresi(Dillon
& Goldstein, 1984). Metode yang paling popular digunakan yakni metode
stepwise, yang merupakan kombinasi dari forward dan backward selection.
Variabel yang terpilih adalah variabel dengan nilai koefisien determinansi
(R2) diatas 50%. Hasil seleksi variabel dengan menggunakan metode regresi
stepwise dapat dilihat pada Tabel III-4 berikut:
Tabel III-4 Seleksi Variabel dengan Metode Regresi Stepwise
No Model Variabel Y Variabel
X R2 Jumlah Variabel
53
I Variabel Eksogen
1 Aditif Y X 0.652 6 (enam)
2 Aditif Y 1/X 0.761 14 (empat belas)
3 Multiplikatif Ln Y Ln X 0.338 4 (empat)
4 Multiplikatif Ln Y Ln 1/X 0.338 4 (empat)
II Variabel Eksogen dan Endogen
1 Aditif Y X 0.662 5 (lima)
2 Aditif Y 1/X 0.732 6 (enam)
3 Multiplikatif Ln Y Ln X 0.441 4 (empat)
4 Multiplikatif Ln Y Ln 1/X 0.441 4 (empat)
c. Model awal
Dari hasil seleksi variabel menggunakan metode regresi stepwise, selanjutnya
variabel terseleksi digunakan dalam penyusunan model awal. Hasil pembentukan
model awal terlihat pada Tabel III-5 berikut:
Tabel III-5 Hasil Pemodelan Awal
No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 ITC Kebon Kalapa 17,697
2 Pasar Kota Kembang 59,041
3 SMK Pasundan 1 27,297 -38,483,425
4 SDS YAY Dewi Sartika -37,171 2,665,698,598
5 JL Moh Toha 2,163
6 SMP Negeri 43 -67,836 680,412,101 -0.696 0.696
7 SDS Bina Talenta 744,595,547
8 Universitas Langlangbuana -655,702,870 0.944 -0.944
9 JL BKR 44,696,990 -0.252 0.252
10 JL Pungkur 44,616,221
11 JL Moh Ramdan 26,265,519 -0.168 0.168
12 Yogya Toserba -4,463,988,409
13 JL Ibu Inggrit Garnasih 30,815,237
54
14 SMA Pasundan 1 2,080,654,125
15 JL Asia Afrika -2,315,840,332
16 JL Dewi Sartika 91,913,963
17 SD Mochammad Toha 2,3,4 -302,002,587
No Variabel Eksogen dan Endogen Aditif (x) Aditif (1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 Puskesmas Pasirluyu -1,053
2 Lebar Jalan 310,841 301,663 0.525 0.525
3 King Shopping Centre 8,898
4 Puskesmas Pasundan 17,169
5 SMP Negeri 43 -26,869 699,303,058
6 SDS YAY Dewi Sartika 1,556,484,354 -0.749 0.749
7 JL BKR 38,148,520 -0.242 0.242
8 Yogya Toserba -1,436,466,410
9 Universitas Langlangbuana -343,493,326 0.658* -0.658*
d. Pengujian model regresi
Sebelum proses pemodelan dilanjutkan ke tahap berikutnya, maka perlu
dilakukan penguian-pengujian sehingga dapat diperoleh variabel-variabel yang
signifikan. Disamping itu pada tahap ini akan dihasilkan model yang telah
memenuhi aturan-aturan pemodelan, baik secara a priori ekonomi, maupun uji-
uji statistik dan asumsi-asumsi klasik analisis regresi.
1. Uji kriteria a priori ekonomi
Uji kriteria a priori ekonomi dilakukan dengan cara membandingkan
kesesuian tanda antara koefisien parameter yang diperoleh, dengan anggapan
umum yang berlaku. Apabila tanda koefisien parameter regresi sesuai dengan
teori, maka variabel tersebut lolos dari uji kriteria ekonomi. Sebaliknya, jika
tanda dari koefisien tidak sesuai dengan teori, maka variabel tersebut tidak
lolos uji.
Terkait dengan pengujian variabel dengan uji a priori ekonomi, maka perlu
dibuat hipotesis yang terdiri dari:
a) Jarak ke pusat perdagangan terdekat mempunyai hubungan negatif
terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek
dari pusat perdagangan terdekat akan semakin rendah nilai tanahnya dan
sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal).
55
b) Jarak ke fasilitas kesehatan terdekat mempunyai hubungan negatif
terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek
dari fasilitas kesehatan terdekat akan semakin rendah nilai tanahnya dan
sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal).
c) Jarak ke sarana pendidikan terdekat mempunyai hubungan negatif
terhadap nilai tanah, yang bermakna bahwa semakin jauh lokasi obyek
dari sarana pendidikan terdekat akan semakin rendah nilai tanahnya dan
sebaliknya (positif jika jarak yang digunakan adalah jarak resiprokal).
d) Jarak ke jalan utama terdekat mempunyai hubungan negatif terhadap nilai
tanah, yang bermakna bahwa semakin jauh lokasi obyek dari jalan utama
terdekat akan semakin rendah nilai tanahnya dan sebaliknya (positif jika
jarak yang digunakan adalah jarak resiprokal).
e) Lebar sisi depan bidang tanah mempunyai hubungan positif terhadap nilai
tanah, yang bermakna bahwa semakin lebar sisi depan suatu bidang tanah
akan semakin tinggi nilai tanahnya dan sebaliknya.
f) Lebar jalan di depan bidang tanah mempunyai hubungan positif terhadap
nilai tanah, yang bermakna bahwa semakin lebar jalan di depan suatu
bidang tanah akan semakin tinggi nilai tanahnya dan sebaliknya.
g) Luas bidang tanah mempunyai hubungan positif terhadap nilai tanah,
yang bermakna bahwa semakin luas suatu bidang tanah akan semakin
tinggi nilai tanahnya dan sebaliknya.
Hasil uji a priori ekonomi dapat dilihat pada Tabel III-6 berikut:
Tabel III-6 Uji a priori Ekonomi
No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 ITC Kebon Kalapa 17,697*
2 Pasar Kota Kembang 59,041*
3 SMK Pasundan 1 27,297* -38,483,425*
4 SDS YAY Dewi Sartika -37,171 2,665,698,598
5 JL Moh Toha 2,163*
6 SMP Negeri 43 -67,836 680,412,101 -0.696 0.696
7 SDS Bina Talenta 744,595,547
8 Universitas Langlangbuana -655,702,870* 0.944* -0.944*
56
9 JL BKR 44,696,990 -0.252 0.252
10 JL Pungkur 44,616,221
11 JL Moh Ramdan 26,265,519 -0.168 0.168
12 Yogya Toserba -4,463,988,409*
13 JL Ibu Inggrit Garnasih 30,815,237
14 SMA Pasundan 1 2,080,654,125
15 JL Asia Afrika -2,315,840,332*
16 JL Dewi Sartika 91,913,963
17 SD Mochammad Toha 2,3,4 -302,002,587*
No Variabel Eksogen dan Endogen Aditif (x) Aditif (1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 Puskesmas Pasirluyu -1,053
2 Lebar Jalan 310,841 301,663 0.525 0.525
3 King Shopping Centre 8,898*
4 Puskesmas Pasundan 17,169*
5 SMP Negeri 43 -26,869 699,303,058
6 SDS YAY Dewi Sartika 1,556,484,354 -0.749 0.749
7 JL BKR 38,148,520 -0.242 0.242
8 Yogya Toserba -1,436,466,410*
9 Universitas Langlangbuana -343,493,326* 0.658* -0.658*
2. Uji t
Uji ini digunakan untuk mengetahui apakah koefisien regresi secara individu
berpengaruh terhadap variabel terikat. Pengujian ini dilakukan terhadap hasil
regresi tahap kedua dimana semua variabel bebas sebelumnya telah lolos uji a
priori ekonomi. Pengujian ini dilakukan dengan membandingkan antara nilai
|t-hitung| dengan t-tabel. Jika |t-hitung| lebih besar daripada t-tabel maka
dikatakan signifikan (lolos uji) dan sebaliknya (Gujarati, 2003)
Untuk melakukan pengujian t statistik, maka dilakukan regresi tahap
selanjutnya dimana hanya melibatkan variabel bebas yang telah lolos
pengujian a priori ekonomi sebelumnya.Hasil uji t dapat dilihat pada Tabel
III-7 yang merupakan nilai |t-hitung| masing-masing variable model hasil
regresi.
Tabel III-7Nilai t-hitung variabel model pada α=0,05
No Variabel Eksogen Aditif (x) Aditif (1/x) Multiplikatif (x) Multiplikatif
57
(1/x)
t tabel = 1.977 t tabel = 1.977 t tabel = 1.977 t tabel = 1.977
1 SDS YAY Dewi Sartika -2.079 5.430
2 SMP Negeri 43 1.696* 4.138 -6.117 6.117
3 SDS Bina Talenta 2.538
4 JL BKR 2.969
-2.455 2.455
5 JL Pungkur 1.892
6 JL Moh Ramdan 1.565*
1.534* -1.534*
7 JL Ibu Inggrit Garnasih 0.965
8 SMA Pasundan 1 -1.096*
9 JL Dewi Sartika 1.551*
No
Variabel Eksogen dan
Endogen Aditif (x) Aditif (1/x)
Multiplikatif (x)
Multiplikatif
(1/x)
t tabel = 1.977 t tabel = 1.977 t tabel = 1.977 t tabel = 1.977
1 Puskesmas Pasirluyu 3.207
2 Lebar Jalan 6.239 7.095 5.368 5.368
3 SMP Negeri 43 1.304* 5.114
4 SDS YAY Dewi Sartika 6.346 -5.947 5.947
5 JL BKR 3.121 -1.491* 1.491*
3. Uji-F
Uji ini digunakan untuk mengetahui pengaruh variabel bebas yang digunakan
dalam model secara bersama-sama terhadap variabel terikat (nilai tanah). Uji
ini dilakukan dengan membandingkan nilai F-hitung dengan nilai F-tabel. Uji
ini menggunakan uji dua sisis, dengan derajat kebebasan (degree of freedom)
df1 = k-1 dan df2 = (n-k), dimana k adalah jumlah variabel independent dan
dependent dan n adalah jumlah sampel. Jika nilai F-hitung> nilai F-tabel
maka H0 ditolak (semua variabel bebas bukan merupakan penjelas yang
signifikan terhadapa variabel terikat), dan menerima Ha yaitu semua variabel
bebas secara simultan merupakan penjelas yang signifikan terhadap variabel
terikat (Gujarati, 2003). Untuk melakukan pengujian F statistik, maka
dilakukan regresi tahap selanjutnya dengan hanya melibatkan variabel yang
lolos uji sebelumnya. Hasil uji-F dapat dilihat pada Tabel III-8 berikut:
58
Tabel III-8 Hasil Uji-F (tes dua sisi pada α=0,05)
No Variabel Eksogen df1 df2 F tabel F hitung
1 Aditif (x) 1 139 3.909 33.396
2 Aditif (1/x) 4 136 2.438 58.864
3 Multiplikatif (x) 2 138 3.062 17.972
4 Multiplikatif (1/x) 2 138 3.062 17.972
No Variabel Ekdogen dan Endogen df1 df2 F tabel F hitung
1 Aditif (x) 2 138 3.06 42.608
2 Aditif (1/x) 4 136 2.438 86.379
3 Multiplikatif (x) 2 138 3.062 34.050
4 Multiplikatif (1/x) 2 138 3.062 34.050
4. Uji Multikolinieritas
Uji ini digunakan untuk mengetahui adanya hubungan linier diantara
variabel-variabel bebas dalam model regresi yaitu ditunjukkan dengan adanya
derajat kolinieritas yang tinggi di antara variabel-variabel bebas. Dengan kata
lain merupakan keadaan dimana satu atau lebih variabel bebas dapat
dinyatakan sebagai kombinasi dari variabel bebas lainnya.
Salah satu cara untuk mendeteksi masalah multikolinieritas yaitu dengan
melihat nilai VIF (Variance Inflation Factor) dari variabel bebas. Jika nilai
VIF < 10 maka hasil tersebut mengundikasikan bahwa tidak terdapat gejala
multikolinieritas yang serius (berderajat rendah).
Untuk melakukan pengujian multikolinieritas, maka dilakukan regresi tahap
berikutnya dimana hanya melibatkan variabel beas yang telah lolos pengujian
sebelumnya. Nilai VIF variabel pada masing-masing model dapat dilihat pada
Tabel III-9 berikut:
Tabel III-9 Nilai VIF Masing-Masing Variabel
No Variabel Eksogen Aditif
(x)
Aditif
(1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 SDS YAY Dewi Sartika 1.000 2.236
2 SMP Negeri 43 2.244 1.026 1.026
3 SDS Bina Talenta 1.197
59
4 JL BKR 1.084 1.026 1.026
No Variabel Eksogen dan
Endogen
Aditif
(x)
Aditif
(1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 Puskesmas Pasirluyu 1.015
2 Lebar Jalan 1.015 1.048 1.005 1.005
3 SMP Negeri 43 2.245
4 SDS YAY Dewi Sartika 2.209 1.005 1.005
5 JL BKR 1.033
5. Uji heteroskedastisitas
Heteroskedastisitas adalah suatu keadaan adanya varian yang tidak konstan
dari variabel pengganggu. Dalam penelitian ini fenomena heteroskedastisitas
dilakukan dengan Uji Glejser, yaitu dengan meregresikan variabel-variabel
bebas terhadap nilai absolut residualnya(Gujarati, 2003). Setelah itu dilihat
angka signifikansi variabel tersebut. Jika lebih besar dari nilai α yang
digunakan maka variabel tersebut bebas dari heteroskedastisitas. Berdasarkan
pengujian heteroskedastisitas diperoleh hasil pengujian seperti terlihat pada
Tabel III-10 yang merupakan nilai signifikansi masing-masing variabel
terhadap model.
Tabel III-10 Nilai Signifikanasi Masing-masing Variabel Terhadap Model
No Variabel Eksogen Aditif
(x)
Aditif
(1/x) Multiplikatif
(x)
Multiplikatif
(1/x)
1 SDS YAY Dewi Sartika .000* .243
2 SMP Negeri 43 .274 .343 .303
3 SDS Bina Talenta .820
4 JL BKR .456 .303 .303
No Variabel Eksogen dan Endogen
Aditif (x)
Aditif (1/x)
Multiplikatif (x)
Multiplikatif (1/x)
1 Puskesmas Pasirluyu .000* 2 Lebar Jalan .003* 0.078 0.209 0.209 3 SMP Negeri 43 0.094 4 SDS YAY Dewi Sartika 0.995 0.962 0.962 5 JL BKR 0.07
e. Pemilihan model regresi
60
Setelah malalui berbagai pengujian model maka didapatkan model akhir yang
telah memenuhi aturan-aturan pembentukan model. Pemilihan model regresi
dilakukan didasarkan nilai koefisien determinansi (R2) dari model yang tersisa
yang ditunjukkan pada Tabel IV-11 berikut:
Tabel III-11Nilai Koefisien Determinansi Masing-masing Model Regresi
No Variabel Eksogen R2 Std Error
1 Aditif (1/x) 0.623 1654827.403
2 Multiplikatif (x) 0.195 0.747
3 Multiplikatif (1/x) 0.195 0.747
No Variabel Ekdogen dan Endogen R2 Std Error
1 Aditif (1/x) 0.573 1760552.108
2 Multiplikatif (x) 0.321 0.686
3 Multiplikatif (1/x) 0.321 0.686
f. Validasi model ditujukan untuk mengetahui seberapa akurat model terpilih untuk
memprediksi nilai tanah di wilayah penelitian. Validasi dilakukan dengan
menerapkan model terhadap data testing. Hasil validasi model dapat dilihat pada
Tabel III-12 berikut:
Tabel III-12 Hasil Validasi Model Regresi
No Uraian Data Validasi Batasan
1 PRD 1,41 0,98 < x < 1,03
2 COD 36,6 x ≤ 20%
3.4.2 Pengolahan Data Menggunakan Metode Jaringan Syaraf Tiruan
Pengolahan data menggunakan metode JST dibagi dalam 2 (dua) tahap yaitu tahap
pembentukan model dan tahap validasi model. Tahap pengolahan data metode JST
dapat dilihat pada Gambar III-11 berikut:
61
Gambar III-14 Tahap Pengolahan Data Metode Jaringan Syaraf Tiruan
Pemodelan dengan menggunakan metode regresi terdiri dari beberapa tahap di
bawah ini:
a. Normalisasi Data (Preprocessing)
Proses Training pada JST akan lebih efisien dan efektif apabila data-data yang
masuk berada pada suatu range tertentu. Menyajikan data mentah secara
langsung pada JST akan membuat neuron mengalami saturasi dan gagal
melakukan training. Oleh karena itu, data input harus melalui proses normalisasi
terlebih dahulu sehingga berada pada range yang sama dengan fungsi
aktivasinya, yaitu antara 0 sampai 1. Proses normalisasi dilakukan dengan
menggunakan Persamaan II-17
b. Seleksi Variabel
62
Tahapan seleksi variabeldimaksudkan untuk mendapatkan variabel-variabel yang
mempengaruhi nilai tanah secara signifikan, untuk digunakan dalam
pemodelan.Di dalam JST dikenal suatu algoritma dalam penyeleksian variabel
yang disebut dengan Input Variabel Selection Method (IVS).Algoritma IVS
diklasifikasikan dalam tiga kelas utama yaitu wrapper, embedded danfilter(May,
Dandy, & Maier, 2011). Dalam penelitian ini algoritma IVS yang digunakan
adalah wrapper.
Gambar III-15 Wrapper
Algoritma wrapper adalah yang pertama dari 3 kelas dasar dalam algoritma
penyeleksian variabel input untuk JST. Wrapper adalah metode IVS yang paling
sederhana untuk diformulasikan. Efisiensi dari metode wrapper bergantung pada
kemampuan model dalam merepresentasikan hubungan antar data, salah satu
teknik yang banyak digunakan dalam metode wrapper adalah Single Variable
Regression (SVR). Pendekatan SVR adalah dengan cara mengkonstruksi model
JST menggunakan masing-masing variabel kandidat dan kemudian diurutkan
berdasarkan performansi dan kekuatan modelnya. Kekuatan model disini
direpresentasikan dalam nilai koefisien determinansi (R2). Variabel yang dapat
menghasilkan model JST dengan koefisien determinansi lebih dari 50% terpilih
sebagai variabel input untuk model utama JST. Hasil seleksi variabel dapat
dilihat pada Tabel III-13 berikut:
Tabel III-13 Hasil Analisis Determinansi Variabel dengan Jarak Asli
No Kode Variabel R2
Pusat Perdagangan
1 CBD1 ITC Kebon Kalapa 0.393
2 CBD2 Yogya Toserba 0.678*
3 CBD3 King Shopping Centre 0.665*
63
4 CBD4 Plaza Parahyangan 0.591*
5 CBD5 Palaguna Plaza 0.503*
6 CBD6 Alun Alun 0.578*
7 CBD7 Pasar Kota Kembang 0.780*
Fasilitas Kesehatan
8 K1 Rumah Sakit Sartika Asih 0.651*
9 K2 Klinik Bali Pengobatan YPPKK 0.666*
10 K3 Puskesmas Pasirluyu 0.601*
11 K4 Puskesmas Mohammad Ramdan 0.530*
12 K5 Klinik Aviati 0.718*
13 K6 Puskesmas Pasundan 0.567*
Sarana Pendidikan
14 P1 SD Mengger Girang 1,2 0.698*
15 P2 SMA 11 Maret 0.617*
16 P3 SD BBK Priangan 3,5 0.719*
17 P4 SMA Negeri 11 0.378
Tabel III-13 (Lanjutan)
Sarana Pendidikan 18 P5 SDN Pasir Jaya 0.748* 19 P6 SDS Bina Talenta 0.324 20 P7 SMA Muhammadiyah 1 0.658* 21 P8 SDS, SMAK Kalam Kudus 0.383 22 P9 SD Ciateul 0.566* 23 P10 Universitas Langlangbuana 0.519* 24 P11 SD Mochammad Toha 2,3,4 0.328 25 P12 SDS Yos Sudarso 0.474 26 P13 SDS, SMP, SMA Rehoboth 0.605*
64
27 P14 SMP Negeri 3 0.317 28 P15 SMP Negeri 10 0.473 29 P16 SMEA Pasundan 0.505* 30 P17 SMK Pasundan 1 0.473 31 P18 SDS YAY Dewi Sartika 0.753* 32 P19 SDS Assalam 1,2 0.603* 33 P20 SMP Negeri 43 0.700* 34 P21 SMA Pasundan 1 0.578* 35 P22 SD Kotabaru 0.485
Jalan 36 J1 JL Soekarno Hatta 0.692* 37 J2 JL Asia Afrika 0.51* 38 J3 JL Moh Ramdan 0.638* 39 J4 JL Moh Toha 0.205 40 J5 JL Otista 0.669* 41 J6 JL BKR 0.577* 42 J7 JL Pungkur 0.148 43 J8 JL Dewi Sartika 0.65* 44 J9 JL Kepatihan 0.621* 45 J10 JL Ibu Inggrit Garnasih 0.271 46 J11 JL Dalem Kaum 0.46 47 J12 JL Balonggede 0.471
Endogen 49 LD Lebar Depan 0.238 50 LJ Lebar Jalan 0.277 51 LU Luas 0.511*
c. Pembentukan Model
1. Perancangan Arsitektur Jaringan
Model JST yang digunakan pada penelitian ini menggunakan jenis Multi
Layer Perceptron (MLP). Jaringan terdiri dari lapisan masukan dengan jumlah
node sesuai dengan banyaknya variabel. Dua lapisan tersembunyi dan sebuah
lapisan keluaran dengan 1 (satu) node. Lapisan keluaran pada jaringan syaraf
tiruan hanya mempunyai satu node. Nilai node tersebut merupakan prediksi
nilai tanah model jaringan syaraf tiruan.
2. Perancangan Sistem PelatihanJST.
65
Untuk mendapatkan struktur JST yang paling optimal dilakukan beberapa
tahap pengujian yaitu:
a) Uji pengaruh learning rate, mse goal, dan momentum.
Pengujian ini bertujuan untuk mendapatkan nilai faktor pembelajaran yang
paling optimal untuk pembentukan model nilai tanah. Pengujian dilakukan
dengan beberapa variasi nilai learning rate, mse goal, dan momentumdan
menganggap parameter yang lain konstan. Dari pengujian didapatkan hasil
sesuai Tabel III-14 hingga Tabel III-16 berikut:
Tabel III-14 Hasil Pengujian Learning Rate
Learning rate (η) Waktu pembelajaran (ms)
0.2 6780
0.3 7100
0.4 7020
0.5 7030
0.6 6920
0.7 6960
0.8 7030
0.9 7120
Tabel III-15 Hasil Pengujian Mse Goal
Mse goal (λ) Waktu pembelajaran (ms)
0.0001 6840
0.001 7130
0.01 7860
Tabel III-16 Hasil Pengujian Momentum
Momentum (ε) Waktu pembelajaran (ms)
0.2 7470
0.3 7390
0.4 7940
66
0.5 8220
0.6 7370
0.7 7900
0.8 8250
0.9 7760
Dalam sistem ini digunakan Learning rate0.2, mse goal 0.0001 dan
momentum 0.6
b) Uji pengaruh jumlah neuron pada hidden layer
Pengujian ini bertujuan untuk mendapatkan jumlah neuron pada hidden
layeryang paling optimal untuk pemodelan nilai tanah. Untuk
mendapatkan jumlah neuron pada lapisan tersembunyi yang paling optimal
dilihat dari koefisien determinansipengujian jaringan pada data testing dan
waktu prosesnya. Hasil pengujian pengaruh jumlah neuron pada hidden
layer ditunjukkan pada Tabel III-17berikut:
Tabel III-17 Hasil Pengujian Pengaruh Jumlah Neuron Pada Hidden Layer
Hidden layer 1 Hidden Layer 2 R2 Testing Waktu (ms)
10 5 0.421 6870
20 10 0.233 8630
40 20 0.240 9120
Pada sistem JST dalam penelitian ini jumlah neuronyang ditentukan untuk
menempati hidden layer adalah 10 neuron pada hidden layer pertama dan
5 neuron pada hidden layer kedua.
Uji Pengaruh fungsi aktivasi
Pengujian ini bertujuan mendapatkan fungsi aktivsi yang paling optimal
dalam pembentukan model. Hasil dari pengujian ini ditunjukkan pada
Tabel III-18 berikut:
Tabel III-18 Hasil Pengujian Fungsi Aktivasi
Fungsi aktivasi: input-hidden 1-hidden 2-output R2 Testing
Sigmoid bipolar-Sigmoid biner-Identitas 0.412
Sigmoid biner-Sigmoid bipolar-Identitas 0.120
Sigmoid bipolar-Sigmoid bipolar-Identitas 0.117
67
Sigmoid biner-Sigmoid biner-Identitas 0.217
Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar dari lapisan
masukan ke lapisan tersembunyi pertama, fungsi sigmoid biner dari
lapisan tersembunyi pertama ke lapisan tersembunyi kedua, dan fungsi
identitas dari lapisan tersembunyi kedua ke lapisan keluaran.
c) Nilai bobot (weight) dan bias
JST belajar dengan cara meng-update bobot. Bobot yang tersimpan dari
proses training akan digunakan untuk melakukan proses testing. Pada awal
proses training akan dilakukan inisialisasi nilai bobot jaringan termasuk
juga nilai bobot bias untuk hidden layer danoutputlayer dengan nilai yang
kecil. Pada sistem JST dalam penelitian ini nilai bobot jaringan termasuk
nilai bobot untuk bias ditentukan secara acak antara 0 (nol) sampai 1
(satu).
d) Iterasi maksimum
Iterasi maksimum merupakan salah satu syarat kondisi pelatihan jaringan
berhenti selain toleransi error. Nilai iterasi ini nantinya akan dibandingkan
dengan proses perulangan selam sistem melakukan proses training, jika
toleransi error belum memenuhi juga selama beberapa waktu, maka sistem
akan berhenti jika perulangan dilakukan melebihi iterasi maksimum. Pada
pelatihan ini digunakan iterasi maksimum sebesar 3000.
3. Penerapan Sistem Pelatihan JST
Secara garis besar penerapan sistem pelatihan JST dalam program komputer
terdapat dua tahap komputasi yaitu:
a) Tahap Belajar
Pada tahap ini proses dimulai dengan memasukkan pola-pola belajar ke
dalam jaringan. Dengan mengguanakan pola-pola ini jaringan akan
mengubah-ubah bobot yang menjadi penghubung antara node. Satu
periode dimana seluruh pola belajar telah diproses disebut 1 (satu) iterasi.
Pada setiap 1 iterasi dilakukan evaluasi terhadap keluaran jaringan. Tahap
ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan
menemukan bobot yang sesuai dimana suatu keadaan yang diinginkan
telah terpenuhi. Selanjutnya bobot ini menjadi dasar pengetahuan pada
68
tahap pengenalan. Pada tahap ini digunakan data yang digunakan adalah
data training.
b) Tahap Pengenalan
Pada tahap ini dilakukan pengenalan terhadap suatu pola masukan dengan
menggunakan bobot hasil tahap belajar. Tahap pengenalan dilakuakan
dengan menerapkan model terhadap data testing. Akurasi model JST hasil
tahap pengenalan dapat dilihat pada Tabel III-19 berikut:
Tabel III-19 Akurasi Model JST
Uraian Nilai R2 Model 0.906 RMSe Model 23476.8 R2 Uji 0.401 RMSe uji 5845047 R2 semua data 0.780 RMSe total 2625716
d. Denormalisasi Data (Postprocessing)
Nilai output yang dihasilkan oleh jaringan berkisar antara 0 (nol) sampai dengan
1 (satu) akibat dari proses normalisasi yang dilakukan sebelumnya, sehingga
perlu dilakukan proses denormalisasi atau postprocessing yang berguna untuk
mengkonversikan kembali hasil output jaringan menjadi nilai tanah
normal.Denormalisasi data dilakukan dengan menggunakan Persamaan III-18.
e. Validasi Model
Validasi model ditujukan untuk mengetahui seberapa akurat model terpilih untuk
memprediksi nilai tanah di wilayah penelitian. Validasi dilakukan dengan
menerapkan model terhadap data testing. Hasil validasi model dapat dilihat pada
Tabel III-20 berikut:
Tabel III-20 Validasi Model JST
Uraian Data Validasi Batasan PRD 1.26 0,98 < x < 1,03
COD 35.2 x ≤ 20%