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%