Hasil dan Analisis Data

D. Hasil dan Analisis Data

1. Hasil Analisis Spasial

Analisis spasial digunakan untuk mengidentifikasi letak lokasi pusat perbelanjaan pada tingkat kelurahan di Kota Surakarta dan bagaimana pola penyebarannya terhadap nilai tanah menggunakan Sistem Informasi Geografis (SIG) dengan perangkat lunak Arch Map.

Tahap penyusunan dan penggunaan SIG meliputi perolehan data, pemrosesan data awal, membangun data base, pencarian, dan analisis spasial, serta penampilan dan interpretasi secara grafik. Peta dasar yang digunakan adalah peta Kota Surakarta yang bersumber dari Peta Rupa Bumi Indonesia dan Citra Google Earth 2009.

Pembuatan peta digital dimulai dengan melakukan scanning terhadap peta dasar dan registrasi peta hasil scan ke perangkat lunak. Selanjutnya digitasi on screen dilakukan disetiap objek, sehingga dapat diidentifikasi

commit to user

perbelanjaan di Kota Surakarta.

Gambar 4.1

Pola Persebaran Pusat Perbelanjaan

Sumber : ArcMap Hasil layout peta tersebut dapat dilihat lokasi pusat perbelanjaan dalam membentuk klusterisasi. Pusat perbelanjaan cenderung mengelompok di pusat

kota. Salah satu faktor naiknya harga tanah adalah dekat dengan pusat kegiatan ekonomi, termasuk dekat dengan pusat perbelanjaan. Harga tanah di

kelurahan sekitar pusat perbelanjaan sangat tinggi, yaitu 2-4 juta per m 2 . Kota Surakarta mengalami perkembangan dalam pendirian toko modern atau pusat perbelanjaan modern, hal ini adalah perencanaan Pemkot Surakarta dalam

commit to user

ekonomi yang tinggi hingga dapat menunjang pertumbuhan ekonomi kota. Perencanaan kota yang telah berjalan dalam mendukung berdirinya pusat perbelanjaan maupun tempat penting lainnya maka tercipta fasilitas publik yang baik, yaitu city walk yang terbentang dari Purwosari hingga Gladak. City walk ini dapat memberi kenyamanan bagi pejalan kaki untuk berjalan dari satu unit ke unit yang lainnnya tanpa khawatir adanya banyak kendaraan yang melintas.

Pola karakteristik pusat perbelanjaan di Kota Surakarta, diketahui setelah melakukan pengolahan data dengan SIG, yaitu :

a. Solo Square Mall yang beralamat di Jl. A. Yani Laweyan, Surakarta. Daerah di sekitarnya memiliki luas lebih dari 64 hektar are dengan nilai tanah Rp.1.800.000-3.150.000. Di sekitar daerah Solo Square tingkat

kepadatan penduduk berkisar 7.778 -15.241 jiwa/km 2 . Kondisi Perumahan di daerah Solo Square sangat padat, hampir mencapai 3000 unit. Pertokoan di daerah Solo Square berkisar 196 - 257 unit pertokoan.

b. Solo Grand Mall atau dikenal dengan sebutan SGM, daerah di sekitarnya memiliki luas lebih dari 50 Ha dengan nilai tanah Rp. 1.000.000- 3.000.000. Di sekitar daerah Solo Grand Mall tingkat kepadatan

penduduk 9.624-19.038 jiwa/ km 2 . Kondisi Perumahan yaitu dari 790 – 2.668 unit. Pertokoan di daerah Solo Grand Mall mencapai 250 unit pertokoan.

commit to user

sehingga pada posisi nilai tanah paling mahal, Di daerah singosaren plaza merupakan daerah yang paling jarang penduduknya jika dibandingkan dengan daerah lain. Di daerah Singosaren Plaza juga tidak padat perumahan. Namun, pertokoan di daerah Singosaren Plaza sangat padat lebih dari 400 unit bahkan pada kelurahan Gajahan mencapai 2.452 unit pertokoan.

d. Nilai tanah disekitar Beteng Trade Center bekisar 2-3 juta rupiah, penduduk daerah sekitar berkisar 8.000-25.000 jiwa/km 2 . Beteng Trade Centre padat akan perumahan. Di daerah Beteng Trade Centre juga padat pertokoan.

e. Nilai tanah disekitar Pusat Grosir Solo yaitu bekisar 2-3 juta rupiah, penduduk daerah sekitar berkisar 8.000-25.000 jiwa/km 2 . Di daerah sekitar Pusat Grosir Solo padat akan perumahan. Di sekitar PUsat Grosir Solo juga padat pertokoan.

2. Hasil Analisis Regresi

Analisis regresi merupakan salah satu analisis yang bertujuan untuk mengetahui pengaruh suatu variabel terhadap variabel lain. Data dalam penelitian menggunakan data cross section. Data yang digunakan tersebut diperoleh dari Badan Pusat Statistik Kota Surakarta, wawancara dengan penduduk setempat, dan agen property. Seluruh data yang digunakan diolah dan dianalisis menggunakan program E-views versi 3.0 . Adapun variabel yang akan dianalisis dalam penelitian ini adalah sebagai berikut:

commit to user

Data Harga Tanah, Luas Area, Kepadatan Penduduk, Jumlah Rumah, dan Jumlah Toko Per Kelurahan Tahun 2009

Jumlah Rumah

(Unit)

Jumlah

Toko (Unit)

Harga Tanah/m 2

3.150.000 Pasar Kliwon

3.330.000 Kampung Baru

2.430.000 Kedung Lumbu

2.475.000 Sumber: BPS Surakarta, Hasil wawancara ,dan Agen properti data diolah.

commit to user

LNTi = β 0 +β 1 LLA +β 2 LPDD + β 3 LRMH +β 4 LTK + ei ……………… (4.1)

Dimana : LNT i

: Nilai tanah dalam rupiah (dalam bentuk Log ) LLA : Luas Area pada tiap kelurahan dalam Ha (dalam bentuk Log) LPDD : Kepadatan penduduk dalam kilometer persegi (dalam bentuk Log) LRMH : Jumlah bangunan rumah dalam unit (dalam bentuk Log) LTK : Jumlah bangunan toko dalam unit (dalam bentuk Log)

: Faktor pengganggu Hasil pengolahan data dilakukan dengan menggunakan program Eviews

3.0 dengan model regresi log-linear dengan tampilan data pengolahan data sebagai berikut:

Tabel 4.3

Estimasi Data dengan Model Regresi Linear dengan Metode Kuadrat

Terkecil (OLS)

Dependent Variable : LNTi Method : Least Squares Date : 06/25/11 Time : 02:59 Sample : 1 27 Included observations : 27

Variable

Coefficient

Std.Error

t-Statistic Prob.

0.346089 Mean Dependent Var

14.43180 Adjusted R-squared

0.227196 S.D. dependent var

0.596846 S.E. of regression

0.524683 Akaike info criterion

1.713532 Sum squared residu

6.056438 Schwarz criterion

1.953502 Log likelihood

-18.13269 F-statistic

2.910925 Durbin-Watson stat

1.956108 Prob (F-statistic)

0.044935 Sumber : Eviews 3.0, data diolah

commit to user

LNTi = 15,29321 + 0,809216 LLA + 0,041189 LPDD - 0,962029 LRMH +

a. Uji Asumsi Klasik

1) Uji Multikolinear

Multikolinearitas merupakan suatu hubungan linear yang sempurna atau mendekati sempurna diantara beberapa atau semua variabel yang menjelaskan (variabel bebas) dalam model regresi. Untuk menguji ada tidaknya multikolinearitas dalam suatu model empirik dapat dilakukan dengan menggunakan korelasi parsial yang disarankan oleh Farrar dan Gruber (1967). Pengujian yang mengidentifikasi tentang ada tidaknya masalah keterkaitan antar variabel independen atau variabel penjelas. Pengujian ini menggunakan pendekatan korelasi parsial, yaitu:

a) Meregres biasa dengan melihat besarnya R 2 yang disebut sebagai R 2

asal (R 2 a)

b) Meregres antar variabel independen secara bergantian.

c) Memperhatikan besar R 2 pada masing masing hasil regresi antar

variabel independen tersebut

commit to user

masih lebih besar dari R 2 1 ,R 2 2, R 2 3, R 2 4, dan R 2 5 maka tidak terdapat

masalah multikolinier. Hasil regresi pooled OLS, diperoleh R 2 a= 0,346098

Hasil olah data dengan eviews 3.0 diketahui ini hasil uji multikolinieritas sebagai berikut :

Tabel 4.4 Hasil Uji Multikolinearitas

Sumber : Eviews 3.0 Data dari tabel 4.4 dapat diketahui bahwa untuk semua korelasi variabel bebas mempunyai R 2 yang lebih kecil daripada nilai R 2 a. Sehingga dalam model tersebut tidak terdapat masalah multikolinier pada

semua variabel dependent dengan variabel independen lain. Hal ini menunjukkan bahwa semua variabel memang layak atau berguna untuk dimasukkan ke dalam model.

2) Uji Heteroskedastisitas

Heteroskedastisitas terjadi jika gangguan muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS

R 2 R 3 a Keterangan LNTi-LLA

0,002490

0,346098 Tidak ada masalah multikolinear LNTi-LPDD

0,006985

0,346098 Tidak ada masalah multikolinear LNTi-LRMH

0,022425

0,346098 Tidak ada masalah multikolinear LNTi-LTK

0,099384

0,346098 Tidak ada masalah multikolinear LLA-LPDD

0,036138

0,346098 Tidak ada masalah multikolinear LLA-LRMH

0,315264

0,346098 Tidak ada masalah multikolinear LLA-LTK

0,044841

0,346098 Tidak ada masalah multikolinear LPDD-LRMH 0,113813

0,346098 Tidak ada masalah multikolinear LPDD-LTK

0,001247

0,346098 Tidak ada masalah multikolinear LRMH-LTK

0,137815

0,346098 Tidak ada masalah multikolinear

commit to user

metode untuk mendeteksi heteroskedastisitas yaitu uji Park, uji Glejser, uji White, dan uji Breusch-Pagan-Godfrey. Pengujian heteroskedastisitas dalam penelitian ini akan menggunakan uji White. Dalam uji white ditawarkan dua jenis pengujian, yaitu: White Heteroscedasticity (no cross term ) dan White Heteroscedasticity (cross term). Untuk penelitian ini digunakan pengujian White Heteroscedasticity (no cross term) disebabkan banyak menggunakan variabel bebas. Jika nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah heteroskedastisitas. Sebaliknya, Jika nilai probabilitas dari semua variabel kurang atau lebih kecil dari nilai taraf signifikansi 5%, maka pada model tersebut terdapat masalah heteroskedastisitas. Hasil pengujian heteroskedastisitas dengan uji White Heteroscedasticity (no cross term) tersebut dapat dilihat pada tabel 4.5 sebagai berikut:

Tabel 4.5

Hasil Uji White Untuk Mendeteksi Heteroskedastik

t- Statistik

Homoskedastik Sumber : Eviews 3.0

Hasil data pada tabel 4.5 bahwa nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah heteroskedastisitas.

commit to user

Autokorelasi merupakan suatu asumsi penting dari model linear klasik. Hal ini menandakan suatu kondisi yang berurutan diantara gangguan atau disturbansi µi yang masuk ke dalam fungsi regresi populasi. Autokorelasi didefinisikan sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu dan ruang. Dalam hal ini asumsinya adalah autokorelasi tidak terdapat dalam disturbansi atau gangguan µi . Adanya autokorelasi antara variabel gangguan menyebabkan penaksir tidak lagi efisien baik dalam sampel kecil maupun dalam sampel besar. Salah satu pengujiannya adalah dengan estimasi BG test maka hasilnya sebagai berikut:

Tabel 4.6 Hasil BG Test

Tidak ada masalah autokorelasi LPDD

-0.010046

0.9921

Tidak ada masalah autokorelasi LRMH

-0.016242

0.9872

Tidak ada masalah autokorelasi LTK

0.048369

0.9619

Tidak ada masalah autokorelasi LIND

0.109329

0.9140

Tidak ada masalah autokorelasi Sumber : Eviews 3.0

Hasil dari tabel 4.6 bahwa nilai probabilitas dari semua variabel lebih besar nilai taraf signifikansi 5%, maka pada model tersebut tidak terdapat masalah autokorelasi.

b. Uji Statistik

1) Uji t

Uji t adalah uji secara individual semua koefisien regresi yang bertujuan untuk mengetahui besarnya pengaruh dari masing-masing

commit to user

Independen terhadap nilai tanah dengan Pengujian secara individual dari koefisien regresi masing masing variabel bebas dengan menggunakan model least square (OLS). Hasil dari estimasi tersebut adalah sebagai berikut: Nilai t tabel = t α/2 ;N-K=t 0.05/2 ; 27 – 4 = 2,069 Keterangan:

a = derajat signifikansi N = jumlah sampel (banyaknya observasi) K = banyaknya parameter

-2,069

2,069

(1). Jika -2,069 < t.hit < 2,069 maka Ho diterima, Ha ditolak. Berarti koefisien regresi parsial variabel tersebut secara statistik tidak berpengaruh terhadap nilai tanah pada tingkat signifikansi a = 5%.

(2). Jika t.hit < -2,069 atau t.hit > 2,069 maka Ho ditolak, Ha diterima. Berarti koefisien regresi parsial variabel tersebut berpengaruh secara signifikan terhadap nilai tanah pada tingkat signifikansi a = 5%.

commit to user

tingkat signifikansi 5% : (1). Koefisiensi regresi dari LLA mempunyai t hitung 0,809216 < 2,069 dimana nilai probabilitasnya 0,0288 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan,variabel LLA secara statistik berpengaruh terhadap variabel LNTi.

(2). Koefisiensi regresi dari LPPD mempunyai t hitung 0,041189 < 2,069 dimana nilai probabilitasnya 0,4884 > 0,05 maka koefisien dari regresi tersebut tidak signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LPDD secara statistik tidak berpengaruh terhadap variabel LNTi.

(3). Koefisiensi regresi dari LRMH mempunyai t hitung -2,069 < - 0,962029 < 2,069 dimana nilai probabilitasnya 0,0093 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LRMH secara statistik berpengaruh terhadap variabel LNTi.

(4). Koefisiensi regresi dari LTK mempunyai t hitung 0,471655 < 2,069 dimana nilai probabilitasnya 0,0111 < 0,05 maka koefisien dari regresi tersebut signifikan pada tingkat signifikansi 5%. Sehingga disimpulkan, variabel LTK secara statistik berpengaruh terhadap variabel LNTi.

commit to user

Uji F (Overall Test) dilakukan untuk menguji apakah semua variabel independen yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Dengan

derajat keyakinan 95% (α = 5%), derajat kebebasan pembilang (numerator) adalah k-1 dan penyebut (denumerator) adalah n-k.

Nilai F tabel = Fα ; K-1;N-K Nilai F tabel = F 0,05 ; 4 ;23 = 2,76

Keterangan: N = jumlah sampel/data K = banyaknya parameter

2,76

(1). Jika F.hit > 2,76 maka Ho ditolak dan Ha dite rima. Berarti β0, β1, β2, β3, β4, dan β5 berbeda dengan 0 (nol) artinya dapat disimpulkan bahwa semua koefisien regresi secara bersama-sama

signifikan pada tingkat a = 5%. (2). F.hit < 2,76 maka Ho diterima dan Ha ditolak. Berarti β0, β1, β2, β3, β4, dan β5 tidak berbeda dengan 0 (nol) artinya dapat

disimpulkan bahwa semua koefisien regresi secara bersama-sama tidak signifikan pada tingkat a = 5%.

commit to user

OLS (Ordinary Least Square), nilai F hitungnya adalah 2,910925 dengan probabilitas signifikansinya sebesar 0,044. Hal ini menunjukkan bahwa nilai F hitung < F tabel yaitu dengan nilai sebesar 2,910925 > 2,76 berari Ho ditolak, artinya koefisien regresi secara bersama-sama signifikan pada tingkat α = 5%. Hal ini dapat dilihat dari tingkat signifikansinya yang kurang dari 0,05 (< 0,05). Hal ini berarti bahwa variabel jumlah luas area, kepadatan penduduk, jumlah rumah, dan jumlah toko secara bersama-sama mempengaruhi nilai tanah di Kota Surakarta.

3) Koefisien Determinasi

Uji determinasi adalah uji untuk mengetahui berapa persen variasi perubahan variabel independen dapat menjelaskan variasi perubahan variabel dependen. Berdasarkan hasil estimasi menunjukkan bahwa nilai

R 2 adalah 0,346098 . Hal ini artinya bahwa sekitar 34.60 % variabel nilai tanah dapat dijelaskan oleh variabel jumlah rumah, jumlah pertokoan, tingkat kepadatan penduduk dan luas area. Sedangkan sisanya 0,654 atau sekitar 65,40 % dijelaskan oleh variabel lain diluar model.