BAB IV ANALISIS 4.1
Analisis Data Nilai Tanah
Nilai tanah bersumber dari data Kantor Pertanahan Kota Bandung yang merupakan data penawaran dan data transaksi. Sebaran data nilai tanah per kelurahan dapat dilihat pada Tabel IV-1 dan sebaran spasialnya dapat dilihat pada Gambar IV-1.
Tabel IV-1 Jumlah Sampel Tiap Kelurahan Kelurahan
Jumlah Sampel
Ancol
20
Balonggede
13
Ciateul
31
Cigereleng
25
Ciseureuh
14
Pasirluyu
23
Pungkur
17
69
Gambar IV-1Peta Sebaran Data Nilai Tanah Sampel 70
Berdasarkan Tabel IV-1 dan Gambar IV-1 diatas dapat diketahui bahwa persebaran sampel sudah cukup merata meskipun di kelurahan Ciseureuh dan Balonggede jumlah sampel yang diambil cenderung lebih sedikit dari pada jumlah sampel di kelurahan lainnya (Data Nilai Tanah yang dijadikan sebagai sampel dapat dilihat pada Lampiran A).
4.2
Analisis Model
4.2.1
Model Regresi Berganda
1. Hasil Reduksi variabel bebas a. Analisis korelasi antara variabel bebas dan nilai tanah Matriks korelasi r menunjukkan bahwa korelasi antara variabel bebas dengan nilai tanah rata-rata tidak signifikan. Niali korelasi terendah ada pada King Shopping Centre sebesar –0,441 dan korelasi tertinggi ada pada Puskesmas Pasirluyu sebesar 0,464. Sebaliknya korelasi antar variabel bebas rata-rata signifikan dan bahbervariasi, mulai korelaan sebagian menunjukkan korelasi sebesar 0,9 yang mendekati nilai korelasi sempurna, hal ini menunjukkan bahwa sebagian variabel bebas tertentu dipengaruhi dengan sangat kuat oleh variabel bebas yang lain atau telah terjadi gejala multikolinieritas. b. Regresi metode stepwise Setelah memperhatikan tingkat korelasi antara variabel bebas dengan nilai tanah maupun antar variabel bebas, perlu dilakukan reduksi variabel agar dapat
meningkatkan
derajat
kebebasan
maupun
mengurangi
gejala
multikolinieritas antar variabel. Dengan menggunakan metode regresi Stepwise
didapatkan
variabel-variabel
yang
dianggap
signifikan
mempengaruhi nilai tanah, yang terlihat pada Tabel III-4.
2. Uji model regresi Uji model dilakukan untuk mendapatkan model yang baik sesuai dengan kaidahkaidah dalam regresi a. Uji a priori ekonomi Pada Tabel III-6 dapat dilihat beberapa variabel menunjukkan tanda koefisien yang tidak sesuai dengan hipotesis yang ditunjukkan dengan tanda (*), seperti koefisien ITC Kebon Kelapa yang memiliki nilai sebesar 17,697 yang 71
diperoleh dari hasil regresi awal. Koefisien ITC Kebon Kelapa tersebut seharusnya bernilai negatif karena berdasarkan hipotesis awal CBD memiliki hubungan negatif dengan nilai tanah. Berdasarkan ketentuan pemodelan analisis regresi, maka variabel yang tidak lolos dalam salah satu pengujian harus dikeluarkan dari model tersebut.
b. Uji t Uji t dilakukan pada selang kepercayaan 95% (α=0.05) dengan t tabel sebesar 1.997. Dari hasil pengujian yang ditunjukkan pada Tabel III-7 terdapat beberapa variabel yang tidak lolos uji yang ditunjukkan dengan tanda (*), dimana variabel tersebut memiliki nilai t-hitung yang lebih kecil daripada ttabelnya. Variabel yang tidak lolos tersebut menunjukkan bahwa variabel tersebut tidak signifikan mempengaruhi nilai tanah di Kecamatan Regol.
c. Uji-F Dari hasil uji ini yang terlihat pada Tabel III-8 menunjukkan bahwa seluruh model lolos pengujian karena nilai F-hitung seluruh model lebih besar dari nilai F-tabelnya. Hal ini menunjukkan bahwa variabel bebas pada model secara bersama-sama dapat menjelaskan variabel terikatnya.
d. Uji Multikolinieritas Dari hasil Uji Multikolinieritas yang ditunjukkan pada Tabel III-9dapat disimpulkan bahwa semua variabel bebas dalam setiap model lolos uji karena memiliki nilai VIF kurang dari 10.
e. Uji heterokedastisitas Dari nilai signifikansi masing-masing variabel terhadap model yang ditunjukkan dalam Tabel III-10 diatas terlihat bahwa model aditif dengan jarak asli dengan variabel eksogen dan juga variabel eksogen dan endogen tidak lolos uji heteroskedastisitas karena nilai signifikansi masing-masing variabelnya kurang dari 0.05 yang ditunjukkan dengan tanda (*).
72
3. Pemilihan model regresi Dari Tabel III-11terlihat bahwa model aditif dengan jarak resiprokal menggunakan variabel eksogen nilai koefisien determinansi (R2) teritinggi yaitu 0.623. Model regresi tersebut dipilih sebagai model yang digunakan dalam pemodelan nilai tanah.
4. Model empiris nilai tanah dengan metode regresi berganda Setelah melalui berbagai tahap pengolahan data dengan metode regresi, maka diperoleh model empiris seperti pada Tabel IV-2 berikut:
Tabel IV-2 Model Empiris Nilai Tanah Regresi Standardized Unstandardized Coefficients Model
B
Std. Error
1
(Constant)
221123.245
371648.799
SDS Bina
5.800E+08
2.083E+08
JL BKR
3.943E+07
SDS YAY Dewi
Coefficients Beta
t
Sig.
.595
.553
.158
2.784
.006
1.444E+07
.148
2.731
.007
1.037E+09
1.768E+08
.455
5.868
3.199E-08
5.121E+08
9.081E+07
.438
5.639
9.507E-08
Talenta
Sartika SMP Negeri 43
Dari Tabel IV-2 diatas dapat dibentuk persamaan matematis sebagai berikut:
Dimana: NTE= Nilai Tanah Estimasi dalam rupiah SDBT= Jarak resiprokal dari bidang tanah ke SDS Bina Talenta BKR= Jarak resiprokal dari bidang tanah ke Jl BKR SDDS = Jarak resiprokal dari bidang tanah ke SDS YAY Dewi Sartika SMP = Jarak resiprokal dari bidang tanah ke SMP Negeri 43 Dari model empiris yang terbentuk, dapat diinterpretasikan sebagai berikut:
73
a. Apabila semua variabel yang diamati tidak berubah atau sama dengan nol (ceteris paribus), maka rata-rata nilai tanah adalah sebesar Rp 2.211.123 b. Variabel jarak resiprokal ke SDS Bina Talenta mempunyai pengaruh positif terhadap nilai tanah dengan nilai
, yang berarti bahwa semakin
jauh jarak dari bidang tanah ke SDS Bina Talenta maka akan menaikkan nilai tanah sebesar
dengan asumsi variabel yang lain tidak berubah
(ceteris pasribus). c. Variabel jarak resiprokal ke Jl BKR mempunyai pengaruh positif terhadap nilai tanah dengan nilai
, yang berarti bahwa semakin jauh jarak
dari bidang tanah ke Jl BKR maka akan menaikkan nilai tanah sebesar dengan asumsi variabel yang lain tidak berubah (ceteris pasribus). d. Variabel jarak resiprokal ke SDS YAY Dewi Sartika mempunyai pengaruh positif terhadap nilai tanah dengan nilai
, yang berarti bahwa
semakin jauh jarak dari bidang tanah ke SDS YAY Dewi Sartika maka akan menaikkan nilai tanah sebesar
dengan asumsi variabel yang
lain tidak berubah (ceteris pasribus). e. Variabel jarak resiprokal ke SMP Negeri 43 mempunyai pengaruh positif terhadap nilai tanah dengan nilai
, yang berarti bahwa semakin
jauh jarak dari bidang tanah ke SMP Negeri 43 maka akan menaikkan nilai tanah sebesar
dengan asumsi variabel yang lain tidak berubah
(ceteris pasribus).
5. Validasi model regresi berganda Validasi dilakukan untuk mengetahui tingkat akurasi, tingkat kewajaran hasil estimasi dan tingkat keragaman penilaian dari model. Validasi dilakukan dengan menerapkan model terhadap 28 data testing. Hasil validasi model dapat dilihat pada Tabel III-12dengan pembahasan sebagai berikut: a. Tingkat kewajaran nilai estimasi Nilai PRD dari model terpilih adalah sebesar 1,41. Hal ini menunjukkan bahwa tingkat kewajaran estimasi nilai tanah dari model masih belum cukup baik karena nilai PRD yang dihasilkan sudah berada diluar batas toleransi yang diperkenankan yaitu antara 0,98 sampai dengan 1,03 (Eckert, 1990). 74
Hal ini berarti nilai estimasi dari nilai tanah telah terjadi progresivitas, artinya nilai tanah yang tinggi dinilai lebih tinggi dan nilai tanah yang rendah dinilai lebih rendah. b. Tingkat keseragaman penilaian Nilai koefisien disperse (COD) dari model terpilih adalah sebesar 36,6%. Hal ini menunjukkan bahwa tingkat keseragaman dari penilaian belum cukup baik karena masih berada diluar batas toleransi yang diperkenankan yaitu ≤ 20% untuk tanah kosong/vacant land (IAAO, 2003).
4.2.2
Model Jaringan Syaraf Tiruan
a. Seleksi Variabel Pemilihan variabel input terbaik untuk digunakan dalam arsitektur jaringan dilakukan dengan menggunakan salah satu metode dari algoritma Input Variabel Selection (IVS), yaitu metode wrapper. Dari metode wrapper ini teknik yang digunakan adalah denganpendekatan Single Variable Regression (SVR) yaitu dengan cara mencoba memasukkan satu per satu variabel penentu nilai tanah sebagai input jaringan syaraf tiruan dengan pola (1-10-5-1) dengan nilai tanah sebagai output jaringan.
Hasil dari proses percobaan seleksi variabel yang ditunjukkan pada Tabel III-13 terlihat bahwa sebanyak 33 variabel mempuyai R2 diatas 50% ditandai dengan (*). Meliputi variabel pusat perdagangan sebanyak 6 variabel, variabel fasilitas kesehatan sebanyak 6 variabel, variabel sarana pendidikan sebanyak 13 variabel, variabel jalan sebanyak 7 variabel dan variabel endogen luas bidang tanah.
b. Pembentukan Model Jaringan Syaraf Tiruan Hasil pembentukan model menggunakan variabel yang terseleksi menghasilkan model JST dengan akurasi seperti tertera pada Tabel III-19. Jika dilihat dari koefisien determinansi model JST tersebut terlihat bahwa model yang dihasilkan sudah cukup baik.
75
c. Model empiris nilai tanah JST Model empiris nilai tanah dengan metode JST diperoleh dengan mengaplikasikan Persamaan II-31 dan Persamaan II-32 pada model JST terpilih. Pada model JST dengan variabel terpilih lapisan tersembunyi mendistribusikan 33input dari lapisan masukan kepada 10 node, outputnode lapisan tersembunyi pertama dapat dirumuskan sebagai berikut:
Dimana: Z= output node lapisan tersembunyi m= nilai bobot input lapisan masukan ke lapisan tersembunyi X= nilai input lapisan masukan bi = bias pada lapisan masukan
Keluaran dari10 node lapisan tersembunyi pertama merupakan input bagi 5 node lapisan tersembunyi kedua. Nilai node lapisan tersembunyi kedua dapat dihitung dengan menggunakan persamaan berikut:
Dimana: V= output node lapisan keluaran yang berupa nilai tanah n = nilai bobot input lapisan tersembunyi pertama ke lapisan tersembunyi kedua Z= nilai input lapisan tersembunyi pertama bj = bias pada lapisan tersembunyi pertama
Keluaran dari 5 node lapisan tersembunyi kedua merupakan input bagi lapisan keluaran. Nilai lapisan keluaran dapat dihitung dengan mengunakan persamaan berikut:
Dimana: Y=output lapisan keluaran o = nilai bobot input lapisan tersembunyi kedua ke lapisan keluaran V = nilai input lapisan tersembunyi kedua bk = bias pada lapisan tersembunyi kedua
76
d. Validasi Model Jaringan Syaraf Tiruan Validasi model ditujukan untuk mengetahui seberapa akurat model JST terpilih untuk memprediksi nilai tanah di wilayah penelitian. Validasi dilakukan dengan menerapkan model terhadap 28 data testing. 1. Tingkat kewajaran nilai estimasi Nilai PRD dari model terpilih adalah sebesar 1,26. Hal ini menunjukkan bahwa tingkat kewajaran estimasi nilai tanah dari model JST masih belum cukup baik karena nilai PRD yang dihasilkan sudah berada diluar batas toleransi yang diperkenankan yaitu antara 0,98 sampai dengan 1,03 (Eckert, 1990). Hal ini berarti nilai estimasi dari nilai tanah telah terjadi progresivitas, artinya nilai tanah yang tinggi dinilai lebih tinggi dan nilai tanah yang rendah dinilai lebih rendah. 2. Tingkat keseragaman penilaian Nilai koefisien disperse (COD) dari model terpilih adalah sebesar 35,2%. Hal ini menunjukkan bahwa tingkat keseragaman dari penilaian belum cukup baik karena masih berada diluar batas toleransi yang diperkenankan yaitu ≤ 20% untuk tanah kosong/vacant land (IAAO, 2003).
4.3
Pembahasan
4.3.1
Analisa Model Regresi dan Model JST
Dalam penelitian ini dihasilkan model regresi yang terpilih adalah model regresi aditif (lin-lin) dengan menggunakan variabel eksogen yang berupa jarak, model ini terpilih karena memiliki nilai koefisien determinansi yang paling tinggi dibandingkan dengan model regresi lainnya. Model JST yang dihasilkan pada penelitian ini adalah model JST dengan menggunakan variabel jarak ditambah dengan variabel endogen berupa luas bidang tanah.
Kedua model yang dihasilkan kemudian dibandingkan untuk mengetahui model mana yang lebih baik dalam memprediksi nilai tanah di Kecamatan Regol, Kota Bandung. Parameter dalam perbandingan kedua model ini adalah akurasi model, hasil penerapan model, dan juga ketepatan model dalam merepresentasikan pengaruh variabel nilai tanah dalam hasil penerapan model.
77
Perbandingan akurasi model dilakukan dengan menguji kedua model menggunakan data testing untuk melihat akurasi hasil penerapan kedua model terhadap data yang sebenarnya dilapangan, data testing yang digunakan adalah 5 data yang diambil secara acak, hasil perbandingan dapat dilihat pata Tabel IV-3 berikut:
Tabel IV-3Perbandingan Hasil Penerapan Model Jst dan Model Regresi Data Uji (Rp)
Hasil Pemodelan Regresi (Rp)
Hasil Pemodelan JST (Rp)
1230295 1893740 1944312 3133523 3167399
1917605 3033205 1272217 5475580 6461016
789706 2238502 1671287 2817206 3091008
Selisih Regresi Data Uji (Rp) 687310 1139465 672095 2342057 3293617
Selisih JST Data Uji (Rp) 440589 344762 273025 316317 76390
Standar Deviasi Regresi
Standar Deviasi JST
1153416
134429
Hasil pengujian pada Tabel IV-3 diatas memperlihatkan adanya perbedaan yang cukup besar antara kedua model, perbedaan tersebut adalah sebagai berikut: 1. Selisih hasil pemodelan jst dengan data uji lebih kecil daripada selisih hasil pemodelan regresi dengan data uji, hal ini menandakan bahwa kesalahan prediksi model jst umumnya lebih kecil daripada kesalahan prediksi model regresi. 2. Nilai standar deviasi model jst lebih kecil daripada model regresi, hal ini menunjukkan penyimpangan data hasil prediksi model jst lebih kecil daripada model regresi.
Perbandingan akurasi kedua model selanjutnya dilakukan dengan membandingkan kekuatan masing-masing model. Perbandingan ini dilakukan karena dalam proses pembentukan model dan pengujian model, kedua model menggunakan set data yang sama, sehingga perlu diperhitungkan kekuatan masing-masing model yang dihasilkan. Perbandingan kekuatan model ini dapat dilihat pada Tabel IV-4 berikut:
Tabel IV-4 Perbandingan Kekuatan Model Regresi dan JST Uraian
Regresi
JST
2
R Model
0.623
0.906
0.299
0.401
2
R Uji
78
Dari hasil perbandingan kekuatan model pada Tabel IV-4 terlihat ada perbedaan yang cukup mencolok antara kekuatan kedua model, perbedaan yang dimaksud adalah sebagai berikut: 1. Koefisien determinansi pembentukan model jst lebih besar daripada koefisien determinansi model regresi, hal ini berarti bahwa kekuatan model jst dalam membentuk model nilai tanah lebih baik karena mampu menjelaskan 90% dari data pembentukan model sedangkan model regresi hanya mampu menjelaskan 60% dari data pembentukan model. 2. Koefisien determinansi pengujian model jst lebih besar daripada koefisien determinansi model regresi, hal ini berarti bahwa kekuatan model jst dalam memprediksi nilai tanah lebih baik karena mampu menjelaskan 40% dari data uji sedangkan model regresi hanya mampu menjelaskan 29% dari data uji
Dalam membandingkan akurasi kedua model juga dilakukan perbandingan hasil validasi kedua model. Perbandingan ini dilakukan untuk mengetahui tingkat kelayakan kedua model dalam memprediksi nilai tanah. Hasil perbandingan validasi model ini dapat dilihat pada Tabel IV-5 berikut:
Tabel IV-5 Perbandingan Hasil Validasi Model Regresi dan JST No
Uraian
Regresi
JST
Batasan
1
PRD
1,41
1.26
0,98 < x < 1,03
2
COD
36,6
35.2
x ≤ 20%
Dari perbandingan validasi model yang ditunjukkan pada Tabel IV-5 di atas, model JST dalam penelitian ini mempunyai akurasi yang lebih baik dibandingkan dengan model regresi. Jika dilihat dari batasan yang ditetapkan, tingkat akurasi kedua model masih kurang memuaskan, hal ini ditunjukkan dari tingkat kewajaran penilaian dari kedua model masih tidak ada yang masuk toleransi tingkat kewajaran penilaian yang ditetapkan. Analisis juga dilakukan terhadapdiagram pencar hubungan antara nilai tanah pengamatan dengan nilai tanah estimasi model pada Gambar IV-2dan Gambar IV-3.
79
Nilai Tanah Pengamatan (Rp/m2)
16000000 14000000 12000000 10000000 8000000 6000000 4000000 2000000 0 0
10000000 20000000 30000000 40000000 Nilai Tanah Estimasi Regresi (Rp/m2)
Nilai Tanah Pengujian (Rp/m2)
Gambar IV-2 Diagram Pencar Nilai Tanah Hasil Estimasi Model Regresi Terhadap Nilai Tanah Pengamatan
16000000 14000000 12000000 10000000 8000000 6000000 4000000 2000000 0 0
5000000
10000000 15000000 20000000
Nilai Tanah Estimasi JST (Rp/m2)
Gambar IV-3 Diagram Pencar Nilai Tanah Hasil Estimasi Model JST Terhadap Nilai Tanah Pengamatan
Dari diagram pencar diatas terlihat bahwa nilai tanah hasil estimasi model JST lebih akurat mendekati nilai tanah pengamatanjika dibandingkan dengan nilai tanah hasil estimasi model regresi. Tingkat keakuratan tersebut ditunjukkan oleh sebaran titititik yang berada dekat dengan garis linier yang dibentuk dari data nilai tanah estimasi dan pengamatan. Pada diagram pencar model regresi terlihat bahwa sebaran titik-titiknya sangat menyebar dari garis linier, dan tidak mengikuti alur garis. Pada diagram pencar model JST terlihat bahwa sebaran titik-titiknya mendekati garis linier dan alurnya mengikuti alur garis.
80
Kedua model kemudian diterapkan untuk membuat Peta Zona Nilai Tanah Kecamatan Regol, Kota Bandung. Hasil dari penerapanmodel regresi berganda dalam membuat Peta Zona Nilai Tanah dapat dilihat pada LampiranH, dan hasil dari pemanfaatan model JST dalam membuat Peta Zona Nilai Tanah dapat dilihat pada Lampiran I.
Dari hasil penerapan kedua model untuk membuat Peta Zona Nilai Tanah tersebut dapat dilihat bahwa Peta Zona Nilai Tanah hasil penerapan metode JST menunjukkan hasil yang lebih baik karena mampu menunjukkan variasi perubahan nilai tanah pada masing-masing kelurahan dan juga mampu menunjukkan bahwa bidang tanah yang berdekatan akan memiliki nilai tanah yang relatif sama.
Analisis perbandingan kedua model selanjutnya dilakukan dengan melihat perbandingan ketepatan kedua model dalam merepresentasikan pengaruh variabel nilai tanah dalam hasil penerapan model. Sebelum kedua model dibandingkan, terlebih dahulu dilakukan overlay antara Peta Zona Nilai Tanah hasil penerapan masing-masing model dengan variabel nilai tanah. Hasil dari overlay tersebut dapat dilihat pada Gambar IV-4danGambar IV-5.
81
Gambar IV-4 Peta Overlay Zona Nilai Tanah Hasil Pemodelan Metode Regresi Linier Berganda Dengan Variabel Nilai Tanah
82
Gambar IV-5 Peta Overlay Zona Nilai Tanah Hasil Pemodelan Metode Jarinagn Syaraf Tiruan Dengan Variabel Nilai Tanah
83
Dari peta overlay antar Peta Zona Nilai Tanah hasil penerapan masing-masing model dengan variabel nilai tanah pada Gambar IV-4 dan Gambar IV-5 terlihat beberapa persamaan dan juga perbedaan antara kedua model dalam merepresentasikan karakteristik pengaruh variabel nilai tanah. Perbandingan kedua model dalam merepresentasikan pengaruh variabel jarak ke pusat perdagangan dapat dilihat pada Gambar IV-6 berikut:
Gambar IV-6 Perbandingan Hasil Penerapan Kedua Model Dalam Merepresentasikan Pengaruh Variabel Jarak ke Pusat Perdagangan
Dari Gambar IV-6 diatas dapat dilihat bahwa kedua model dapat merepresentasikan pengaruh variabel jarak ke pusat perdagangan terhadap nilai tanah.Pada gambar hasil penerapan kedua model tersebut dapat dilihat bahwa nilai tanah disekitar pusat perdagangan (ditunjukkan dengan lingkaran merah) lebih tinggi daripada nilai tanah yang jauh dari pusat perdagangan. Hal ini sesuai dengan hipotesis awal yaitu semakin dekat bidang tanah ke pusat perdagangan maka nilai tanahnya akan semakin tinggi, seperti yang terlihat pada Gambar IV-6. Perbandingan kedua model dalam merepresentasikan pengaruh variabel jarak ke sarana pendidikan dapat dilihat pada Gambar IV-7.
84
Gambar IV-7 Perbandingan Hasil Penerapan Kedua Model Dalam Merepresentasikan Pengaruh Variabel Jarak ke Sarana Pendidikan
Dari Gambar IV-7 diatas dapat dilihat bahwa model JST umumnya lebih bisa menjelaskan pengaruh variabel jarak ke sekolah (ditunjukkan dengan lingkaran merah) terhadap nilai tanah daripada model Regresi.Pada gambar hasil penerapan model JST nilai tanah yang berada lebih dekat ke sekolah cenderung lebih tinggi daripada nilai tanah yang jauh dari sekolah. Pada model regresi hal ini tidak begitu terlihat, sehingga hipotesis awal yaitu semakin dekat jarak bidang tanah ke sarana pendidikan nilai tanahnya akan semakin tinggi kurang bisa diperlihatkan oleh model regresi. Perbandingan kedua model dalam merepresentasikan pengaruh variabel jarak ke fasilitas pendidikan dapat dilihat pada Gambar IV-8.
85
Gambar IV-8 Perbandingan Hasil Penerapan Kedua Model Dalam Merepresentasikan Pengaruh Variabel Jarak ke Fasilitas Kesehatan
Dari Gambar IV-8 dapat dilihat bahwa umumnya kedua model dapat menjelaskan pengaruh variabel jarak ke fasilitas kesehatan terhadap nilai tanah.Pada gambar tersebut dapat dilihat nilai tanah yang berada lebih dekat ke fasilitas kesehatan cenderung lebih tinggi daripada nilai tanah yang jauh dari fasilitas kesehatan. Hal ini sesuai dengan hipotesis awal yaitu semakin dekat jarak suatu bidang tanah ke fasilitas kesehatan maka nilai tanahnya akan semakin tinggi, dimana kedua model dapat memperlihatkan hal tersebut. Selanjutnya perbandingan kedua model dalam merepresentasikan pengaruh variabel jarak ke jaringan jalan dapat dilihat pada Gambar IV-9.
86
Gambar IV-9 Perbandingan Hasil Penerapan Kedua Model Dalam Merepresentasikan Pengaruh Variabel Jarak ke Jaringan Jalan
Dari Gambar IV-9 dapat dilihat bahwa model JST lebih bisa menjelaskan pengaruh variabel jarak ke jaringan jalan terhadap nilai tanah daripada model regresi.Pada gambarhasil penerapan model JST dapat dilihat bahwa nilai tanah yang berada lebih dekat ke jaringan jalan cenderung lebih tinggi daripada nilai tanah yang jauh dari jaringan jalan, dimana pada gambar hasil penerapan model regresi hal ini tidak dapat diperlihatkan.
Dari perbandingan hasil penerapan kedua model dalam merepresentasikan karakteristik pengaruh variabel nilai tanah pada Gambar IV-6 sampai dengan Gambar IV-9 diatas menunjukkan bahwa hasil penerapan model JST lebih dapat mendeskripsikan karakteristik pengaruh variabel nilai tanah, yaitu dimana seharusnya nilai tanah yang tinggi berada dan juga sebaliknya. Pada hasil penerapan model JST terlihat bahwa nilai tanah yang tinggi berada disekitar variabel nilai tanah yang ditetapkan, dimana pada model regresi hal tersebut kurang bisa diperlihatkan.
87
