Jl. Lapangan Banteng Timur No.2-4, Jakarta Pusat
 1 50-991    ID | EN      Login Pegawai
 
Artikel DJKN
Seri Artikel DDDM KPKNL Mamuju: Peran Regresi Linier dalam Prediksi Nilai
Ida Kade Sukesa
Kamis, 28 Juli 2022 pukul 10:57:04   |   1255 kali

Ditulis oleh: Helvita Dorojatun (Kepala KPKNL Mamuju)

(Tulisan ini merupakan artikel kedua dari seri Artikel DATA DRIVEN DECISION MAKING, KPKNL MAMUJU untuk KEMENKEU)

Regresi Linear

Regresi adalah algoritma yang digunakan untuk memprediksi dengan berdasar pada hubungan antara dependent variable dengan independent variable. Selain memprediksi, regresi juga dapat memberikan informasi seberapa kuat independent variable mempengaruhi dependent variable, contohnya seberapa besar pengaruh jarak dari Central Business District terhadap harga sebuah properti.

Regresi dibentuk dengan menarik garis yang melewati kumpulan data training, dan mengukur besarnya intercept (titik potong) dan kemiringan garis tersebut. Metode yang umum dipakai adalah Least Square Method. Least Square Method dilakukan dengan dengan mencari garis yang memiliki jumlah nilai residual (e) yang dikuadratkan paling kecil. Dalam mempermudah penjelasan ini disampaikan gambar deskripsi di bawah ini.


Regresi Parametrik yang banyak digunakan adalah linear regression dan logistic regression. Linear regression digunakan untuk menghasilkan prediksi nilai, sedangkan logistic regression memiliki kekuatan dalam memprediksi kemungkinan terjadinya suatu kejadian. Linear regression dibentuk dari dependent variable yang terdiri dari empat jenis data yaitu nominal, ordinal, interval, dan ratio, sedangkan independent variable paling banyak diukur dalam bentuk interval dan rasio (Gujarati and Porter, 2012; 3-4). Berbeda dengan linear regression, independent variable untuk logistic regression umumnya menggunakan ordinal dan nominal.

Implementasi Regresi dalam Prediksi Nilai

Model regresi telah digunakan untuk penilaian masal oleh penilai pajak properti selama bertahun-tahun. Salah satu alasan kenapa model digunakan adalah pemodelan regresi efisien dalam penggunaan sumber daya daripada melakukan penilaian tradisional (Appraisal Institute, 2013; 296). Adair dan Mc Greal bahkan telah menyampaikan penggunaan analisis multiple regression dalam penilaian properti di Amerika Serikat dan Inggris pada tahun 1988. Model regresi pada penilaian properti umum punya kekuatan dalam mengukur pengaruh eksternal terhadap nilai seperti pengaruh jarak dari jalan, jarak dari pusat keramaian, dan lainnya. Penggunaan regresi linear dalam penilaian juga telah diaplikasikan dalam penilaian Barang Milik Negara untuk penempatan mesin ATM sejak tahun 2019 oleh penilai pemerintah di DJKN.

Tak hanya untuk kepentingan penilaian properti, analisis regresi juga bisa digunakan dalam penilaian bisnis. Jordan D. T. (2007) menyampaikan bahwa terdapat beberapa hal yang menjadikan analisis regresi dapat lebih diandalkan dibanding ratio analysis yaitu: 1) dapat menunjukan hubungan antara nilai objek bisnis dengan beberapa variable secara langsung; 2) dapat menjelaskan kekuatan variable penjelas melalui skor R2; 3) dapat mengetahui variabel yang paling berpengaruh melalui skor p value; dan 4) dapat menunjukan besarnya standard error. Sebagai contoh Brostrom dan Larson (2015) menggunakan Enterprise Value sebagai dependent variable, dan sebagai independent variable digunakan data kuantitatif yaitu: Earning Before Interest, Depreciation & Amortization, dan Cost (Revenue-EBITDA), serta variable Independent kualitatif berupa Daerah Asal Perusahaan, Ukuran Perusahaan (Small and Large Enterprise), serta variable Tahun dari 2005 sd. 2014 dalam bentuk dummy variable.

Tantangan Uji Asumsi Klasik Dan Pemecahannya

Jumlah Data

Model regresi linier sederhana dapat digunakan untuk mengestimasi pengaruh karakteristik tertentu dengan keandalan statistik yang signifikan ketika pasokan data sangat memadai (Appraisal Institute, 2013; 275). Selain itu ukuran kecukupan data juga harus mempertimbangkan derajat kebebasan yaitu, hubungan antara jumlah data dan jumlah independent variabel dalam model, dimana ketika jumlah data yang dimiliki mendekati jumlah independent variable maka model yang dibentuk dapat "overfitted" dan tidak mewakili jumlah populasi.

Normalitas

Data yang digunakan dalam melakukan pengolahan data haruslah ber-distribusi normal, kecuali jika penelitian yang akan dilakukan memang ingin mengobservasi hal tersebut. Distribusi normal yang dimaksud disini adalah nilai dari error term-nya. Hal ini dikarenakan tujuan dari pengolahan data adalah untuk mendapatkan pola yang kuat.

Autokorelasi

Autokorelasi adalah saat dimana terjadi korelasi antara error/residual. Hal ini secara alami paling banyak terjadi pada data time series (Gujarati and Porter, 2012; 5). Masalah ini secara matematis dapat menyebabkan estimasi menjadi over karena standard error akan cenderung lebih kecil daripada seharusnya.

Multikolineritas

Multikolineritas secara bebas dan romantic dapat dideskripsikan dengan kalimat, “when two (or more) variables melted into one another. Hubungan multikolineritas yang exact antara dua independent variable sangat jarang terjadi apabila pengambilan dan pengolahan data telah di desain dengan benar. Salah satu desain pengolahan data yang benar adalah sebagaimana yang disampaikan oleh Gujarati dan Porter (2010; 358) yaitu Jumlah setiap jenis independent variable dummy di kurangi 1. Kesalahan dalam desain pengambilan data yang dapat menyebabkan multikolineritas, misalnya dengan memasukan independent variable berupa tingkat keamanan dan jumlah tenaga keamanan secara bersamaan dimana kedua variable tersebut saling berhubungan.

Permasalahan Multikolineritas pada regresi untuk memprediksi nilai suatu property menurut Kenneth Luhst (1997:154) sedikitnya dapat menyebabkan: 1) terjadinya perbedaan antara hasil regresi (arah pengaruh) dengan common sense atau teory yang berlaku pada objek tersebut; dan 2) variabel yang secara teori paling berpengaruh terhadap nilai misalnya lokasi menjadi terlihat tidak signifikan karena adanya sharing dengan variable independen yang berhubungan.

Heterokedastisitas

Heterokedastisitas adalah saat dimana varian residual tidak konstan. Permasalahan ini adalah hal yang alami untuk data-data primer yang memiliki jenis beragam atau heterogen. Data sewa properti adalah salah satunya. Hal ini karena properti memiliki sifat yang unik yang berarti tidak ada satupun properti yang persis sama. Selain keragaman data heterokedastisitas juga umum terbentuk pada data cross-sectional.

Beberapa hal yang perlu diperhatikan dalam menentukan variable dalam prediksi dengan data mining:

1. Regresi tidak dapat menentukan sebab dan akibat hubungan antara independent variable dan dependent variable (Luhst, 1997:146). Hal inilah yang seringkali menjebak peneliti pada penomena hubungan palsu (spurious relationship) antara dependent variable dan independent variable yang sebenarnya hanya kebetulan. Agar terlepas dari jebakan tersebut sebaiknya dalam menentukan Independent variable, peneliti berpedoman pada: a) teori yang sudah mature; b) studi literatur/riset terdahulu; dan c) pernyataan dari pelaku pasar.

2. Hubungan antara dependent variable dan independent variable sebaiknya diuji terlebih dahulu dengan menggunakan scatter diagram (Luhst, 1997:141). Hal ini untuk menentukan apakah hubungan tersebut linear, nonlinear atau tidak memiliki hubungan. Saat ini pada orange data mining telah tersedia widget correlation guna menguji korelasi tersebut.

3. Penambahan Independent Variable harus melihat pada Inflasi buatan yaitu gejala ketika variabel dependent baru yang ditambahkan menaikan nilai koefisien determinasi meskipun sebenarnya tidak berhubungan dengan variabel terikat (lihat Robey. dkk, 2019: 101). Sebagai contoh: Model A yang memiliki dua variabel independent memiliki R² 0,86 dan R² yang telah disesuaikan (Adjusted R2) 0,85. Ketika variabel Independent ketiga ditambahkan ke model A, R² meningkat menjadi 0,88 namun R² yang disesuaikan berkurang menjadi 0,83, inilah yang disebut sebagai peningkatan R² secara artifisial.

4. Perhatikan dua outliers. Dua jenis outlier yang dimaksud disini adalah univariate outlier dan multivariate outlier. Univariat outlier adalah outlier yang disebabkan hanya oleh anomali pada dependent variable. Sedangkan multivariat outlier adalah outlier pada kalkulasi keseluruhan Independent variable. Outlier dapat diprediksi pada aplikasi eviews dengan mengacu pada perhitungan R Student, sedangkan pada orange data mining kedua jenis outlier ini dapat langsung dikeluarkan dengan mengaplikasikan widget outlier.

Referensi

Adair, A. and McGreal,S. (1988) The Application of Multiple Regression Analysis in Property Valuation, Journal Valuation, Vol.6 No.1, pp. 57-67.

Bagusco Bagusco Regresi Linear- Pengantar

Brostrom, O. and Larson, M. (2015) Regression Analysis as a valuation model: A case study of North American and European construction industry mergers and acquisitions, Royal Institute of Technology, School of Engineering Sciences.

Data Tab Regression Analysis Full Course

Gujarati. D.,N and Porter. D.,C, (2012) Dasar-dasar Ekonometrika.

Jordan. D.,T., (2007) The Superiority of Regresiion Analysis over Ratio Analysis. The Superiority of Regression Analysis over Ratio Analysis - New York Business Valuation (nybusinessvaluation.com)

Luhst. K. M. (1997) Real Estate Valuation, Principle and Aplication, Times Mirror Higher Education Group. Inc. Company.

Appraisal Institute, The Appraisal of Real Estate 14th Edition, (2013) 200 W. Madison • Suite 1500 • Chicago, IL 60606.


Disclaimer
Tulisan ini adalah pendapat pribadi dan tidak mencerminkan kebijakan institusi di mana penulis bekerja.
Peta Situs | Email Kemenkeu | Prasyarat | Wise | LPSE | Hubungi Kami | Oppini