DIREKTORAT PENILAIAN TANAH DAN EKONOMI PERTANAHAN

DIREKTORAT JENDERAL PENGADAAN TANAH DAN PENGEMBANGAN PERTANAHAN

KEMENTERIAN AGRARIA DAN TATA RUANG/ BADAN PERTANAHAN NASIONAL

METODOLOGI PENGOLAHAN DATA PETA ZONA NILAI TANAH

DAN
PETA NILAI BIDANG TANAH

1
 Outline
1. Garis Besar Metode Pemetaan Zona Nilai Tanah dan Nilai Bidang Tanah ……………………………….. 3
2. Peta Zona Nilai Tanah …………………………………………………………………………………………………………….. 4
a. Pengumpulan Data …………………………………………………………………………………………………………. 5
b. Pengolahan Data …………………………………………………………………………………………………………….. 6
c. Penyajian Data ………………………………………………………………………………………………………………… 7
d. Cakupan Kegiatan Peta ZNT sampai tahun 2020 ……………………………………………………………… 8
3. Peta Nilai Bidang Tanah …………………………………………………………………………………………………………. 9
a. Pengumpulan Data …………………………………………………………………………………………………………. 10
b. Pengolahan Data …………………………………………………………………………………………………………….. 12
c. Penyajian Data ……………………………………………………………………………………………………………….. 14
d. Kegiatan Pembuatan Peta Nilai Bidang Tanah ……………………………………………………………….... 15
Lampiran Pengolahan Data Peta Bidang Tanah Jakarta Pusat Tahun 2020 …………………………………... 16

2
 Garis Besar Metode Pemetaan Zona Nilai Tanah dan Nilai Bidang Tanah
Metode ZNT NBT
Basis Pemetaan Zona Bidang Tanah
Pengumpulan Sampel Survei data transaksi dan penawaran Survei data transasksi dan penawaran
Sebaran Sampel Minimal 3 sampel setiap zona Tersebar merata seluruh variable independent terwakili
Pengolahan Data Rata-rata sampel nilai tanah setiap Geographically Weighted Regression (GWR). Pengaruh
zona variable independen terhadap nilai tanah
Kontrol Kualitas Standar Deviasi Relatif setiap zona a. Sampel
kurang dari 30% • Autokorelasi Spasial
• Multikolinearitas
• MAPE
b. Prediksi populasi
• Koefisien Variasi berdasarkan zonasi kurang dari
30%
• Local Indicator Spatial Association (LISA) ->
outlier
Penyajian Data Peta Zona Nilai Tanah Peta Nilai Bidang Tanah

3
PETA ZONA NILAI TANAH

Zona Awal Nilai Tanah

AOI Standar
Peta Zona
Delineasi Zona Jalan Deviasi
Nilai Tanah
Delineasi Zona Non Pertanian Relatif
Delineasi Zona Pertanian

Penyesuaian Sampel
Status Hak
Waktu
Jenis Data
Penyusutan Bangunan

4
PETA ZONA NILAI TANAH
Pengumpulan Data
Persiapan Data Delinasi Zona Awal Survei sampel nilai tanah

• Citra satelit
• Peta Administrasi Zona Non
Pertanian
• Peta Jalan
• Peta penggunaan tanah
• Peta Pendaftaran tanah
• peta bidang, dll Zona Buffer Jalan

Zona
Pertanian

Semakin lengkap data pendukung Setiap zona minimal terdapat 3

maka zona awal semakin mewakili sampel transaksi atau penawaran
kondisi lapangan dan
mempermudah kegiatan survei
5
PETA ZONA NILAI TANAH
Hitung Rata-rata
• Hitung rata-rata nilai tanah
berdasar jumlah sampel
setiap zona
• Rata-rata nilai tanah mewakili
nilai tanah pada zona yang
bersangkutan
Pengolahan Data
Hitung Standar Deviasi
• Standar deviasi adalah
ukuran dispersi atau variasi
data
• Hitung standar deviasi setiap
titik sampel berdasarkan
setiap zona
• Hitung rata-rata nilai standar
deviasi titi-titik sampel dalam
zona
Hitung Standar Deviasi
Relatif
• Standar deviasi relative
adalah ukuran ketepatan
dinayatakan dalam persen
• Hitung standar deviasi relatif
zona
• Nilai standar deviasi relatif
yang dianjurkan kurang dari
30%
• Apabila standar deviasi
relative lebih dari 30% maka
perlu dilakukan analisis
sampel atau zona 6
PETA ZONA NILAI TANAH
Penyajian Data
Peta Standar Deviasi Peta Zona Nilai Tanah

• Peta Zona Nilai Tanah

• Nilai standar deviasi relatif
disajikan dalam 8 kelas nilai
disajikan dalam bentuk peta
tanah

7
PETA ZONA NILAI TANAH
Cakupan Kegiatan Peta ZNT sampai tahun 2020

No Jenis Wilayah/Kawasan Luas (ha) Proporsi (%)

1 Luas Daratan Indonesia 190.016.902 100,00
2 Kawasan Hutan 126.030.726 66,33
Kawasan Budidaya (Non
3 63.986.176 33,67
Hutan)
Kawasan budidaya yang
4. 33.869.927 52,93*
telah tersedia Peta ZNT-nya

Kawasan budidaya yang

5. 30.116.248 47,07
belum tersedia Peta ZNT-nya

A. Jumlah Provinsi : 34
B. Jumlah Kab/Kota : 517
C. Kab/Kota blm ada Peta ZNT : 61(11,80%)
D. Kab/Kota sudah ada Peta ZNT : 456(88,20%)
1) Peta ZNT sudah diupload : 302(66,23%)
2) Peta ZNT blm Diupload : 154(33,77%)

8
PETA NILAI BIDANG TANAH
Bidang Tanah
Luas
V M Bentuk Peta Nilai
a o Lebar Depan GWR Bidang
r d Elevasi
i e Letak Tanah
Tanah
a l Kelas Jalan
Regresi Spasial
b i Jarak ke Jalan Utama
e n Jarak ke Fasilitas
Resiko
l g
Zonasi
Penyesuaian Sampel
Jenis Hak Jenis Data
Waktu Bangunan
9
PETA NILAI BIDANG TANAH
Pengumpulan Data
Persiapan Data Definisi Variabel Skoring Variabel

• Mendefinisikan variable • Varibel kualitatif dilakukan skoring

1. Citra Satelit dan atau Foto
independen yang mempengaruhi • Skor bentuk bidang
Udara hasil rekaman terbaru.
nilai tanah 1. Tidak beraturan
2. Peta Bidang Tanah
• Variabel independen antara lain: 2. Trapesium
3. Peta Batas Administrasi
1. Lebar depan 3. Persegi
4. Peta Jaringan Jalan
2. Bentuk bidang • Skor posisi bidang
5. Peta Penggunaan Tanah
3. Posisi bidang 1. Tidak dapat jalan
6. Peta Toponimi.
4. Kelas jalan 2. Tusuk sate
7. Peta RDTR/ RTRW.
5. Lebar jalan 3. Normal
8. Data Rekapitulasi Peralihan
6. Zonasi 4. Hook
Hak Atas Tanah di Kantor
7. Jarak ke jalan utama • Skor zonasi
Pertanahan setempat.
8. Jarak ke fasilitas penting 1. RTH
9. Peta-peta lain yang dapat
9. Resiko (banjir dll) 2. Pertanian
mendukung pekerjaan
10.dll 3. Pemukiman sederhana
pembuatan Peta Nilai Bidang
4. Pemukiman mewah
Tanah.
5. Industri
6. Pemerintahan
7. Komersial
10
PETA NILAI BIDANG TANAH
Pengumpulan Data
Join sampel dengan
Survei sampel nilai tanah
bidang tanah
1. Sampel tersebar merata 1. Join titik sampel dengan bidang tanah
2. Setiap variable independen yang telah 2. Bidang tanah akan terdiri dari bidang tanah
didefiniskan harus terwakili pada sampel sebagai sampel (untuk model) dan bidang
tanah untuk prediksi
Sampel nilai
tanah
Keterangan
Populasi
Sampel

Bidang tanah

11
PETA NILAI BIDANG TANAH
Pengolahan Data

• Metode yang digunakan yaitu Geographically Weighted Regression (GWR)

• GWR adalah bentuk lokal dari regresi linear klasik yang memperhatikan aspek spasial atau lokasi geografis
• Nilai tanah memiliki ragam yang tidak selalu homogen pada setiap lokasi pengamatan atau heterogenitas
spasial
• Karena adanya heterogenitas spasial maka nilai parameter regresi persamaan nilai tanah bervariasi secara
spasial

Model GWR

12
PETA NILAI BIDANG TANAH
Pengolahan Data
Model prediksi nilai Prediksi ke seluruh
Seleksi Variabel
tanah bidang tanah
1. Model nilai tanah menggunakan 1. Setelah diperoleh model nilai tanah
1. Digunakan regresi backward
GWR maka dilakukan prediksi terhadap
elimination untuk
2. Kontrol kualitas model seluruh bidang tanah
mengeliminasi variabel yang
a. Uji Autokorelasi Spasial 2. Kontrol kualitas prediksi
tidak berpengaruh
salah satu analisis spasial untuk a. Nilai koefisien variasi bidang
2. Variabel yang memiliki nilai
mengetahui pola hubungan tanah dalam satu zonasi yang
VIF besar atau terjadi
atau korelasi antar lokasi sama kurang dari 30%
multikolinearitas dieliminasi
(Indeks Moran)
b. Nilai MAPE (Mean Absolute
Percentage Error)
Pengukuran statistik tentang
akurasi perkiraan (prediksi) b. Analisis data outlier
pada metode peramalan. menggunakan Local Indicator
Toleransi MAPE < 20% Spatial Association (Local Moran
Index)

13
PETA NILAI BIDANG TANAH
Penyajian Data

Hasil pengolahan data nilai tanah

disajikan dalam Peta Nilai Bidang Tanah

14
PETA NILAI BIDANG TANAH
Kegiatan Pembuatan Peta Nilai Bidang Tanah

Tahun 2020 Rencana Tahun 2020

No Lokasi Luas Pelaksanaan No Lokasi Luas (Ha) Pelaksanaan
1 Kota Jakarta Pusat 4.813 Ha Swakelola Kanwil A. Kementerian Agraria dan Tata Ruang/BPN
2 Kota Bandung 17.000 Ha Kontraktual 1. Kota Surakarta 4.627 Ha Swakelola
B. Kantor Pertanahan
1. Kota Bogor 11.850 Ha Kontraktual
2. Kota Cirebon 3.736 Ha Kontraktual
3. Kab Badung 41.862 Ha Kontraktual
4. Kota Malang 14.528 Ha Kontraktual
5. Kota Jogja 3.250 Ha Kontraktual

15
Lampiran Pengolahan Data Peta
Nilai Bidang Tanah Jakarta Pusat
Tahun 2020

16
 Pengolahan Data
Peta Nilai Bidang Tanah di Kota Adminstrasi Jakarta Pusat Tahun 2020

A. Definisi Variabel Nilai Tanah

1. Variabel Terikat : Nilai Tanah
2. Variabel Bebas
Variabel bebas yang digunakan dalam model nilai tanah dijelaskan pada tabel berikut.
No Variabel dekripsi Keterangan
1 ld_dpn lebar depan bidang tanah
menghadap jalan
2 s_bentuk skor bentuk bidang tanah 1. Tidak teratur
2. Trapesium
3. Persegi
3 s_zonasi skor zonasi dalam RDTR 1. RTH, Pemakaman
2. Sosial dan umum
3. Pemukiman Sederhana
4. Pemukiman Mewah
5. Campuran
6. Vertikal Rendah
7. Vertikal Tinggi
8. Perdagangan Jasa KDB Rendah
9. Pemerintahan
10. Perdagangan Jasa KDB Tinggi
4 s_letak skor posisi bidang tanah 1. Tidak memperoleh jalan
2. Tusuk sate
3. Normal
4. Hook
5 s_kls_jln skor kelas jalan 1. Lokal
2. Kolektor Sekunder
3. Kolektor Primer
4. Arteri Sekunder
5. Arteri Primer
6 lb_jln lebar jalan di depan bidang
tanah
6 jk_atrp jarak bidang ke jalan arteri jarak terdekat melalui jaringan jalan
primer
7 jk_atrs jarak bidang ke jalan arteri jarak terdekat melalui jaringan jalan
sekunder
8 jk_kolp jarak bidang ke jalan kolektor jarak terdekat melalui jaringan jalan
primer
9 jk_kols jarak bidang ke jalan kolektor jarak terdekat melalui jaringan jalan
sekunder
10 cbd jarak bidang tanah ke pusat jarak terdekat melalui jaringan jalan
bisnis
11 penting jarak bidang tanah ke tempat jarak terdekat melalui jaringan jalan
penting
12 rs jarak bidang tanah ke rumah jarak terdekat melalui jaringan jalan
sakit
13 stasiun jarak bidang tanah ke stasiun jarak terdekat melalui jaringan jalan

1
B. Hasil regresi OLS
Sebelum dilakukan pengolahan data menggunakan metode GWR, terlebih dahulu dilakukan pengolahan
data menggunakan metode Ordinary Least Square (OLS). Software pengolahan data yang digunakan yaitu
SPSS. Hasil perhitungan regresi OLS menggunakan metode backward elimination ditampilkan pada tabel
berikut.

Variables Entered/Removeda
Variables
Model Variables Entered Removed Method
1 stasiun, lb_jln, jk_kols, lb_dpn, . Enter
jk_atrp, s_bentuk, jk_kolp, s_zonasi,
s_letak, cbd, jk_atrs, s_kls_jln,
penting, rsb
2 . s_bentuk Backward (criterion: Probability of F-to-remove >= .100).
3 . s_letak Backward (criterion: Probability of F-to-remove >= .100).
4 . jk_kols Backward (criterion: Probability of F-to-remove >= .100).
a. Dependent Variable: nilai
b. All requested variables entered.

Model Summarye
Adjusted R
Model R R Square Square Std. Error of the Estimate Durbin-Watson
1 .789a .623 .619 9568308.8904659
2 .789b .622 .619 9566459.6774055
3 .789c .622 .619 9565813.8372158
4 .788d .622 .618 9571500.2756574 1.684
a. Predictors: (Constant), stasiun, lb_jln, jk_kols, lb_dpn, jk_atrp, s_bentuk, jk_kolp, s_zonasi, s_letak, cbd, jk_atrs,
s_kls_jln, penting, rs
b. Predictors: (Constant), stasiun, lb_jln, jk_kols, lb_dpn, jk_atrp, jk_kolp, s_zonasi, s_letak, cbd, jk_atrs, s_kls_jln,
penting, rs
c. Predictors: (Constant), stasiun, lb_jln, jk_kols, lb_dpn, jk_atrp, jk_kolp, s_zonasi, cbd, jk_atrs, s_kls_jln, penting, rs
d. Predictors: (Constant), stasiun, lb_jln, lb_dpn, jk_atrp, jk_kolp, s_zonasi, cbd, jk_atrs, s_kls_jln, penting, rs
e. Dependent Variable: nilai

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients t Sig. Collinearity Statistics
Model B Std. Error Beta Tolerance VIF
1 (Constant) 52482302.783 2452896.353 21.396 .000
lb_dpn 71455.839 21419.394 .067 3.336 .001 .698 1.432
s_bentuk 284311.463 410958.075 .012 .692 .489 .863 1.159
s_zonasi 654383.758 126645.935 .106 5.167 .000 .669 1.495
s_letak -392521.934 460627.314 -.017 -.852 .394 .712 1.404

2
 s_kls_jln 1452409.169 423769.831 .082 3.427 .001 .492 2.032
lb_jln 529922.180 57916.810 .210 9.150 .000 .534 1.873
jk_atrp 3160.162 523.895 .126 6.032 .000 .640 1.562
jk_atrs 2911.292 631.262 .114 4.612 .000 .460 2.175
jk_kolp -3728.663 816.041 -.088 -4.569 .000 .760 1.316
jk_kols 2363.439 1418.064 .032 1.667 .096 .783 1.277
cbd -665.911 262.548 -.093 -2.536 .011 .206 4.852
penting -3819.519 360.815 -.316 -10.586 .000 .315 3.176
rs -8053.654 675.441 -.689 -11.924 .000 .084 11.941
stasiun 7406.985 671.788 .452 11.026 .000 .166 6.014
2 (Constant) 53395841.659 2066735.301 25.836 .000
lb_dpn 67713.922 20721.241 .063 3.268 .001 .746 1.340
s_zonasi 652098.301 126578.375 .105 5.152 .000 .669 1.494
s_letak -415383.636 459351.649 -.018 -.904 .366 .716 1.396
s_kls_jln 1456650.180 423643.599 .082 3.438 .001 .492 2.031
lb_jln 528721.043 57879.593 .209 9.135 .000 .534 1.872
jk_atrp 3158.693 523.790 .126 6.030 .000 .640 1.562
jk_atrs 2922.036 630.949 .114 4.631 .000 .460 2.173
jk_kolp -3719.249 815.770 -.087 -4.559 .000 .760 1.316
jk_kols 2328.011 1416.866 .031 1.643 .101 .784 1.275
cbd -672.898 262.303 -.094 -2.565 .010 .206 4.844
penting -3849.578 358.120 -.318 -10.749 .000 .320 3.130
rs -8012.502 672.687 -.686 -11.911 .000 .084 11.848
stasiun 7404.367 671.647 .452 11.024 .000 .166 6.014
3 (Constant) 52200383.549 1588514.931 32.861 .000
lb_dpn 58638.404 18127.356 .055 3.235 .001 .975 1.026
s_zonasi 659764.826 126285.607 .107 5.224 .000 .673 1.487
s_kls_jln 1460802.680 423590.112 .082 3.449 .001 .492 2.031
lb_jln 535824.386 57340.201 .212 9.345 .000 .544 1.837
jk_atrp 3157.448 523.753 .126 6.029 .000 .640 1.562
jk_atrs 2931.793 630.814 .115 4.648 .000 .460 2.173
jk_kolp -3739.993 815.392 -.088 -4.587 .000 .761 1.315
jk_kols 2286.192 1416.015 .030 1.615 .107 .785 1.274
cbd -684.969 261.945 -.096 -2.615 .009 .207 4.832
penting -3856.250 358.020 -.319 -10.771 .000 .320 3.128
rs -8000.303 672.506 -.685 -11.896 .000 .084 11.843
stasiun 7409.257 671.580 .453 11.033 .000 .166 6.014
4 (Constant) 52903122.838 1528628.007 34.608 .000
lb_dpn 58830.617 18137.741 .055 3.244 .001 .975 1.026
s_zonasi 659885.343 126360.656 .107 5.222 .000 .673 1.487
s_kls_jln 1405488.367 422453.309 .079 3.327 .001 .496 2.018
lb_jln 543405.998 57181.565 .215 9.503 .000 .548 1.825

3
 jk_atrp 3046.065 519.498 .122 5.863 .000 .651 1.535
jk_atrs 2958.562 630.971 .116 4.689 .000 .461 2.171
jk_kolp -3360.963 781.330 -.079 -4.302 .000 .829 1.206
cbd -793.587 253.309 -.111 -3.133 .002 .222 4.513
penting -3848.007 358.196 -.318 -10.743 .000 .320 3.128
rs -7760.494 656.288 -.664 -11.825 .000 .089 11.265
stasiun 7233.367 663.079 .442 10.909 .000 .171 5.855
a. Dependent Variable: nilai

Berdasarkan hasil regresi pada tabel di atas maka diperoleh variable yang berpengaruh yaitu
a. lb_dpn (lebar depan) g. jk_kolp (jarak ke jalan kolektor primer)
b. s_zonasi (zonasi) h. cbd (jarak ke pusat bisnis)
c. s_kls_jln (kelas jalan) i. penting (jarak ke tempat penting)
d. lb_jln (lebar jalan) j. rs (jarak ke rumah sakit)
e. jk_atrp (jarak ke jalan arteri primer) k. stasiun (jarak ke stasiun)
f. jk_atrs (jarak ke jalan arteri sekunder)

Di bawah ini ditampilakn hasil regresi OLS menggunakan variable yang berpengaruh.

Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson
1 .788a .622 .618 9571500.2756574 1.684
a. Predictors: (Constant), stasiun, lb_jln, lb_dpn, jk_atrp, jk_kolp, s_zonasi, cbd, jk_atrs, s_kls_jln, penting, rs
b. Dependent Variable: nilai

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients t Sig. Collinearity Statistics
Model B Std. Error Beta Tolerance VIF
1 (Constant) 52903122.838 1528628.007 34.608 .000
lb_dpn 58830.617 18137.741 .055 3.244 .001 .975 1.026
s_zonasi 659885.343 126360.656 .107 5.222 .000 .673 1.487
s_kls_jln 1405488.367 422453.309 .079 3.327 .001 .496 2.018
lb_jln 543405.998 57181.565 .215 9.503 .000 .548 1.825
jk_atrp 3046.065 519.498 .122 5.863 .000 .651 1.535
jk_atrs 2958.562 630.971 .116 4.689 .000 .461 2.171
jk_kolp -3360.963 781.330 -.079 -4.302 .000 .829 1.206
cbd -793.587 253.309 -.111 -3.133 .002 .222 4.513
penting -3848.007 358.196 -.318 -10.743 .000 .320 3.128
rs -7760.494 656.288 -.664 -11.825 .000 .089 11.265
stasiun 7233.367 663.079 .442 10.909 .000 .171 5.855
a. Dependent Variable: nilai

4
1. Normalitas
Uji normalitas adalah uji untuk mengetahui apakah residual terdistribusi normal atau tidak.
Salah satu uji normalitas yaitu uji Kolmogorov-Smirnov. Hasil uji Kolmogorov-smirnov
ditampilkas sebagai berikut.

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Unstandardized Residual .083 1363 .000 .923 1363 .000
a. Lilliefors Significance Correction

Nilai p-value < 0,05 maka berdasarkan Uji Kolmogorov Smirnov disimpulkan bahwa residu
tidak terdistribusi normal.

2. Plot Nilai Residu

Sebaran nilai residu ditampilkan pada gambar berikut.

Gambar Histogram sebaran residu

Gambar Q-Q Plot sebaran residu

5
 3. Autokorelasi
Uji autokorelasi bertujuan untuk melihat apakah dalam model regresi linear ada korelasi
antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periodet-1
(sebelumnya). Nilai Uji Durbin Watson : 1,684. Nilai diantara dL = 1,6539 dan dU = 1,8854
sehingga dapat disimpulkan ragu-ragu.

C. Geographically Weighted Regression (GWR)

1. Metode GWR dijalankan menggunakan software pemetaan ArcGIS.
2. Pertama GWR dijalankan dengan memasukkan seluruh variable yang berpengaruh signifikan
terhadap nilai tanah. Ketika variable yang berpengaruh hasil dari Regresi OLS dilakukan
pengolahan data menggunakan metode GWR maka muncul pesan error bahwa “Result cannot
be computed because of severe model design problems”.
3. Karena ada permasalahan model pada poin 1 maka variabel bebas yang digunakan pada
model yaitu zonasi, kelas jalan, lebar jalan, jarak ke jalan arteri primer, jarak ke jalan kolektor
primer, jarak ke pusat bisnis, jarak ke tempat penting dan jarak ke rumah sakit. Hasil
pengolahan diperoleh nilai R2 sebesar 0,7426 artinya bahwa variasi variabel bebas dapat
menjelaskan variasi variabel terikat sebesar 74,26%. Hasil pengolahan metode GWR
ditampilkan sebagai berikut.

Tabel Hasil pengoalahan data metode GWR pada software ArcGIS

6
 Tabel Nilai parameter variabel menggunakan metode GWR
Range Nilai Parameter
No Variabel Keterangan
Minumum Maksmimum
1 Intercept 3.832.7869 64.399.913
2 s_zonasi zonasi 438.208 973.238
3 s_kls_jln kelas jalan -781.989 2.580.519
4 lb_jalan lebar jalan 294.930 801.214
5 jk_atrp jarak ke jalan arteri primer -4.832 8.032
6 jk_kolp jarak ke jalan kolektor primer -17.348 -4.294
7 cbd jarak ke pusat bisnis -6.381 1.183
8 penting jarak ke tempat penting dan -5.590 -1.130
9 rs jarak ke rumah sakit -6.730 -99

4. Autokorelasi Spasial
Selanjutnya dilakukan uji autokorelasi spasial. Uji autokorelasi spasial merupakan salah satu
analisis spasial untuk mengetahui pola hubungan atau korelasi antar lokasi. Salah satu
pengujian autokorelasi spasial yaitu Indeks Moran.

Berdasarkan perhitungan Indeks Moran = 0,2490 dapat disimpulkan bahwa model memiliki
pola clustered (mengelompok). Nilai indeks moran masih dalam kisaran toleransi yaitu antara
-0,25 sampai 0,25.

5. Mean Absolute Percentage Error (MAPE)

Untuk menunjukkan akurasi model maka dilakukan perhitungan MAPE. MAPE merupakan
pengukuran statistik tentang akurasi perkiraan (prediksi) pada metode peramalan.
Berdasarkan hasil perhitungan diperoleh nilai MAPE sebesar 18,58%. Nilai MAPE lebih kecil
dari 20% berarti bahwa model memiliki kemampuan yang baik.