Teori Dasar Pendekatan Data Pasar
Teori Dasar Pendekatan Data Pasar
Pendekatan Data Pasar merupakan pendekatan yang paling utama karena dalam
pendekatan ini opini nilai didapat langsung dari data pasar properti sejenis yang
sebanding dengan properti yang dinilai.
Pendekatan data pasar adalah metode penilaian suatu properti yang diperoleh dengan
membandingkan properti yang dinilai terhadap properti lain yang sebanding yang
ditransaksikan di pasar terbuka
Dalam pendekatan ini, penentuan nilai properti berdasarkan perbandingan atas analisis
transaksi, penawaran dan permintaan properti sejenis yang berada di sekitar lokasi
dengan memperhatikan faktor perbandingan antara lain lokasi, jenis dokumen
kepemilikan, kondisi pembiayaan, kondisi transaksi, karakteristik fisik properti,
karakteristik ekonomi dan penggunaan.
1
Hubungan Dengan Prinsip Penilaian
2
II. PROSES PENDEKATAN DATA PASAR
Pengumpulan Data
Verifikasi dan Analisa Data
Penyesuaian (Adjustment)
Rekonsiliasi dan Kesimpulan Nilai
Batasan geografi data pembanding tergantung pada karakter dan tipe properti yang
dinilai serta ketersediaan data pembanding. Batasan pasar tergantung pada wilayah
pembali potensial. Beberapa tipe properti mempunyai pasar regional, nasional bahkan
internasional
Verifikasi :
Validitas data dapat harus dapat dipertanggung jawabkan dan harus dari sumber
- sumber yang dapat dipercaya / kompeten.
Jika perlu dilakukan pemeriksaan fisik (inspeksi) untuk dapat
mengindentifikasikan persamaan dan perbedaan antara property pembanding
dengan properti yang dinilai.
Data tersebut harus memenuhi syarat/asumsi dalam nilai pasar (Market Value),
yaitu data pasar yang diperoleh merupakan transaksi yang bebas ikatan dan
ditawarkan secara wajar. Di beberapa kasus data pasar bisa merupakan
transaksi dari penjual yang terpaksa menjual (butuh uang mendesak) sehingga
harganya rendah atau dari pembeli yang terpaksa membeli (contoh transaksi
tanah untuk tower BTS atau pembeli property yang bersebelahan dengan data
pembanding) sehingga harganya tinggi
3
Analisa data antara data pembanding pasar dengan property yang dinilai
Karakteristik Fisik
– Tanah : lokasi, aksesibilitas, luas, bentuk, frontage, kontur, dll
– Bangunan : type, luas, kualitas meliputi konstruksi, finishing, fasilitas
pelengkap, dll
– Kendaraan : merk, type, tahun, warna, STNK, asesoris, dll
Karakteristik Non-fisik
– Harga jual : Penilai wajib melakukan penyesuaian harga transaksi
properti dengan kondisi pasar yang berubah dari waktu ke waktu
– Tanggal transaksi
– Aspek Hukum : dokumen kepemilikan
– Kondisi Penjualan khusus (bukan nilai pasar)
– Tata Kota : peruntukkan
Analisis perbandingan ini difokuskan pada persamaan dan perbedaan yang sangat
signifikan berpengaruh terhadap nilai. Setelah data pembanding diverifikasi, analisis
dimulai dengan menentukan faktor yang mempengaruhi nilai properti.
Unit yang akan dibandingkan tergantung pada karakteristik properti, antara lain
Tipe Property Unit yang dibandingkan
Rumah tinggal Harga rumah
Ruko Harga per m2 dari luas bangunan
Kantor Harga per unit
2
Apartemen Harga per m dari GFA
Pusat perbelanjaan Harga per m2 dari SGA
Harga per m2 dari NLA
Hotel Harga per kamar
Harga per ARR (average room rate)
Restoran,bioskop, auditorium Harga per kursi
2
Rumah sakit Harga per m dari GFA
Harga per tempat tidur
Lapangan Golf Harga per jumlah anggota
Harga per hole
Harga per hektar
Lapangan Tenis Harga per lapangan
Perkebunan Harga per hektar
2
Tanah kosong Harga per m
4
II.3 Penyesuaian (Adjustment)
Setelah di lakukan analisa data, maka akan diketahui antara persamaan dan perbedaan
property yang dinilai dengan property pembanding.
Secara ideal, bila data pembanding identik sama dengan properti yang dinilai, maka
tidak perlu dilakukan penyesuaian. Namun hal ini sangat jarang sekali terutama untuk
properti selain rumah tinggal, tanah kosong atau ruko
Adjusment -/- : Jika property yang dinilai lebih jelek daripada property pembanding
Jika property pembanding lebih baik daripada property yang dinilai
5
Komponen Dasar Penyesuaian Keterangan
Peruntukan dan Penggunaan PS sudah Gedung kantor di daerah komersial
penggunaan HBU sedangkan DP belum lebih tinggi nilainya dengan rumah
/ sudah optimal tinggal di kawasan komersial
Luas tanah Ukuran tanah PS lebih Luas tanah tergantung zoning /
kecil atau lebih luas dari peruntukkan dimana property berada.
DP Jika di zoning WBS maka kavling besar
akan lebih tinggi nilainya daripada
kavling kecil, dan sebaliknya di zoning
WKC kavling kecil akan lebih tinggi
nilainya daripada kavling besar
Kondisi pasar Kondisi pasar pada saat Saat krisis, harga properti jatuh, namun
transaksi DP sedang lesu / saat ini sudah membaik
booming
Keterangan:
PS : Properti subyek
DP : Data pembanding
HBU : Highest and Best Use (Penggunaan Tertinggi dan terbaik)
SHM : Sertifikat Hak Milik
HGB : Hak Guna Bangunan
WBS : Wisma Besar
WKC : Wisma Kecil
Berdasarkan indikasi nilai yang diperoleh dari penyesuaian beberapa data pembanding
maka dilakukan rekonsiliasi untuk mendapatkan kesimpulan nilai
6
Tekhnik Berpasangan (Paired Comparison)
Tekhnik Indeks Kualitas (Quality Index)
Tekhnik Statistik (Regresi)
Catatan :
Bobot terbesar (40%) diberikan kepada data pasar pembanding 2 karena data tersebut
memiliki perbedaan terkecil dengan indikasi property yang dinilai (=108 juta – 106 juta =
2 juta) dibandingkan dengan data pasar pembanding 1 (30%) dan data pasar
pembanding 3 (30%) yang memiliki perbedaan dengan indikasi property yang dinilai
masing – masing 4 juta
7
Contoh Penyesuaian Biaya :
Dalam tekhnik ini penilai melakukan adjustment untuk faktor-faktor yang berpengaruh
terhadap nilai. Perbedaan-perbedaan pada properti yang dinilai dianalisa secara
mendetail dan disesuaikan, masing-masing dibandingkan dengan data pembanding
Contoh MAG :
8
III.4 Tekhnik Berpasangan (Paired Comparison)
Contoh :
Maka :
Subject Property :
Panjang frontage 20 m 68.000.000
Kavling sudut 10.000.000
Sudah pematangan 7.000.000
Ada jaringan telepon 4.000.000
Nilai subjek property 89.000.000
9
III.5 Tekhnik Indeks Kualitas (Quality Rating)
Multiple Regression Analysis (MRA) adalah tekhnik untuk mengestimasi pengaruh dari
satu atau dua independent variable terhadap satu dependent variable, dalam hal ini
adalah nilai
Analisis regresi dalam statistik adalah salah satu metode untuk menentukan tingkat
pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik
sebagai absis, atau sumbu X). Variabel yang kedua adalah variabel yang dipengaruhi,
variabel dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan
variabel acak (random), namun variabel yang dipengaruhi harus selalu variabel acak.
Regresi linier sederhana didasarkan pada hubungan fungsional ataupun kausal satu
variabel independen dengan satu variabel dependen. Persamaan umum dari regresi
linier sederhana adalah:
dimana:
Y = variabel dependen yang diprediksikan
a = konstanta
b = koefisien regresi X terhadap Y
X = variabel independen yang mempunyai nilai tertentu
Koefisien regresi (b) akan bernilai positif apabila nilai X berbanding lurus terhadap nilai
Y, sebaliknya b akan bernilai negatif apabila nilai X berbanding terbalik terhadap nilai Y.
Nilai a dan b dapat dicari dengan persamaan berikut:
10
Berikut ini adalah contoh perhitungan regresi linier sederhana:
Perhitungan:
a = [(492,05)(1055,8236) - (94,1178)(5174,7595)] / [(9)(1055,8236) - (94,1178)2]
a= 50,4166337304825
a= 50,4166
11
Contoh Grafik Hasil Persamaan Regresi Linier
Apabila ruang lingkup penilaian dan seluruh variabel yang relevan sudah
diidentifikasikan, penilai dapat menghitung pengaruh variable tersebut dengan
menggunakan fungsi pada software spreadsheet seperti MS Excel, Lotus, Corel Quattro
Pro atau program database seperti Access, dBase.Selain itu juga dapat digunakan
paket software khusus untuk analisis statistik seperti SPSS dan MiniTab.
Jarak ke
Luas Tanah Harga
Data Pusat Kota
(m2) Jual/m2 (Rp)
(m)
Data 1 2,000 2,950 2,671,200
Data 2 2,000 5,500 1,326,600
Data 3 2,000 2,000 1,960,200
Data 4 2,000 2,000 1,440,000
Data 5 1,625 3,400 5,100,000
Data 6 1,550 20,000 4,950,000
Data 7 1,625 3,400 5,400,000
Data 8 2,000 40,000 2,250,000
Data 9 2,500 1,000 3,350,000
Data 10 375 1,200 15,000,000
Data 11 1,550 10,600 2,970,000
Subject
Property 1,250 69,845 5,023,937
Correlation (0.894) (0.194)
12
Contoh Hasil Analisis Statistik Regresi
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,901747426
R Square 0,813148421
Adjusted R Square 0,766435526
Standard Error 1863714,483
Observations 11
ANOVA
df SS MS F Significance F
Regression 2 1,20927E+ 14 6,04633E+ 13 17,4073652 0,001219
Residual 8 2,77875E+ 13 3,47343E+ 12
Total 10 1,48714E+ 14
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 15647806,93 2016686,551 7,759166602 5,43788E-05 10997319 20298294 10997319,41 20298294,45
X Variable 1 -6355,046795 1102,846076 -5,762405952 0,000422942 -8898,214 -3811,879 -8898,214406 -3811,879184
X Variable 2 -38,37155467 49,73442987 -0,771528995 0,462571605 -153,0594 76,31625 -153,0593555 76,31624618
13