Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

3.4 6.2

Artikel

Analisis Spasial Harga Perumahan

dan Aktivitas Pasar dengan Regresi
Geografis Tertimbang

Radosław Cellmer, Aneta Cichulska dan Mirosław Bełej

https://doi.org/10.3390/ijgi9060380
 Jurnal Internasional
Informasi Geografis

Artikel
Analisis Spasial Harga Perumahan dan Aktivitas
Pasar dengan Geografis
Regresi Tertimbang
Radosław Cellmer * , Aneta Cichulska dan Mirosław Bełej
Departemen Analisis Spasial dan Pasar Real Estat, Universitas Warmia dan Mazury di Olsztyn, 10-
720 Olsztyn, Polandia; aneta.cichulska@uwm.edu.pl (A.C.); miroslaw.belej@uwm.edu.pl (M.B.)
* Korespondensi: rcellmer@uwm.edu.pl
periksa ror
Diterima: 20 Mei 2020; Diterima: 5 Juni 2020; Dipublikasikan: 9 Juni pembaruan
2020

Abstrak: Bagian utama dari penelitian ini adalah untuk menunjukkan bahwa model yang
memperhitungkan heterogenitas spasial (Geographically Weighted Regression dan Mixed Geographically
Weighted Regression) yang mereproduksi faktor penentu pasar perumahan lebih baik dalam
merefleksikan hubungan pasar dibandingkan dengan model regresi konvensional. Heterogenitas
spasial dari faktor penentu pasar perumahan menghasilkan keragaman spasial dari aktivitas
pasar, serta harga dan nilai real estat. Tujuan utama dari penelitian ini adalah untuk menganalisis
pengaruh faktor sosio-demografi dan lingkungan terhadap rata-rata harga properti perumahan dan
jumlah transaksi melalui pendekatan spasial. Pada penelitian sebelumnya yang dilakukan dalam
skala nasional, biasanya semua variabel diperlakukan dengan cara yang sama, yaitu sebagai
variabel global atau lokal. Dalam penelitian ini, sebuah upaya juga dilakukan untuk menjawab
pertanyaan tentang variabel mana yang diadopsi untuk analisis yang memiliki dampak lokal
terhadap harga dan aktivitas pasar, dan mana yang bersifat global. Penelitian ini dilakukan di
Polandia dan menggunakan data dari tahun 2018 di 380 kabupaten (Unit Administrasi Lokal).
Studi ini menunjukkan bahwa faktor penentu baik untuk harga rata-rata maupun aktivitas pasar
perumahan menunjukkan autokorelasi spasial dengan kelompok klaster tinggi-tinggi dan
rendah-rendah. Dengan model-model ini, dimungkinkan untuk menarik kesimpulan spesifik
mengenai faktor penentu lokal dari harga rumah susun dan aktivitas pasar di Polandia. Temuan
penelitian ini telah mengkonfirmasi bahwa model-model tersebut merupakan alat yang sangat
efektif untuk analisis data spasial.

Kata kunci: harga rumah; aktivitas pasar; analisis spasial; regresi terbobot geografis; regresi
terbobot geografis campuran

1. Pendahuluan
Ruang, dalam dimensi fisik, ekonomi, kelembagaan, hukum dan sosial, merupakan elemen dasar dari
proses yang terjadi di pasar perumahan. Faktor-faktor yang berdampak pada pasar perumahan
menunjukkan heterogenitas spasial yang menghasilkan keragaman spasial pada aktivitas pasar serta
harga dan nilai real estat. Faktor-faktor ini termasuk faktor global, terutama terkait dengan kondisi
ekonomi makro, serta faktor lokal. Diakui bahwa faktor global memiliki dampak yang sama terhadap pasar
di setiap titik ruang dan tidak bergantung padanya, sedangkan dampak faktor lokal tidak stasioner
dan bervariasi, baik secara temporal maupun spasial. Karena efek dari keabadian real estat di suatu
tempat, orang dapat mengasumsikan bahwa hubungan spasial sangat penting sebagai bagian dari
mekanisme pasar di pasar real estat. Pemahaman yang tepat mengenai proses pembentukan
penawaran dan permintaan di pasar perumahan memerlukan perhatian khusus pada informasi
spasial, terutama mengingat perkembangan pesat infrastruktur spasial dan perangkat GIS
(Geographic Information System). Oleh karena itu, identifikasi sumber-sumber keragaman spasial
penawaran dan permintaan real estat yang disebabkan oleh faktor eksogen (ekonomi, hukum, sosial,
dan lain-lain) dan endogen (yaitu yang terkait dengan real estat sebagai objek fisik dan
ISPRS Int. J. Geo-Inf. 2020, 9, 380; doi: 10.3390/ijgi9060380 www.mdpi.com/journal/ijgi
ISPRS Int. J. Geo-Inf. 2020, 9, 380 2 dari 19

faktor nilai lokasi) adalah salah satu masalah penelitian yang muncul dalam konteks studi pasar
perumahan.
Tujuan utama dari penelitian ini adalah untuk menganalisa harga-harga di pasar perumahan dan
aktivitasnya di bawah pengaruh faktor ekonomi, sosial dan lingkungan, yang dapat berupa variabel
global maupun lokal. Penelitian yang dilakukan bertujuan untuk menunjukkan bahwa model yang
memperhitungkan heterogenitas spasial dapat menggambarkan hubungan pasar dengan lebih baik
daripada model regresi konvensional. Meskipun masalah ini telah dijelaskan dalam literatur berkali-
kali, penelitian biasanya dilakukan pada skala lokal (kota) daripada skala regional atau nasional.
Analisis yang dilakukan menggunakan model GWR (Geographically Weighted Regression) dan
MGWR (Mixed Geographically Weighted Regression), yang digunakan untuk menilai dampak dari
faktor sosial-ekonomi terhadap harga dan aktivitas pasar perumahan di tingkat nasional. Studi ini
dilakukan untuk wilayah Polandia.
Pada penelitian sebelumnya yang dilakukan pada skala nasional, biasanya semua variabel
diperlakukan dengan cara yang sama, yaitu sebagai variabel global atau lokal. Selama penelitian ini,
sebuah upaya juga dilakukan untuk menjawab pertanyaan tentang variabel mana yang diadopsi
untuk analisis yang memiliki dampak lokal pada harga dan aktivitas pasar, dan mana yang global.

2. Tinjauan Pustaka
Perkembangan pasar perumahan ditentukan oleh banyak faktor ekonomi, hukum, keuangan,
kelembagaan, dan politik yang terkait erat [1]. Faktor-faktor tersebut dapat dikuantifikasi terutama
dalam konteks internasional, di mana faktor ekonomi makro seperti PDB (produk domestik bruto),
inflasi, tingkat pengembalian, dan ketersediaan kredit pemilikan rumah (KPR) memainkan peran
utama [2-4]. Ada beberapa faktor yang mempengaruhi permintaan di seluruh negara, umumnya
terlepas dari variasi lokal. Ini adalah berbagai penyebab dan mekanisme politik, hukum, dan
ekonomi administratif, seperti kebijakan perumahan otoritas pemerintah, sistem pinjaman yang ada
dan kemungkinan untuk mendapatkannya, tingkat inflasi, dll., Dan akhirnya, kondisi operasi entitas
di sisi penawaran, seperti pengembang.
Keragaman harga dan aktivitas pasar perumahan dalam skala regional merupakan hasil dari
keragaman faktor sosio-ekonomi dan proses sosial. Perhatian khusus telah diberikan dalam
banyak makalah pada faktor demografi, yang meliputi usia, jenis kelamin, status perkawinan
dan yang juga mempengaruhi kebutuhan perumahan, dll. [5-9]. Situasi demografis dapat berubah
sebagai akibat dari migrasi baik antar negara, wilayah dan kota. Magnusson dan Turner [10]
menunjukkan bahwa dampak migrasi terhadap harga real estat sangat kompleks dan hasil penelitian
di bidang ini mungkin berbeda dari apa yang diharapkan secara intuitif.
Tingkat perkembangan pasar perumahan mencerminkan kondisi ekonomi rumah tangga, yang
terutama bergantung pada stabilitas pendapatan [11]. Permintaan efektif dan, sebagai akibatnya,
harga rumah, sebagian besar dipengaruhi oleh sumber daya keuangan rumah tangga, seperti
tabungan dan pendapatan yang dapat dibelanjakan [9,12]. Porsi yang signifikan dari pengeluaran perumahan
dalam anggaran rumah tangga menghasilkan korelasi yang erat antara pertumbuhan pendapatan di suatu
wilayah dan pertumbuhan harga perumahan [13]. Pada saat yang sama, hasil studi empiris yang
dipaparkan oleh Gallin [11] menunjukkan bahwa karena fleksibilitas pendapatan yang rendah di
pasar perumahan, hubungan ini mungkin masih bisa diperdebatkan dalam banyak kasus. Pendapatan
penduduk terkait erat dengan pasar tenaga kerja, oleh karena itu, selain pendapatan, kesempatan
kerja merupakan potensi penting dari suatu wilayah, yang mengakibatkan kenaikan harga rumah
lokal. Demikian pula, peningkatan persentase pengangguran di suatu wilayah diperkirakan akan
mengakibatkan penurunan harga rumah [14]. De Bruyne dan Hove [15] menekankan pentingnya
struktur ketenagakerjaan. Para penulis menyatakan bahwa jika tingkat kepentingan pertanian lebih
tinggi di sebuah kota, maka kita juga harus mengharapkan harga-harga menjadi lebih rendah dengan
lebih sedikitnya kesempatan kerja yang tersedia.
Faktor ekonomi tidak hanya mencakup pendapatan penduduk dan pasar tenaga kerja, tetapi juga
kondisi ekonomi lokal. Hal ini dapat tercermin dari indikator PDB lokal, meskipun penelitian
empiris yang dilakukan di pasar Kanada menunjukkan bahwa hubungan yang terlihat cukup jelas,
tidak selalu terbukti dalam praktiknya [16]. Indikator yang muncul secara langsung dari pasar
perumahan, mengenai keseimbangan atau ketidakseimbangan antara penawaran dan permintaan,
ISPRS Int. J. Geo-Inf. 2020, 9, 380 3 dari 19
juga penting.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 4 dari 19

De Bruyne dan Hove [15] mengusulkan untuk mempertimbangkan jumlah apartemen yang terjual
dalam kaitannya dengan stok perumahan yang tersedia, serta jumlah bangunan hunian yang baru
dirancang (baik milik pribadi maupun yang dibangun oleh pengembang).
Di antara faktor-faktor yang mempengaruhi harga rumah susun, faktor yang terkait dengan
kualitas lingkungan dan polusi juga penting. Ridker [17], Kim dkk. [18], Saphores dkk. [19] dan Lin
dkk. [9] menunjukkan bahwa kualitas udara yang rendah menyebabkan harga rumah turun drastis.
Di sisi lain, ketersediaan area hijau dapat memberikan dampak positif pada harga.
Secara umum, bisa dikatakan bahwa faktor demografi, ekonomi, dan lingkungan memiliki
dampak terbesar pada harga dan aktivitas pasar. Lin dkk. [9], misalnya, menggunakan dua puluh
indikator lokal, termasuk usia penduduk, persentase pernikahan, pendidikan, pengangguran,
keamanan, kualitas udara, dan lain-lain. Pendapatan rumah tangga, rasio sewa/pendapatan, dan
persentase populasi Asia adalah variabel yang paling signifikan. Perlu dicatat bahwa aktivitas
pasar, yang diukur dengan jumlah transaksi, terbukti menjadi penghambat harga rata-rata.
Keragaman karakteristik sosial-ekonomi dan lingkungan serta intensitas dan arah proses sosial yang
berbeda menghasilkan tingkat permintaan perumahan yang berbeda di berbagai w i l a y a h di Indonesia.
Dengan demikian, dapat diamati bahwa perkembangan pasar perumahan sangat bervariasi dalam ruang dan
waktu. Dinamika spasial dan temporal menyangkut berbagai tingkat hirarki spasial, dengan proses
ekonomi dan demografi yang berkaitan dengan perubahan perumahan pada tingkat hirarki ini
dengan cara yang berbeda [20,21]. Sebagai contoh, Reichert [13] menyatakan bahwa harga di tingkat nasional
paling banyak dipengaruhi oleh tingkat suku bunga KPR, sementara di tingkat regional - oleh migrasi
penduduk, tingkat ketenagakerjaan dan pendapatan rumah tangga.
Kelompok faktor yang disebutkan di atas (demografi, sosio-ekonomi dan lingkungan) dapat
dikuantifikasi s e c a r a regional dan lokal, tergantung pada resolusi spasial data statistik. Tentu saja
akan menjadi penyederhanaan yang bagus untuk mengasumsikan bahwa dampak dari faktor-faktor
yang disebutkan di atas sama di seluruh negara [21-23]. De Bruyne dan Hove [15] menunjuk
terutama pada faktor-faktor lokal, seperti perbedaan tingkat pendapatan, dampak demografis,
kebijakan pemerintah dan kualitas hidup. Mereka juga menunjukkan bahwa lokasi relatif dari
masing-masing area sangat penting untuk pengembangan pasar perumahan. Secara khusus, harga
rumah dipengaruhi oleh jarak dan waktu akses ke pusat-pusat ekonomi, yang menawarkan lapangan
kerja dan jaringan layanan yang luas [24]. Selain itu, investasi pada jaringan transportasi, termasuk
jalan raya, jalan tol dan sistem transportasi umum, yang mempengaruhi waktu dan jarak tempuh,
menjadi dasar bagi proses pengambilan keputusan individu dan rumah tangga dalam memilih lokasi
rumah masa depan mereka.
Pemodelan ekonometrik harga real estat dengan menggunakan faktor sosio-ekonomi dan
lingkungan memiliki tradisi yang relatif panjang dan telah sering dijelaskan dalam literatur. Sebuah tinjauan
ekstensif mengenai model-model statistik yang menggambarkan hubungan antara harga perumahan dan
faktor-faktor yang mempengaruhinya baik di tingkat nasional, regional maupun lokal disajikan oleh
Gasparenie dkk. [25], yang menyebutkan kelebihan dan kekurangan model-model tersebut dan juga
elemen-elemen strukturalnya. Perlu dicatat, bagaimanapun, bahwa sebagian besar model yang
dikembangkan sejauh ini tidak memperhitungkan hubungan spasial, baik sebagai referensi geografis
dari variabel yang diadopsi atau sebagai model struktural. Efek spasial yang diperhitungkan dalam
model-model harga dan aktivitas pasar, terutama dalam konteks regional, dapat berupa autokorelasi
spasial dan heterogenitas spasial. Autokorelasi spasial termasuk dalam model spasial autoregressive
(SAR) dan juga model panel spasial [26-28], sedangkan heterogenitas spasial dapat disajikan dengan
model regresi terboboti secara geografis. Adanya autokorelasi spasial juga dapat menjadi dasar
penerapan pendekatan penyaringan spasial vektor eigen (eigenvector spatial filtering/ESF), yang
merupakan alternatif dari model SAR. Pada dasarnya, metode eigenvector spatial filtering
merupakan pendekatan yang menangkap ketergantungan spasial dengan menerapkan variabel pola
peta yang diperoleh dari informasi konektivitas spasial dengan menggunakan koefisien Moran
[29,30]. Pemfilteran spasial membahas autokorelasi spasial dari sudut pandang semi-parametrik
semu. Terlepas dari kovariat yang diamati, yang juga dikenal sebagai komponen sistematis, teknik
pemfilteran spasial menghasilkan variabel penjelas sintetis yang mewakili struktur spasial set data.
Fleksibilitas yang lebih besar ditambahkan ke dalam model dengan membawa variabel penjelas
sintetis ini ke dalam model.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 5 dari 19

variabel (dianggap sebagai komponen non-parametrik model [31]) ke dalam bagian sistematis dari
sebuah model. Pendekatan ini menghasilkan estimasi parameter yang tidak bias, mengurangi
kesalahan spesifikasi spasial, meningkatkan kecocokan model, meningkatkan normalitas residual
model dan dapat meningkatkan homoskedastisitas ketergantungan spasial residual model dan efek
limpahan spasial (spill-over effect) [32]. Meskipun dalam banyak hal pendekatan ESF tampaknya
lebih menguntungkan daripada pemodelan GWR, interpretasi model GWR tentu saja lebih intuitif
dan, yang sangat penting, memungkinkan untuk menentukan apakah ketergantungan yang dianalisis
bersifat lokal atau global. Griffith [33] juga menyatakan bahwa terdapat hubungan tidak langsung
antara GWR dan penyaringan spasial melalui istilah interaksi. GWR dapat dilihat sebagai kasus
khusus dari pemfilteran spasial tidak langsung. Dengan kata lain, pemfilteran spasial harus dapat
mengatasi heterogenitas yang tampak pada perilaku melalui interaksi vektor eigen (variabel sintetik)
dan kovariat sistematis.
Geographically Weighted Regression (GWR) banyak digunakan di pasar real estat terutama
dalam penelitian skala lokal (misalnya, Referensi [34-39]). Model GWR lebih jarang digunakan
untuk riset pasar real estat di tingkat regional atau nasional [40]. Model GWR spasial-temporal
memainkan peran yang semakin penting dalam studi penentu keragaman spasial pasar real estat,
yang mengasumsikan tidak hanya heterogenitas spasial tetapi juga heterogenitas temporal [41-43]. Model
dasar GWR mengasumsikan bahwa pengaruh variabel penjelas dapat berbeda di setiap titik ruang
yang dianalisis. Telah ditunjukkan sebelumnya bahwa beberapa variabel mungkin bersifat global
dan beberapa mungkin bersifat lokal. Asumsi ini menjadi dasar untuk membuat model Mixed
Geographically Weighted Regression (MGWR). Model-model ini semakin sering digunakan baik
untuk penelitian lokal maupun regional [40,41,43,44]. Hasil-hasil penelitian yang telah dipaparkan
sejauh ini dalam literatur mengindikasikan bahwa hasil yang diperoleh dengan model MGWR
mungkin jauh lebih baik, dalam hal memenuhi persyaratan statistik, dibandingkan dengan model
GWR dasar. Oleh karena itu, disarankan untuk menggunakan model GWR campuran untuk
menganalisis harga rumah dan aktivitas pasar perumahan.

3. Metode Penelitian

3.1. Regresi Berbobot Geografis (GWR)

Geographically Weighted Regression (GWR) berasal dari metode regresi tradisional yang
memodelkan hubungan antara variabel respon dan variabel penjelas. Pada model regresi linier
klasik, estimasi parameter biasanya dilakukan dengan metode Ordinary Least Squares (OLS),
sedangkan uji signifikansi dilakukan dengan statistik F dan statistik t [45]. Model regresi klasik tidak
secara langsung memperhitungkan interaksi spasial dan mengasumsikan bahwa proses pembentukan
harga dalam ruang geografis adalah konstan. Oleh karena itu, signifikansi parameter tidak
bergantung pada struktur spasial dari fenomena yang diteliti, yang dapat menyebabkan interpretasi
yang salah terhadap hasil yang diperoleh [46]. Model GWR merupakan perluasan dari model regresi linier
klasik yang diperoleh dengan memperhitungkan hubungan spasial berupa pemberian bobot pada
pengamatan individu tergantung pada lokasi. Model ini diturunkan dari regresi non-parametrik [42],
dan intinya terletak pada konstruksi regresi linier lokal pada setiap titik di mana data pengukuran
ada. Model GWR dapat diformulasikan sebagai berikut [46]:

p ,
yi = β0 (ui , vi ) + βk (ui , vi )xk + εi (1)
k=1

dimana (ui , vi ) menggambarkan lokasi yang dinyatakan dengan koordinat ui dan vi . Estimasi parameter
model GWR dilakukan dengan cara yang sama seperti pada model klasik, namun bobot pengamatan
yang bergantung pada lokasi diperhitungkan:
)
βˆ(ui , v ) = (XT W(u
ii , v )X -1X W(u
T
ii i , v )y (2)

di mana W(ui , vi ) adalah matriks diagonal bobot, yang merupakan fungsi dari jarak antara lokasi
yang diberikan oleh koordinat (ui , vi ) dan lokasi setiap titik di mana pengamatan dilakukan.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 6 dari 19

Fungsi dengan bentuk yang mirip dengan kurva Gauss biasanya digunakan untuk menentukan
bobot, misalnya, seperti fungsi kernel bi-square yang memperhitungkan bandwidth parameter [46].
Bandwidth parameter menggambarkan rentang spasial dari mana observasi akan diambil untuk
perhitungan. Semakin besar bandwidth, semakin dekat hasil GWR dengan model regresi berganda global.
Pada praktiknya, metrik jarak non-Euclidean juga digunakan untuk menentukan parameter
bandwidth [35]. Menerapkan model GWR menghasilkan sejumlah permukaan yang ditentukan oleh
parameter yang diestimasi. Keragaman parameter ini dalam ruang mengindikasikan variabilitas lokal
dari dampak variabel respon terhadap variabel penjelas, dan dengan demikian pada heterogenitas
spasial dari fenomena yang diteliti [46].
Kecocokan antara model dan data dinilai dengan matriks topi S, yang jika dikalikan dengan
nilai empiris dari variabel respons, akan menghasilkan nilai teoritis [47,48]:

)
yˆ = Sy, di mana S = X(XT W(u
i , v )X -1XT W(u
ii i , v ) (3)

Jejak matriks S (jumlah elemen pada diagonal utama) dalam model global juga merupakan
jumlah parameter. Jumlah parameter yang efektif ditentukan sebagai:

2tr(S) - tr S ST (4)

Hal ini tergantung pada jumlah variabel penjelas dan bandwidth dan biasanya bukan
bilangan bulat. Untuk menilai kebaikan kecocokan model, Akaike Information Criterion (AIC)
yang telah disesuaikan biasanya digunakan [49,50], terutama ketika model-model dengan jumlah
variabel penjelas yang berbeda dibandingkan [48]. Kriteria ini diterapkan tidak hanya untuk
membandingkan model tetapi juga untuk menentukan bandwidth yang optimal.
Bentuk statistik uji untuk menguji hipotesis nol yang mengindikasikan bahwa tidak ada
perbedaan yang signifikan antara model regresi global dan GWR, antara lain diberikan oleh Leung
dkk. [51].
Hipotesis nol berikut ini diajukan ketika menguji signifikansi parameter lokal model:

H0 : βk (ui , vi ) = 0 untuk setiap k = 0, 1, 2, . . , p dan i = 1, 2, . . . , n (5)

Statistik uji memiliki bentuk sebagai berikut:

βˆk
T= √ , (6)
σˆ ckk

yT (I - S)T (I -
di mana σ ˆ 2 = S)y , (7)
δ1
h ii
dan δi = tr (I - S)T (I - S) , i = 1, 2, (8)

sedangkan ckk adalah elemen diagonal ke-k dari matriks CCT dimana:

C = XT W(ui , vi )X -1XT W(ui , v )i (9)

Nilai kritis t untuk statistik ditentukan untuk jumlah derajat kebebasan

d f1 = δ12 /δ2 .
Namun, para peneliti menyadari bahwa GWR dan estimasi metode Ordinary Least Squares
memiliki beberapa keterbatasan, seperti koefisien model yang berkorelasi di seluruh area studi,
pengaruh yang kuat dari pencilan, dan masalah data yang lemah [52,53]. Oleh karena itu, solusi
yang diusulkan juga dapat berupa pendekatan Bayesian, yang paling menghilangkan
ketidaksempurnaan ini [52]. Penggunaan pendekatan klasik dalam penelitian ini
ISPRS Int. J. Geo-Inf. 2020, 9, 380 7 dari 19

Namun, hasil kerja, dari dasar-dasar teori yang mapan dari metode yang digunakan dan
transparansi interpretasi hasil.

3.2. Regresi Campuran Berbobot Geografis (Mixed Geographically Weighted Regression, MGWR)
Tingkat variabilitas koefisien GWR lokal dapat bervariasi di area yang tercakup dalam
penelitian. Beberapa di antaranya dapat dilihat sebagai permanen (yaitu global, stasioner), sementara
yang lain dapat dilihat sebagai lokal (non-stasioner). Sebuah model MGWR kemudian dapat didefinisikan
[46], yang dapat dinyatakan sebagai berikut [54,55]:

y = Xaa + Xbb + ε (10)

dimana y adalah vektor variabel respon (dependen), Xa adalah matriks variabel global dan "a" adalah
vektor koefisien global, Xb adalah matriks variabel lokal dan "b" adalah matriks koefisien lokal.
Estimasi parameter model campuran dilakukan dengan cara tradisional [54], dengan asumsi bahwa:

yˆ = yˆa + yˆb, di mana y ˆ a = Sa y dan y ˆ b = Sby dan yˆb= Sby (11)

Prosedur penyesuaian model dapat dijelaskan dalam enam langkah [54]:

Langkah 1. Berikan nilai awal untuk yˆ , katakanlah y ˆ (0) , dengan menggunakan OLS (kuadrat
terkecil biasa)
a a
Langkah 2. Tetapkan i = 1
Langkah 3. bTetapkan
b y ˆa(i) = S y - yˆ (i−1)
Langkah 4. Tetapkan y ˆ (i) = Sa y - yˆ (1)
a b
Langkah 5. Tetapkan i = i + 1
Langkah 6. Kembali ke Langkah 3, kecuali jika y ˆ (i) = y ˆ (i) + y ˆ (i) konvergen ke y ˆ (i−1)
a b

Metode estimasi model MGWR yang sedikit berbeda disajikan oleh Fotheringham dkk. [46], yang
menerapkan metode yang diusulkan oleh Speckman [56]. Lebih lanjut, Wei dan Qi [57] mengusulkan estimasi
dua langkah yang dibatasi dengan mentransformasi MGWR ke GWR dan melakukan estimasi dengan
prosedur Lagrange Multiplier.
Dalam model MGWR, menentukan variabel penjelas mana yang bersifat global dan mana yang
bersifat lokal merupakan masalah tersendiri. Fotheringham dkk. [46] mengadopsi prosedur langkah
demi langkah untuk tujuan ini, di mana semua kombinasi variabel global dan lokal yang mungkin diuji,
sementara model campuran yang optimal dipilih berdasarkan nilai AIC yang paling minimum. Ini
adalah pendekatan yang komprehensif, tetapi juga mahal secara komputasi, oleh karena itu ada
pendekatan Monte Carlo alternatif untuk menguji variabilitas (spasial) yang signifikan dari setiap
koefisien regresi dari GWR dasar [46]. Pendekatan ini menentukan variabilitas pada setiap koefisien regresi
lokal untuk model GWR dasar dan membandingkannya dengan variabilitas yang ditentukan dari
serangkaian set data acak. Jika varians sebenarnya dari koefisien tidak terletak pada 5% ekor teratas
dari hasil peringkat, maka hipotesis nol (yaitu, hubungan antara variabel dependen dan independen
adalah konstan) dapat diterima pada tingkat 95%, dan hubungan yang sesuai harus ditetapkan secara
global ketika menentukan GWR campuran.

4. Karakteristik Data Umum

Sebuah studi yang menggunakan model GWR dan model MGWR untuk menganalisis faktor-
faktor penentu harga dan aktivitas pasar dilakukan berdasarkan data mengenai pasar properti
perumahan di Polandia.
Di pasar perumahan di Polandia pada tahun 2018, ada sedikit peningkatan dalam indikator
situasi ekonomi dan perumahan rumah tangga, dibandingkan dengan tahun-tahun sebelumnya.
Jumlah penduduk di kota-kota terbesar meningkat, tetapi depopulasi mereka diamati di pusat-pusat
yang lebih kecil, sebagian sebagai akibat dari migrasi. Hal ini sejalan dengan tren global yang
diamati, di mana pembangunan terkonsentrasi di kota-kota besar. Peningkatan permintaan dan
peningkatan pasokan yang sedikit lebih kecil juga diamati. Permintaan rumah susun yang relatif
tinggi merupakan konsekuensi dari kenaikan upah rumah tangga yang signifikan
ISPRS Int. J. Geo-Inf. 2020, 9, 380 8 dari 19

dan pemeliharaan suku bunga nominal yang rendah. Baik harga maupun jumlah transaksi di pasar
lokal menunjukkan tren kenaikan sebesar 5-10% per tahun.
Wilayah negara ini, seperti halnya di banyak negara Eropa, memiliki keragaman ekonomi,
sosial, dan bahkan budaya [58]. Perbedaan lokal sering dikaitkan dengan pembagian ke bagian
timur dan barat Polandia. Oleh karena itu, dapat diperkirakan bahwa faktor-faktor yang menentukan
harga dan aktivitas pasar beragam dalam ruang geografis. Kabupaten diambil sebagai unit statistik
yang sesuai dengan pembagian ruang, sesuai dengan tingkat keempat dari nomenklatur unit
teritorial untuk statistik (NUTS) yang diperkenalkan di negara-negara Uni Eropa melalui Peraturan
No. 1059/2003 Parlemen Eropa dan Dewan pada tanggal 26 Mei 2003. Analisis dampak
variabilitas indeks spasial terhadap harga real estat dan aktivitas pasar dilakukan dengan
menggunakan data transaksi dan harga yang tersedia untuk 380 kabupaten di Polandia, yang
disediakan oleh GUS (Kantor Pusat Statistik Polandia) dan Bank Data Lokal. Tabel 1 menyajikan
variabel-variabel yang diadopsi untuk analisis sebagai seperangkat indeks yang dipilih, yang dipilih
untuk mewakili kondisi sosio-demografis, ekonomi dan lingkungan. Variabel-variabel tersebut dipilih
terutama berdasarkan literatur dan penelitian sebelumnya. Meskipun faktor-faktor yang
diperhitungkan diwakili dalam statistik nasional dengan jumlah indeks yang jauh lebih besar,
pembatasan jumlah indeks ini meminimalkan risiko
kolinieritas (yaitu, korelasinya).

Tabel 1. Variabel yang diambil untuk analisis.

Simbol Variabel Satuan

Harga flat unit rata-rata PLN/m2 (Zloty Polandia
Baru/m2)
Y1
Y2 Jumlah transaksi jumlah/1000 apartemen
Kepadatan penduduk orang/km2
X1
X2 Jumlah kelahiran orang/1000 populasi
Persentase orang dengan usia kerja mobile di wilayah
X3 %
populasi umum
X4 Indeks migrasi orang/1000 penduduk
X5 Rata-rata remunerasi kotor bulanan PLN/bulan
X6 Tingkat pengangguran terdaftar %
X7 Entitas yang terdaftar dalam daftar badan usaha jumlah/1000 populasi
Emisi polutan partikulat PM10 (campuran partikel di t/km2
X8
udara dengan diameter tidak lebih dari 10 µm)
X9 Luas lantai rata-rata dari sebuah unit perumahan m2
X10 Unit perumahan baru yang telah selesai dibangun unit/1000 penduduk

Variabel-variabel dipilih terutama berdasarkan literatur dan penelitian sebelumnya.

Diasumsikan bahwa variabel-variabel tersebut harus mencerminkan kondisi sosio-demografis,
ekonomi dan lingkungan. Pentingnya variabel X1 -X3 ditekankan oleh banyak penulis, antara lain
Engelhardt dkk. [7] dan Essafi dan Simon [8]. Adopsi variabel X4 antara lain berasal dari penelitian
yang dipaparkan oleh Magnusson dan Turner [10]. Pemilihan variabel X5 -X7 dipengaruhi oleh
penelitian yang dilakukan antara lain oleh Reichert [13] dan Gallin [11]. Penggunaan variabel X8 dijustifikasi
oleh hasil penelitian yang dilakukan antara lain oleh Kim dkk. [18] serta Saphores dkk. [19]. Selain itu,
variabel-variabel yang mencirikan sumber daya real estat yang ada (variabel X9 dan X10 ) juga digunakan.
Pentingnya faktor-faktor ini juga ditekankan dalam literatur mengenai wilayah Polandia [59-62].
Tabel 2 menunjukkan statistik deskriptif utama dari variabel-variabel yang diambil untuk analisis.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 9 dari 19

Tabel 2. Statistik deskriptif utama dari variabel-variabel yang diambil untuk analisis. SD = standar
deviasi, Coef. o f variation = koefisien variasi.

Variabel Rata-rata Minimum Median Maksimum SD Koefisien Variasi

Y1 1063.000 3120.587 2887.750 11,671.250 1099.301 0.352
Y2 0.070 9.332 7.711 42.286 7.461 0.799
X1 19.000 369.463 90.500 3757.000 655.136 1.773
X2 -10.570 -1.122 -1.245 9.420 2.616 -2.332
X3 55.800 61.053 61.200 64.400 1.333 0.022
X4 -79.956 -12.407 -19.726 269.204 40.243 -3.243
X5 3183.340 4142.138 4017.170 8121.080 561.983 0.136
X6 1.200 7.796 6.950 24.300 4.059 0.521
X7 4.473 8.893 8.408 21.006 2.305 0.259
X8 0.000 0.409 0.030 19.470 1.374 3.358
X9 22.233 27.695 27.307 43.100 3.126 0.113
X10 0.599 3.548 2.948 16.938 2.520 0.710

Variabilitas terbesar diamati untuk variabel X4 dan X8 , yang menunjukkan indeks migrasi dan
emisi polutan partikulat. Variabilitas terendah diamati pada variabel X3 , yang menunjukkan
persentase populasi usia kerja. Gambar 1 menunjukkan distribusi harga rata-rata dan jumlah
transaksi di masing-masing unit statistik (kabupaten).

Harga unit rata-rata (PLN/m2) Jumlah penjualan apartemen (per 1000 apartemen)

6154-11671 27-42

4247-6153 17-26

3201-4246 11-16

2457-3200 6-10

1063-2456 0-5

Gambar 1. Harga rata-rata 1 m2 dan jumlah apartemen yang terjual pada tahun 2018 di setiap wilayah
di Polandia. Sumber: penelitian sendiri berdasarkan data GUS (Kantor Statistik Pusat).

Peta-peta di atas dengan jelas menunjukkan ketidakseimbangan antara wilayah

metropolitan, pusat-pusat kota yang lebih besar dan daerah-daerah yang menarik bagi
pariwisata, dan kabupaten-kabupaten yang memiliki daya tarik investasi dan pariwisata yang
rendah.

5. Hasil dan Pembahasan

Diasumsikan dalam penelitian ini bahwa hubungan spasial, terutama heterogenitas dan
autokorelasi spasial, dapat memainkan peran penting dalam menjelaskan peran faktor sosio-
demografi, ekonomi dan lingkungan yang mempengaruhi harga rumah. Karena hal ini juga berlaku
untuk aktivitas pasar yang diukur dengan jumlah transaksi, maka penelitian ini dilakukan dalam beberapa
tahap. Pada tahap pertama, model OLS (Ordinary Least Squares) klasik dibangun sebagai acuan untuk
mengevaluasi model yang menggunakan hubungan spasial. Selanjutnya, analisis autokorelasi spasial
dari variabel respon dan variabel penjelas dilakukan. Pada langkah berikutnya, model regresi
terbobot geografis
ISPRS Int. J. Geo-Inf. 2020, 9, 380 10 dari
19

dikembangkan, dan diagnosa dari model-model ini dibandingkan dengan model-model klasik. Hal
ini memungkinkan untuk menarik kesimpulan tentang validitas dan kemungkinan keuntungan
menggunakan model GWR dalam menjelaskan fenomena yang diteliti. Dalam pelaksanaannya,
lingkungan R dan perangkat lunak GWR4 serta ArcGIS digunakan untuk menghitung dan
memvisualisasikan hasilnya. Parameter model OLS klasik dengan variabel respon Y1 dan Y2
ditunjukkan pada Tabel 3.

Tabel 3. Parameter model OLS (ordinary least squares) dengan variabel respon Y1 dan Y2 .

Model OLS1: Variabel Y yang Dijelaskan1 Model OLS2: Variabel Y

yang Dijelaskan2 Variabel EstimateStandard Error p-Value
Estimasi Standar Kesalahan p-Value
Mencegat 5274.500 2412.281 0.029 9.538 16.158 0.555
X1 0.170 0.074 <0.001 0.003 <0.001 <0.001
X2 62.591 18.842 0.002 -0.553 0.126 <0.001
X3 -113.473 36.894 <0.001 0.072 0.247 0.770
X4 -5.148 1.431 <0.001 <0.001 0.009 0.973
X5 0.252 0.073 <0.001 0.001 <0.001 0.001
X6 -16.627 11.420 0.146 -0.092 0.076 0.228
X7 201.589 21.534 <0.001 0.862 0.144 <0.001
X8 -26.221 28.738 0.362 -0.040 0.192 0.840
X9 61.126 15.960 <0.001 -0.936 0.107 <0.001
X10 92.568 24.343 <0.001 1.730 0.163 <0.001
R2 = 0,627, R2 yang disesuaikan = 0,615, F R2 = 0,636, R2 yang disesuaikan = 0,626, F = 64,58,
= 61,95, p-value < 0,001
p-value < 0,001

Mayoritas variabel (delapan) dalam model OLS1, di mana harga rata-rata 1 m2 dari sebuah
rumah susun merupakan variabel respon, terbukti signifikan secara statistik pada tingkat signifikansi
di bawah 0,001. Tingkat signifikansi untuk tingkat pengangguran terdaftar dan emisi polusi (variabel
X6 dan X8 ) lebih tinggi dari 0,05, yang mungkin berarti bahwa dampaknya terhadap harga rata-rata tidak
sejelas yang terlihat. Pada model OLS2, dengan jumlah transaksi relatif (per 1000 rumah susun yang
ada) sebagai variabel respon, hanya enam variabel yang terbukti signifikan, meskipun koefisien
determinasi menunjukkan bahwa kecocokannya dengan data sedikit lebih baik. Tingginya nilai
p-value dari parameter-parameter di samping variabel-variabel yang dipilih dapat menjadi dasar pemikiran
yang mengindikasikan bahwa variabel-variabel tersebut tidak memiliki dampak yang signifikan terhadap
variabel yang dijelaskan, namun hal ini jelas berkaitan dengan hubungan secara global. Hal ini tidak
mengesampingkan situasi bahwa variabel-variabel tersebut mungkin saja menjadi signifikan
secara lokal.
Autokorelasi data spasial diperiksa dengan menggunakan statistik global dan lokal Moran
(Moran I), yang dinyatakan dengan rumus sebagai berikut [63]:
,n ,n -x ,
n
wij(xi) - x) xj (xi - x) wij xj - x
I = 1 i=1j=1
- ,I = j=1 (12)
global ,
n ,
n ,
n lokal ,
n
1 2
wij (xi - 1 (xi - 2
n n
i = 1 j=1 i=1 i=1
x) x)
Moran's I menunjukkan apakah ada efek aglomerasi. Autokorelasi positif berarti bahwa ada
kelompok-kelompok dengan nilai yang sama (tinggi atau rendah), sedangkan nilai negatif dari
Moran's I ditafsirkan sebagai titik-titik panas, yaitu pulau-pulau dengan nilai yang sangat berbeda
(tinggi atau rendah). Prinsip-prinsip pengujian signifikansi statistik Moran disajikan oleh Goodchild
[64]. Berikut ini adalah sekumpulan peta choropleth yang menunjukkan distribusi spasial unit-unit
di mana Moran's I lokal terbukti signifikan secara statistik (Gambar 2). Gambar tersebut juga berisi
informasi tentang nilai statistik global.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 11 dari
19

: = 0.413, p <0.001Y2: Ig = 0.365, p <0.001X1: I = 0.229, p <0.001X2: Ig = 0.524, p <0.001

Y1 Ig

: = 0.221, p <0.001X4: Ig = 0.243, p <0.001X5: Ig = 0.232, p <0.001X6: Ig = 0.449, p <0.001

X3 Ig

: = 0.539, p <0.001X8: Ig = 0.021, p = 0.207X9: Ig = 0.436, p <0.001X10: Ig = 0.352, p <0.001

X7 Ig

Gambar 2. Statistik lokal dan global Moran's I. Sumber: penelitian sendiri berdasarkan data GUS.
Sumber: penelitian sendiri.

Semua variabel penjelas dan respon menunjukkan autokorelasi spasial global yang positif. Uji
signifikansi Moran's I global menunjukkan bahwa autokorelasi spasial global tidak signifikan hanya untuk
variabel X8 . Analisis statistik Moran's lokal menunjukkan bahwa pada setiap kasus, terdapat kelompok-
kelompok wilayah dengan tingkat variabel yang sama dalam ruang administratif. Untuk harga rata-
rata (variabel Y1 ), kelompok-kelompok yang memiliki harga tinggi terjadi terutama di sekitar
Warsawa dan G d a n ´ s k . Untuk variabel Y2 , yang menggambarkan aktivitas pasar, bagian tenggara
Polandia didominasi oleh kelompok rendah-rendah.
Hasil analisis di atas menunjukkan pengaruh hubungan spasial antara unit-unit administratif
dengan intensitas yang berbeda terhadap variabel-variabel yang diambil untuk analisis. Oleh karena itu, dapat
dibenarkan untuk memasukkan informasi mengenai hubungan antar wilayah dalam model ekonometrik yang
menggambarkan variabel-variabel yang mencirikan pasar perumahan di Polandia.
Pada langkah selanjutnya, estimasi parameter model GWR dilakukan, di mana diasumsikan
bahwa semua parameter bersifat lokal. Variabel-variabel yang ditunjukkan pada Tabel 1 digunakan
dalam model. Fungsi kernel bi-square sesuai dengan Rumus (4) digunakan untuk estimasi. Rentang
fungsi kernel (bandwidth) ditentukan berdasarkan minimalisasi kriteria AIC. Hasilnya dicirikan pada
Tabel 4.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 12 dari
19

Tabel 4. Karakteristik umum parameter model Geographically Weighted Regression (GWR) dengan variabel
respon Y1 dan Y2.

Model GWR1: Variabel Y yang dijelaskan1 Model GWR2: Variabel Y yang dijelaskan2
Variabel Min Rata-rata Maks Min Rata-rata Max
Intercept -29,273.640 5791.513 19,715.073 -32.147 22.050 94.227
X1 -0.457 0.179 1.857 0.001 0.003 0.009
X2 -106.880 27.134 260.713 -1.098 -0.268 1.207
X3 -392.461 100.259 337.890 -1.292 -0.134 1.796
X4 -11.007 -2.264 10.934 -0.011 0.004 0.073
X5 0.063 0.309 0.881 -0.002 0.001 0.006
X6 -95.599 -39.944 40.515 -0.355 -0.030 0.636
X7 -45.708 154.211 416.206 -0.731 0.332 2.068
X8 -514.866 -30.609 1491.609 -3.661 -0.067 5.925
X9 -62.211 29.364 306.800 -1.666 -0.606 1.763
X10 -152.259 91.005 250.984 0.625 1.367 1.580
Lokal R2 0.673 0.824 0.929 0.678 0.765 0.873
Bandwidth208, 177 km264, 770 km

Perbedaan terbesar antara parameter dalam model GWR1 diamati pada variabel X8 (emisi PM10-
campuran partikel di udara dengan diameter partikulat tidak lebih dari 10 µm), sedangkan perbedaan
terkecil diamati pada parameter di variabel X7 (entitas dalam daftar badan usaha). Perbedaan
terbesar pada model GWR2 juga terjadi pada variabel X8 , sedangkan perbedaan terkecil terjadi pada
parameter pada variabel X10 (unit rumah baru yang selesai dibangun). Perbedaan parameter dapat
menjadi dasar pemikiran untuk menentukan faktor mana yang bersifat global dan mana yang bersifat
lokal. Berdasarkan asumsi yang dibuat selama penelitian dan hasil penelitian, koefisien GWR lokal
memiliki tingkat variabilitas yang berbeda di wilayah penelitian. Koefisien yang memiliki variabilitas
yang rendah dapat dilihat sebagai stasioner, yaitu bersifat global. Penilaian awal terhadap karakter global atau
lokal dari variabel dapat dilakukan dengan menilai karakteristik keseluruhan parameter model pada
Tabel 4. Namun, dalam kasus ini, sulit untuk menetapkan kriteria variabilitas yang jelas. Untuk
menentukan koefisien mana yang bersifat global dan mana yang bersifat lokal, pendekatan Monte
Carlo dapat digunakan untuk menguji variabilitas yang signifikan dari setiap faktor regresi dari
model GWR dasar [46]. Namun, penelitian telah menunjukkan bahwa solusi ini dapat memberikan
hasil yang tidak stabil (hasil simulasi yang diperoleh setiap kali mungkin sedikit berbeda). Oleh
karena itu, diff-criterion (perbedaan indikator antar model) digunakan untuk menguji variabilitas
koefisien regresi. Nilai diff-criterion menunjukkan perbedaan antara model GWR asli dan model
switched GWR (MGWR) dengan membandingkan indikator model yang dipilih (dalam penelitian
ini, AICc (corrected Akaike criterion) adalah indikator model yang dipilih). Nilai positif
menunjukkan bahwa model yang diganti memiliki kecocokan yang lebih baik dan variabel yang
dievaluasi stasioner. Uji
Hasil-hasilnya disajikan pada Tabel 5.

Tabel 5. Hasil uji variabilitas koefisien model GWR.

Variabel Model GWR1 Model GWR2

Perbedaan (AICc) Perbedaan (AICc)
Mencegat -1343.857 -2140.382
X1 4.226 6.769
X2 -7.746 3.604
X3 -971.042 -1654.359
X4 1.791 2.849
X5 -73.429 -143.213
X6 2.628 -3.382
X7 -19.018 -85.209
X8 -5.470 -1.719
X9 -190.189 -848.640
X10 -9.038 -20.806
ISPRS Int. J. Geo-Inf. 2020, 9, 380 13 dari
19

Berdasarkan uji variabilitas parameter model GWR, diasumsikan bahwa X1 , X4 dan X6

merupakan variabel global pada model MGWR1, dengan variabel respon Y1 , dan X1 , X2 dan X4
merupakan variabel global pada model MGWR2, dengan variabel respon Y2 . S e h i n g g a model
MGWR dibangun dengan variabel-variabel yang dianggap sebagai variabel global. Tabel 6
menunjukkan hasil estimasi parameter model MGWR1.

Tabel 6. Hasil estimasi parameter model MGWR1 (regresi tertimbang geografis campuran).

Variabel Global (Tetap). Variabel Lokal

Variabel Taksiran Kesalahan Standar p-Value Variabel Min Mean
Max
X1 0.058 0.071 0. 413Intercept -3554.828 8723.078 21,493.044
X4 -1.670 1.317 0.223 X2 -102.219 30.120 235.182
X6 -27.038 11.897 <0.001 X3 -367.237 -149.301 32.045

R2 = X5 0.047 0.324 0.936

0,825, Adjusted R2 = 0,872
X7 32.429 168.906 405.211
Loglik = 5737.308 (logaritma fungsi likehood) AIC
X8 -256.046 -31.748 308.190
= 5858.230, AICc = 5881.561 (kriteria Akaike) BIC
X9 -54.450 21.286 156.876
= 6096.457 (kriteria informasi Bayesian)
X10 -50.590 92.550 189.093

Di antara variabel-variabel penjelas global, hanya X6 (tingkat pengangguran) yang menjelaskan

harga unit secara signifikan. Seperti yang diharapkan, variabel ini merupakan sebuah de-stimulan.
Menariknya, parameter pada variabel ini dalam model OLS1 terbukti tidak signifikan. Rentang
parameter yang sedikit lebih kecil terlihat pada model MGWR1 dibandingkan dengan model
GWR1.
Gambar 3 menunjukkan distribusi spasial dari koefisien-koefisien pada variabel-variabel lokal
dalam model MGWR1. Untuk memungkinkan penilaian komparatif terhadap dampak variabel
individual terhadap harga unit rata-rata, dampak ini disajikan dengan hasil estimasi model MGWR1
untuk variabel penjelas yang telah distandardisasi. Sebagai hasil dari standarisasi, dampak dari
masing-masing variabel dapat dibandingkan.

Variabel X2 Variabel X3 Variabel X5 Variabel X7

Variabel X8 Variabel X9 Variabel X10

300<
200-300
100-200
0-100
-100-0
-200- -100
-300- -200
<-300

Gambar 3. Distribusi spasial dari parameter-parameter pada variabel lokal dalam model MGWR1 (nilai
variabel terstandarisasi digunakan untuk estimasi). Sumber: penelitian sendiri.

Distribusi spasial dari parameter-parameter pada variabel lokal dalam model MGWR1
menunjukkan bahwa variabel X , X23 , X8 dan X9 merupakan de-stimulan di sebagian besar wilayah,
sedangkan variabel lainnya sebagian besar berpengaruh positif terhadap harga rata-rata. Perbedaan
terbesar, terutama di bagian utara dan barat Polandia, dapat diamati pada variabel X8 (emisi polutan
partikulat PM10). Dampak positif terbesar terhadap harga rata-rata, hampir di seluruh negeri, diberikan
oleh variabel X7 (entitas yang terdaftar dalam daftar perusahaan). Dampak negatif terbesar terhadap
ISPRS Int.
harga J. Geo-Inf.
terjadi pada 2020, 9, 380
variabel 14 dari
19
ISPRS Int. J. Geo-Inf. 2020, 9, 380 15 dari
19

X3 (persentase populasi usia kerja dalam total populasi), yang berlaku untuk bagian tengah dan
utara Polandia.
Gambar 4 menunjukkan visualisasi distribusi spasial statistik t (sebagai hasil bagi antara
estimasi parameter dan kesalahan standar). Nilai t yang tinggi mengindikasikan bahwa
hubungan di suatu wilayah adalah signifikan. Dengan mempertimbangkan jumlah derajat kebebasan yang
efektif, tingkat signifikansi sebesar 0,05 akan sesuai dengan nilai t sekitar 1,96.

Variabel X2, nilai |t| Variabel X3, nilai |t| Variabel X5, |t| nilai Variabel X7, |t| nilai

Variabel X8, nilai |t| Variabel X9, nilai |t| Variabel X10, nilai |t

3.00<
2.50-3.00
2.00-2.50
1.50-2.00
1.00-1.50
0.50-1.00
0.00-0.50

Gambar 4. Distribusi spasial statistik t untuk koefisien pada variabel lokal dalam model MGWR1.
Sumber: penelitian sendiri.

Analisis menunjukkan bahwa area-area tertentu dapat diidentifikasi di mana terdapat hubungan
yang signifikan secara statistik antara variabel tertentu dan harga unit rata-rata. Sebagai contoh,
hubungan antara rata-rata jumlah kelahiran (variabel X2 ) dan harga rata-rata adalah yang paling
signifikan di bagian barat laut (sabuk Szczecin-Gdan´sk) dan bagian tenggara negara tersebut.
Tabel 7 menunjukkan hasil estimasi model MGWR2 untuk variabel respon Y2 , yang menunjukkan
aktivitas pasar perumahan.

Tabel 7. Hasil estimasi parameter model MGWR2.

Variabel Global (Tetap) Variabel Lokal

Variabel Taksiran Kesalahan Standar p-Value Variabel Min Mean Max
X1 2.823 0.309 <0.001 Intercept 5.328 8.690 12.058
X2 -0.697 0.294 0.018 X3 -1.593 -0.299 1.071
X4 0.596 0.356 0.094 X5 -0.541 0.894 2.121
X6 -0.209 0.011 0.476
R2 = 0,805, Adjusted R2 = 0,767 X7 -0.410 0.343 1.080
Loglik = 1982.374 (logaritma fungsi kemiripan) AIC X8 -1.269 -0.010 0.897
= 2083.313, AICc = 2099.127 (kriteria Akaike) BIC X9 -1.235 -0.606 0.012
= 2282.172 (kriteria informasi Bayesian) X10 0.607 1.421 2.100

Di antara variabel-variabel penjelas yang bersifat global, dampak yang signifikan secara
statistik terhadap aktivitas pasar terlihat pada variabel X1 (kepadatan penduduk) dan X2 (jumlah
kelahiran). Patut dicatat bahwa parameter pada variabel X1 dalam model OLS2 mencapai nilai yang
jauh lebih rendah.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 16 dari
19

Gambar 5 menunjukkan distribusi spasial dari koefisien-koefisien pada variabel-variabel lokal

dalam model MGWR2. Dampak ini disajikan bersama dengan hasil estimasi model untuk variabel
penjelas yang telah distandarisasi.

Variabel X3 Variabel X5 Variabel X6 Variabel X7

Variabel X8 Variabel X9 Variabel X10

2.0<

1.0-2.0

0.4-1.0

0.0-0.4

-0.4-0.0

-1.0- -0.4

-2.0- -1.0

<-2,0

Gambar 5. Distribusi spasial dari parameter-parameter pada variabel lokal dalam model MGWR2 (nilai
variabel terstandarisasi digunakan untuk estimasi). Sumber: penelitian sendiri.

Dampak negatif terbesar pada aktivitas pasar diamati untuk variabel X9 (rata-rata luas lantai
unit rumah) dan dampak positif terbesar diamati untuk variabel X10 . Dampak variabel X10 adalah
wajar dan diharapkan. Untuk variabel X9 , hubungan ini berarti bahwa harga rata-rata yang lebih
tinggi sesuai dengan luas unit rumah yang lebih kecil. Untuk variabel-variabel lainnya, sebuah
fenomena menarik teramati, di mana sebuah faktor tidak dapat diidentifikasi secara pasti sebagai
stimulan atau penghambat. Sebagai contoh, sebuah analisis menunjukkan bahwa dampak variabel X5
(gaji bulanan rata-rata) terhadap jumlah transaksi di sebagian besar wilayah di Indonesia adalah
positif, sementara di bagian timur laut Indonesia, variabel ini berdampak negatif terhadap aktivitas
pasar. Interpretasi kekuatan dampak harus disertai dengan penilaian signifikansi hubungan yang
diuji. Oleh karena itu, distribusi spasial dari statistik t untuk koefisien pada variabel lokal dalam
model MGWR2 disajikan pada Gambar 6.

Variabel X3, nilai |t| Variabel X5, nilai |t| Variabel X6, |t| nilai Variabel X7, |t| nilai

Variabel X8, nilai |t| Variabel X9, nilai |t| Variabel X10, nilai |t

3.00<
2.50-3.00
2.00-2.50
1.50-2.00
1.00-1.50
0.50-1.00
0.00-0.50

Gambar 6. Distribusi spasial statistik t untuk koefisien pada variabel lokal dalam model MGWR2.
Sumber: penelitian sendiri.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 17 dari
19

Dengan jumlah derajat kebebasan yang efektif, seperti pada model MGWR1, tingkat
signifikansi 0,05 akan menghasilkan nilai |t| sekitar 1,96. Untuk variabel X3 , X6 dan X8 , hubungan
yang ditunjukkan oleh model MGWR2 hampir tidak dapat dianggap signifikan di sebagian besar
wilayah negara. Untuk variabel-variabel lainnya, wilayah yang berbeda merupakan ciri khas dari
distribusi spasial yang disajikan, di mana hubungan yang digambarkan oleh model tersebut
signifikan secara statistik.
Koefisien determinasi lokal R2 dapat menunjukkan kecocokan lokal dari masing-masing
model. Gambar 7 menunjukkan koefisien R2 untuk model GWR1, MGWR1, GWR2 dan MGWR2.

GWR1: R2 lokal GWR2: R2 lokal

0.85<
0.80-0.85
0.75-0.80
0.70-0.75
0.65-0.70
<0.65

MGWR1: R2 lokal MGWR2: R2 lokal

0.85<
0.80-0.85
0.75-0.80
0.70-0.75
0.65-0.70
<0.65

Gambar 7. R lokal2 dalam model Geographically Weighted Regression (GWR). Sumber: penelitian sendiri.

Model GWR1, di mana harga unit rata-rata, Y1 , adalah variabel respon, koefisien determinasi
lokal menunjukkan kecocokan terbaik di bagian utara negara tersebut dan di daerah Warsawa. Nilai
terendah tercatat di bagian tengah (dekat Ł ó d z ´ ) dan bagian tenggara. Untuk model GWR2,
kecocokan terbaik ditemukan di bagian tenggara Polandia. Model MGWR dicirikan oleh distribusi
koefisien determinasi lokal yang serupa.
Tabel 8 menyajikan statistik diagnostik dasar dari model-model tersebut, yang memungkinkan
perbandingan model satu sama lain dan penilaian kecocokan model dengan data empiris yang
digunakan.

Tabel 8. Statistik diagnostik dasar model OLS, GWR dan MGWR.

OLS1 GWR1 MGWR1 OLS2 GWR2 MGWR2

Standar
670.776 463.981 459.505 4.496 3.213 3.252
Kesalahan
R2 0.627 0.821 0.825 0.633 0.814 0.809
Adjusted R2 0.615 0.775 0.782 0.622 0.766 0.769
logLik 6024.804 5744.674 5737.308 2220.888 1965.611 1974.595
AIC 6048.804 5868.691 5858.230 2244.888 2089.627 2083.103
AICc 6049.654 5893.342 5881.561 2245.738 2114.278 2101.565
BIC 6096.086 6113.015 6069.457 2292.170 2333.951 2296.873
ISPRS Int. J. Geo-Inf. 2020, 9, 380 18 dari
19

Baik kriteria informasi maupun koefisien determinasi dengan jelas menunjukkan bahwa model
regresi terboboti secara geografis lebih mencerminkan hubungan yang diteliti. Untuk model
MGWR, sedikit perbaikan dapat diamati dibandingkan dengan model GWR dasar. Selama
penelitian, dapat dipastikan bahwa metode yang digunakan memberikan hasil yang lebih baik
dibandingkan dengan pendekatan klasik, terutama karena metode ini memungkinkan untuk
mendapatkan informasi tambahan mengenai hubungan spasial. Hal ini mengindikasikan bahwa
penggunaan model regresi geografis terbobot campuran (MGWR) dapat dibenarkan untuk
menganalisis hubungan spasial dalam studi sosial-ekonomi.

6. Ringkasan dan Kesimpulan

Penelitian ini mencoba untuk menilai hubungan antara faktor sosio-demografi dan ekonomi
serta lingkungan dibandingkan dengan harga rata-rata dan aktivitas pasar perumahan pada tahun
2018 secara spasial. Baik model regresi OLS klasik, maupun model Geographically Weighted
Regression (GWR dan MGWR) yang dilengkapi dengan analisis korelasi spasial digunakan dalam
penelitian ini. Sebagian besar variabel yang diadopsi sebagai faktor penentu terbukti signifikan
secara statistik baik dari segi dampaknya terhadap harga maupun terhadap aktivitas pasar, meskipun
peran beberapa faktor (misalnya, tingkat pengangguran dan emisi partikulat) tidak sejelas yang
terlihat. Temuan studi ini menunjukkan bahwa faktor penentu harga rata-rata dan aktivitas pasar
berbeda secara spasial, yang merupakan konsekuensi dari perbedaan ekonomi dan budaya atau sejarah.
Hal ini ditunjukkan, antara lain, dengan analisis autokorelasi spasial dan konsentrasi cluster tinggi-
tinggi dan rendah-rendah. Seperti kebanyakan negara Eropa lainnya, Polandia bukanlah negara yang
homogen, oleh karena itu analisis sosio-ekonomi yang dilakukan di tingkat lokal dapat berbeda secara
signifikan dengan analisis yang dilakukan di tingkat nasional.
Studi ini menunjukkan bahwa model GWR adalah alat yang sangat efektif untuk menganalisis
data spasial. Penerapan model-model ini telah menunjukkan bahwa dampak dari faktor-faktor
penentu harga yang dianalisa berbeda secara spasial, dan signifikansi terbesarnya yang diukur dengan
koefisien determinasi lokal dapat diamati terutama di Mazowieckie Voivodeship (dekat Warsawa) dan
Pomorskie Voivodeship (dekat Gdan'sk). Dalam hal faktor penentu aktivitas pasar, signifikansi
terbesarnya diamati terutama di bagian tenggara negara tersebut.
Studi menunjukkan bahwa memperlakukan semua variabel sebagai variabel lokal dapat
menyederhanakan, seperti halnya model OLS global. Oleh karena itu, model MGWR digunakan, di
mana, dengan menggunakan kriteria Diff, variabel-variabel yang dampaknya dapat diperlakukan
sebagai global. Untuk dampak terhadap harga rumah rata-rata, variabel-variabel tersebut adalah:
jumlah kelahiran, tingkat migrasi dan tingkat pengangguran yang terdaftar. Untuk jumlah transaksi,
variabel-variabel global yang dipilih adalah kepadatan penduduk, jumlah kelahiran dan tingkat
migrasi.
Baik model GWR maupun model MGWR memiliki kecocokan yang jauh lebih baik terhadap
data empiris daripada model global. Hal ini dibuktikan dengan koefisien determinasi dan kriteria
informasi berdasarkan fungsi likelihood (AIC-Kriteria Akaike, BIC-Kriteria informasi Bayesian).
Model-model ini memberikan dasar bagi kesimpulan-kesimpulan spesifik mengenai faktor-faktor
penentu harga lokal dan aktivitas pasar. Akan tetapi, perlu ditekankan bahwa meskipun model-
model ini memenuhi sebagian besar ekspektasi, model-model ini tidak menunjukkan kecocokan
yang cukup baik untuk semua unit spasial. Sayangnya, model GWR dan MGWR yang digunakan
juga memiliki beberapa keterbatasan yang dapat diatasi setidaknya sebagian dengan menggunakan,
misalnya, metode estimasi yang lebih kuat atau pendekatan Bayesian.
Perbandingan hasil analisis dengan hasil penelitian sebelumnya mengenai pasar real estat di
Polandia [59,61,62] menegaskan bahwa kondisi-kondisi, terutama sosio-demografi dan ekonomi,
memainkan peran kunci dalam membentuk proses pembentukan harga dan memiliki dampak yang
besar pada aktivitas pasar perumahan. Perlu dicatat, bagaimanapun juga, bahwa publikasi tentang
pasar perumahan Polandia terutama menggunakan model global yang tidak memungkinkan
pendekatan spasial terhadap proses pasar di seluruh negeri. Sebagian besar studi yang menggunakan
model spasial berfokus pada pasar lokal, oleh karena itu kesimpulan yang didapat juga bersifat
lokal.
Hasil penelitian ini menunjukkan bahwa masalah memasukkan ruang dalam penelitian sosial-
ISPRS Int. J. Geo-Inf. 2020, 9, 380 19 dari
ekonomi sangat luas dan penggunaan model GWR dan MGWR hanya dapat menjadi titik awal19untuk
analisis lebih lanjut, yang seharusnya
ISPRS Int. J. Geo-Inf. 2020, 9, 380 20 dari
19

juga memperhitungkan dinamika perubahan pasar real estat dari waktu ke waktu. Penyertaan cakrawala
ruang dan waktu dapat menjadi alat yang efektif untuk penilaian, peramalan, dan simulasi
perkembangan real estat baik di tingkat global maupun lokal.
Penggunaan model MGWR campuran merupakan perluasan yang signifikan dari kemungkinan analisis
spasial dalam geografi sosio-ekonomi, di mana variabel yang dioperasikan secara regional biasanya
digunakan yang menunjukkan heterogenitas spasial. Metodologi yang disajikan dapat, di atas segalanya,
memfasilitasi pemahaman proses pembentukan nilai di pasar dan pada saat yang sama, aplikasinya tidak
terbatas pada diagnosis kondisi yang ada. Metodologi ini juga dapat digunakan untuk memprediksi dan
mensimulasikan fenomena di pasar perumahan.

Kontribusi Penulis: Konseptualisasi, RC, A.C. dan M.B.; metodologi, R.C. dan A.C.; validasi, R.C.; analisis
formal, A.C.; investigasi, A.C. dan M.B.; sumber daya, A.C.; kurasi data, A.C.; persiapan draf awal penulisan,
R.C. dan M.B.; tinjauan dan penyuntingan tulisan, M.B.; visualisasi, R.C.; pengawasan, R.C.; administrasi
proyek, R.C. Semua penulis telah membaca dan menyetujui versi naskah yang diterbitkan.
Pendanaan: Penelitian ini tidak menerima dana eksternal.
Konflik Kepentingan: Para penulis menyatakan tidak ada konflik kepentingan.

Referensi
1. Adams, Z.; Füss, R. Faktor Penentu Makroekonomi Pasar Perumahan Internasional. J. Hous. Econ. 2010, 19, 38 -
50. [CrossRef]
2. Hott, C.; Monnin, P. Harga Real Estat Fundamental: Estimasi Empiris dengan Data Internasional.
J. Pembiayaan Real Estat. Ekon. 2008, 36, 427 - 450. [CrossRef]
3. Gaspare˙niene˙, L.; Remeikiene˙, R.; Skuka, A. Penilaian Dampak Faktor Ekonomi Makro terhadap Perumahan
Tingkat Harga: Kasus Lithuania. Intellect. Ekon. 2016, 10, 122 - 127. [CrossRef]
4. Lee, C.L. Volatilitas Harga Perumahan dan Faktor Penentunya. Int. J. Hous. Mark. Anal. 2009, 2, 293-308. [CrossRef]
5. Anas, A.; Eum, S.J. Analisis Hedonik Pasar Perumahan dalam Ketidakseimbangan. J. Urban Econ. 1984, 15, 87-
106. [CrossRef]
6. DeSilva, S.; Elmelech, Y. Ketimpangan Perumahan di Amerika Serikat: Menjelaskan Kesenjangan Kulit
Putih-Minoritas dalam Kepemilikan Rumah. Hous. Stud. 2012, 27, 1-26. [CrossRef]
7. Engelhardt, G.V.; Poterba, J.M. Harga Rumah dan Perubahan Demografi: Bukti dari Kanada.
Reg. Ilmu Ekonomi Perkotaan (Sci. Urban Econ). 1991, 21, 539-546. [CrossRef]
8. Essafi, Y.; Simon, A. Pasar Perumahan dan Demografi, Bukti dari Data Panel Perancis. Eur. Real Estate Soc.
2015, 2015, 107-133. [CrossRef]
9. Lin, W.-S.; Tou, J.-C.; Lin, S.-Y.; Yeh, M.-Y. Pengaruh Faktor Sosial Ekonomi terhadap Harga Perumahan
Regional di Amerika Serikat. Int. J. Hous. Mark. Anal. 2014, 7, 30-41. [CrossRef]
10. Magnusson, L.; Turner, B. Pedesaan Ditinggalkan? Suburbanisasi dan Mobilitas di Swedia. Eur. J. Hous.
Kebijakan 2003, 3, 35 - 60. [CrossRef]
11. Gallin, J. Hubungan Jangka Panjang antara Harga Rumah dan Pendapatan: Bukti dari Perumahan Lokal
Pasar. Ekonomi Real Estat. 2006, 34, 417 - 438. [CrossRef]
12. Jud, G.D.; Winkler, D.T. Dinamika Harga Perumahan Metropolitan. J. Real Estate Res. 2002, 23, 29-46.
13. Reichert, A.K. Dampak Suku Bunga, Pendapatan, dan Ketenagakerjaan terhadap Harga Perumahan Regional.
J. Real Estate Financ. Econ. 1990, 3, 373-391. [CrossRef]
14. Berg, L. Harga di Pasar Barang Bekas untuk Rumah Keluarga Swedia: Korelasi, Sebab Akibat dan Faktor
Penentu. Eur. J. Hous. Kebijakan 2002, 2, 1-24. [CrossRef]
15. De Bruyne, K.; Van Hove, J. Menjelaskan Variasi Spasial Harga Perumahan: Sebuah Pendekatan Geografi
Ekonomi . Appl. Econ. 2013, 45, 1673 - 1689. [CrossRef]
16. Allen, J.; Amano, R.; Byrne, D.P.; Gregory, A.W. Harga Perumahan Kota di Kanada dan Segmentasi Pasar
Perkotaan. Can. J. Econ. Can. Déconomique 2009, 42, 1132-1149. Tersedia online: https:
//www.jstor.org/stable/40389501 (diakses pada 20 Maret 2020). [CrossRef]
17. Ridker, R.G.; Henning, J.A. Faktor Penentu Nilai Properti Residensial dengan Referensi Khusus pada Polusi
Udara . Rev. Econ. Stat. 1967, 49, 246 - 257. [CrossRef]
18. Kim, C.W.; Phipps, T.T.; Anselin, L. Mengukur Manfaat Peningkatan Kualitas Udara: Pendekatan Hedonik
Spasial. J. Environ. Econ. Manag. 2003, 45, 24-39. [CrossRef]
ISPRS Int. J. Geo-Inf. 2020, 9, 380 21 dari
19

19. Saphores, J.-D.; Aguilar-Benitez, I. Pencemar Lokal yang Berbau dan Nilai Properti Perumahan: Analisis
Hedonik dari Empat Kota di Orange County (California). Estud. Econ. 2005, 20, 197-218. Tersedia secara
online: https://www.jstor.org/stable/40311503 (diakses pada 25 Maret 2020).
20. Orenstein, D.E.; Hamburg, S.P. Populasi dan Perkerasan: Pertumbuhan Penduduk dan Pengembangan
Lahan di Israel. Popul. Environ. 2010, 31, 223-254. [CrossRef]
21. Broitman, D.; Koomen, E. Keragaman Regional dalam Pembangunan Perumahan: Satu Dekade Dinamika
Perumahan Perkotaan dan Peri-Urban di Belanda. Lett. Spat. Resour. Sci. 2015, 8, 201 - 217. [CrossRef]
22. Belke, A.; Keil, J. Faktor Penentu Fundamental Harga Real Estat: Sebuah Studi Panel Wilayah Jerman.
Int. Adv. Econ. Res. 2018, 24, 25 - 45. [CrossRef]
23. Grum, B.; Govekar, D.K. Pengaruh Faktor Makroekonomi terhadap Harga Real Estate di Berbagai
Lingkungan Budaya: Kasus Slovenia, Yunani, Perancis, Polandia dan Norwegia. Procedia Econ. Financ.
2016, 39, 597 - 604. [CrossRef]
24. Fujita, M.; Krugman, P.R.; Venables, A. The Spatial Economy: Kota, Wilayah, dan Perdagangan Internasional;
MIT Press: Cambridge, MA, USA, 1999.
25. Gaspareniene, L.; Venclauskiene, D.; Remeikiene, R. Tinjauan Kritis terhadap Model-model Pasar Perumahan
Terpilih Mengenai Faktor-faktor yang Mempengaruhi Pembentukan Tingkat Harga Perumahan di Negara-
negara dengan Ekonomi Transisi. Procedia-Soc. Behav. Sci. 2014, 110, 419 - 427. [CrossRef]
26. Holly, S.; Pesaran, M.H.; Yamagata, T. Model Spatio-Temporal Harga Rumah di Amerika Serikat. J. Econ.
2010,
158, 160-173. [CrossRef]
27. Lee, L.; Yu, J. Beberapa Perkembangan Terbaru dalam Model Data Panel Spasial. Reg. Sci. Ekon Perkotaan.
2010, 40, 255 - 271. [CrossRef]
28. Otto, P.; Schmid, W. Analisis Spatiotemporal Harga Real Estat Jerman. Ann. Reg. Sci. 2018, 60, 41 - 72.
[CrossRef]
29. Griffith, D.A. Pemodelan Autokorelasi Spasial pada Data Interaksi Spasial: Bukti Empiris dari tahun 2002
Arus Perjalanan ke Tempat Kerja di Jerman. J. Geogr. Syst. 2009, 11, 117-140. [CrossRef]
30. Griffith, D.A. Penyaringan Spasial. Dalam Handbook of Applied Spatial Analysis; Fisher, M.M., Getis, A.,
Eds.; Springer: Berlin, Germany, 2010.
31. Tiefelsdorf, M.; Griffith, D.A. Pemfilteran Semiparametrik untuk Autokorelasi Spasial: Pendekatan Vektor
Eigen.
Lingkungan. Rencana. Econ. Ruang 2007, 39, 1193 - 1221. [CrossRef]
32. Thayn, J.B.; Simanis, J.M. Memperhitungkan Autokorelasi Spasial pada Model Regresi Linier Menggunakan
Pemfilteran Spasial dengan Vektor Eigen. Ann. Assoc. Am. Geogr. 2013, 103, 47 - 66. [CrossRef]
33. Griffith, D.A. Kontribusi Berbasis Penyaringan Spasial untuk Kritik terhadap Regresi Tertimbang
Geografis (GWR). Lingkungan. Plan. A 2008, 40. [CrossRef]
34. Huang, B.; Wu, B.; Barry, M. Regresi Tertimbang Geografis dan Temporal untuk Pemodelan Variasi Spatio-
Temporal Harga Rumah. Int. J. Geogr. Inf. Sci. 2010, 24, 383 - 401. [CrossRef]
35. Lu, B.; Charlton, M.; Fotheringhama, A.S. Regresi Tertimbang Geografis Menggunakan Metrik Jarak Non-
Euclidean dengan Studi pada Data Harga Rumah di London. Procedia Environ. Sci. 2011, 7, 92 - 97.
[CrossRef]
36. Kestens, Y.; Thériault, M.; Des Rosiers, F. Heterogenitas dalam Pemodelan Hedonik Harga Rumah: Melihat
Profil Rumah Tangga Pembeli. J. Geogr. Syst. 2006, 8, 61-96. [CrossRef]
37. Yu, D. Pemodelan Nilai Rumah Keluarga Tunggal yang Dihuni Pemilik di Kota Milwaukee: Pendekatan
Regresi Terbobot Geografis. GIScience Remote Sens. 2007, 44, 267 - 282. [CrossRef]
38. McCord, M.; Davis, P.T.; Haran, M.; McGreal, S.; McIlhatton, D. Variasi Spasial sebagai Penentu Harga
Rumah. J. Financ. Manag. Prop. Constr. 2012, 17, 49-72. [CrossRef]
39. Yang, J.; Bao, Y.; Zhang, Y.; Li, X.; Ge, Q. Dampak Aksesibilitas terhadap Harga Perumahan di Kota Dalian,
Cina Berdasarkan Model Regresi Tertimbang Geografis. Chin. Geogr. Sci. 2018, 28, 505 - 515. [CrossRef]
40. Helbich, M.; Brunauer, W.; Vaz, E.; Nijkamp, P. Heterogenitas Spasial dalam Model Harga Rumah
Hedonik: Kasus Austria. Urban Stud. 2014, 51, 390-411. [CrossRef]
41. Mondal, B.; Das, D.N.; Dolui, G. Pemodelan Variasi Spasial dari Faktor-Faktor Penjelas Perluasan Kota
Kolkata: Pendekatan Regresi Tertimbang Geografis. Model. Earth Syst. Environ. 2015, 1, 29. [CrossRef]
42. Sholihin, M.; Soleh, A.M.; Djuraidah, A. Geographically and Temporally Weighted Regression (GTWR) untuk
Pemodelan Pertumbuhan Ekonomi Menggunakan R. Int. J. Comput. Sci. Netw. 2017, 6, 800-805.
ISPRS Int. J. Geo-Inf. 2020, 9, 380 22 dari
19

43. Wu, C.; Ren, F.; Hu, W.; Du, Q. Regresi Tertimbang Geografis dan Temporal Multiskala: Menjelajahi faktor
penentu spasial dan temporal dari harga perumahan. Int. J. Geogr. Inf. Sci. 2019, 33, 489 - 511. [CrossRef]
44. Purhadi, P.; Yasin, H. Model Regresi Geografis Terboboti Campuran (Studi Kasus: Persentase Rumah
Tangga Miskin di Kabupaten Mojokerto Tahun 2008. Eur. J. Sci. Res. 2012, 69, 188-196.
45. Rencher, A.C.; Schaalje, G.B. Model Linier dalam Statistika; John Wiley & Sons: Hoboken, NJ, USA, 2008.
46. Fotheringham, A.S.; Brunsdon, C.; Charlton, M. Regresi Berbobot Geografis: Analisis Hubungan yang
Bervariasi Secara Spasial; John Wiley & Sons: Hoboken, NJ, USA, 2003.
47. Mei, C.-L.; Wang, N.; Zhang, W.-X. Menguji Pentingnya Variabel Penjelas dalam Model Regresi
Campuran Geographically Weighted Regression. Lingkungan. Plan. A 2006, 38, 587-598. [CrossRef]
48. Brunsdon, C.; Fotheringham, S.; Charlton, M. Geographically Weighted Regression sebagai Model Statistik;
Kertas Kerja, Kelompok Penelitian Analisis Spasial; Departemen Geografi, Universitas Newcastle-upon-Tyne:
Newcastle, UK, 2000.
49. Akaike, H. Teori Informasi dan Perluasan Prinsip Kemungkinan Maksimum. Dalam Selected Papers of
Hirotugu Akaike; Springer: Berlin/Heidelberg, Germany, 1998; pp. 199-213.
50. Hurvich, C.M.; Simonoff, J.S.; Tsai, C.-L. Pemilihan Parameter Penghalus pada Regresi Nonparametrik
Menggunakan Kriteria Informasi Akaike yang Disempurnakan. J. R. Stat. Soc. Ser. B Stat. Methodol. 1998, 60,
271-293. [CrossRef]
51. Leung, Y.; Mei, C.-L.; Zhang, W.-X. Uji Statistik untuk Nonstasioneritas Spasial Berdasarkan Model Regresi
Terboboti Geografis . Environ. Plan. A 2000, 32, 9-32. [CrossRef]
52. LeSage, J.P. Keluarga Model Regresi Berbobot Geografis. Dalam Advances in Spatial Econometrics; Springer:
Berlin, Germany, 2004; hal. 241-264.
53. Wheeler, D.C.; Páez, A. Regresi Berbobot Geografis. Dalam Advances in Spatial Econometrics; Anselin, L.R.,
Florax, J.G.M., Rey, S.J., Eds.; Springer: Heidelberg, Jerman, 2010.
54. Lu, B.; Harris, P.; Charlton, M.; Brunsdon, C. Paket GWmodel R: Topik Lebih Lanjut untuk Mengeksplorasi
Spasial Heterogenitas Menggunakan Model Berbobot Geografis. Geo-Spat. Inf. Sci. 2014, 17, 85 - 101.
[CrossRef]
55. Ispriyanti, D.; Yasin, H.; Warsito, B.; Hoyyi, A.; Winarso, K. Regresi Geografis Terboboti Campuran
Menggunakan Bandwidth Adaptif untuk Pemodelan Indeks Standar Pencemar Udara. ARPN J. Eng. Appl. Sci.
2017, 12, 4477-4482. [CrossRef]
56. Speckman, P. Pemulusan Kernel dalam Model Linier Parsial. J. R. Stat. Soc. Ser. B Methodol. 1988, 50, 413-
436. [CrossRef]
57. Wei, C.-H.; Qi, F. Pada Estimasi dan Pengujian Model Regresi Campuran Berbobot Geografis.
Econ. Model. 2012, 29, 2615-2620. [CrossRef]
58. Lewandowska-Gwarda, K. Regresi Tertimbang Geografis dalam Analisis Pengangguran di Polandia.
ISPRS Int. J. Geo-Inf. 2018, 7, 17. [CrossRef]
59. Forys´, I. Społeczno-Gospodarcze Determinanty Rozwoju Rynku Mieszkaniowego w Polsce: Uje˛cie Ilos´ciowe.
Wydawnictwo Naukowe Uniwersytetu Szczecin´skiego 2011, 793, 398.
60. Ra˛cka, I.; Rehman, S.K. Pasar Perumahan di Ibu Kota Negara-Kasus Polandia dan Portugal. Geomat. Environ. Eng.
2018, 12, 75-87. [CrossRef]
61. Sitek, M. Situasi di Pasar Perumahan Polandia Dibandingkan dengan Negara-negara Uni Eropa Lainnya.
J. Int. Stud. 2014, 7, 57 - 69. [CrossRef]
62. Tomal, M. Dampak Faktor Makro terhadap Harga Apartemen di Kabupaten Polandia: Pendekatan Regresi
Spasial Kuantil Dua Tahap . Real Estate Manag. Valuat. 2019, 27, 1-14. [CrossRef]
63. Cliff, A.D. Autokorelasi Spasial; Pion: London, UK, 1973.
64. Goodchild, M.F.; Janelle, D.G. Ilmu Sosial Terintegrasi Secara Spasial; Oxford University Press: Oxford, Inggris,
2004.

© 2020 oleh penulis. Pemegang lisensi MDPI, Basel, Swiss. Artikel ini adalah artikel
akses terbuka yang didistribusikan di bawah syarat dan ketentuan lisensi Creative
Commons Atribusi (CC BY) (http://creativecommons.org/licenses/by/4.0/).