Latar Belakang

Kota Bogor merupakan salah satu kota yang berbatasan langsung dengan DKI Jakarta. Dengan pesatnya pertumbuhan ekonomi, minat terhadap lahan kosong di Kota Bogor semakin meningkat. Oleh karena itu, penelitian ini bertujuan untuk memodelkan dan menganalisis faktor-faktor yang mempengaruhi harga lahan di wilayah tersebut. Berdasarkan penelitian sebelumnya, variabel-variabel yang digunakan untuk memodelkan pola harga lahan meliputi jarak ke pusat kota, aksesibilitas, serta berbagai variabel lainnya seperti ketersediaan fasilitas umum dan lingkungan sekitar.

Metode Random Forest Regressor dipilih karena kemampuannya dalam menangani data yang kompleks dan variabel prediktor yang beragam. Dengan menggunakan metode ini, penelitian diharapkan dapat memberikan hasil yang akurat serta wawasan yang lebih mendalam mengenai faktor-faktor yang berkontribusi terhadap fluktuasi harga tanah di Kota Bogor. Analisis ini juga diharapkan dapat menjadi panduan bagi pengembang properti, pemerintah daerah, serta para investor dalam pengambilan keputusan terkait pembelian dan pemanfaatan lahan di masa mendatang.

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. 1.
   Memodelkan pola harga tanah di Kota Bogor dengan menggunakan metode Random Forest Regressor.

1. 2.
   Mengidentifikasi dan menganalisis faktor-faktor yang paling berpengaruh terhadap harga lahan di Kota Bogor, seperti jarak ke pusat kota, aksesibilitas, serta faktor lainnya.

1. 3.
   Memberikan prediksi harga tanah di berbagai lokasi di Kota Bogor berdasarkan variabel-variabel tersebut.

Data dan Metodologi

Penelitian ini menggunakan data pola harga lahan yang didapat dari KJPP Rengganis, Hamid dan Rekan pada tahun 2023, data Lokasi mall, fasilitas Pendidikan, Poly line dari jalan utama yang di dapat dari layanan overpass turbo. Analisa data dilakukan dengan python, geopandas dan GEO MAPID.

Hasil dan pembahasan

Berdasarkan hasil penelitian, kota bogor memiliki 379 fasilitas Pendidikan dengan rentang jenjang Pendidikan dari sekolah dasar hingga sekolah menengah atas, 72 titik perbelanjaan, 32 mall dan 31 fasilitas Kesehatan. Metode spatial grid digunakan untuk mendapatkan kepadatan dari fasilitas umum pada suatu wilayah sebagai gambaran potensi pengembangan di wilayah tertentu. Pada gambar dibawah dapat disimpulkan bahwa kota bogor memiliki konsentrasi kepadatan fasilitas umum yang kuat pada pusat kota dengan jumlah fasilitas melebihi 14 titik pada satu grid. Dapat disimpulkan bahwa frekuensi Pembangunan daerah paling pesat terjadi di titik kota bogor.

Proses selanjutnya adalah melihat bagaimana korelasi dari peta pola harga lahan kota bogor dengan peta grid yang sebelumnya dibuat. Pada gambar dibawah terdapat gradasi warna yang menunjukan pergerakan pola harga lahan kota bogor yang cenderung memiliki kenaikan Ketika posisi dari suatu lahan mendekat ke pusat kota, sehingga kepadatan dari sebuah wilayah dapat dijadikan sebagai variabel penentu pola harga lahan.

Dalam proses permodelan menggunakan random forest regressor , evaluasi model dilakukan dengan 4 matrix pengukuran yaitu R squared , PE10 (percentage of error below 10%) dan RT20 (Right tail >20%) . R-squared mengukur seberapa baik model dapat menjelaskan variansi dari variabel dependen (target). Nilainya berkisar dari 0 hingga 1, di mana 1 berarti model dapat menjelaskan semua variansi. PE10 adalah persentase data di mana persentase error-nya kurang dari 10%. Dihitung dengan membagi jumlah data dengan error di bawah 10% dengan total jumlah data. RT20 adalah persentase data di mana persentase error-nya lebih dari 20%. Dihitung dengan membagi jumlah data dengan error di atas 20% dengan total jumlah data. Model Random Forest Regressor yang digunakan dalam penelitian ini menunjukkan performa yang kuat dalam memprediksi variabel target. Dengan rata-rata R² sebesar 0.8797, model mampu menjelaskan hampir 88% variabilitas dalam data, yang mengindikasikan kecocokan yang baik. Sebagian besar prediksi (85.54%) memiliki error di bawah 10% (PE10), sementara hanya 6.6% prediksi yang memiliki error di atas 20% (RT20), menunjukkan bahwa model ini cukup akurat dan andal dalam menangani prediksi harga tanah di Kota Bogor. Evaluasi model dilakukan dengan metode cross validation dengan 10 lipatan untuk melihat konsistensi dari hasil setiap matrix pengukuran yang digunakan.

Kesimpulan dari hasil feature importance pada model Random Forest Regressor menunjukkan bahwa jarak ke Kebun Raya dan akses ke jalan utama adalah faktor paling dominan dalam menentukan harga tanah di Kota Bogor. Tanah yang lebih dekat dengan Kebun Raya dan memiliki akses yang baik ke jalan utama cenderung memiliki nilai lebih tinggi. Faktor jarak ke sekolah, rumah sakit, dan pusat perbelanjaan juga berperan penting, meskipun dampaknya sedikit lebih rendah dibandingkan aksesibilitas ke Kebun Raya dan jalan utama. Luas tanah menjadi faktor fisik yang signifikan, dengan tanah yang lebih besar umumnya memiliki harga lebih tinggi. Sementara itu, lebar jalan di depan properti memiliki pengaruh yang lebih kecil, tetapi tetap relevan. Di sisi lain, kepadatan Point of Interest (densed POI) memiliki pengaruh paling rendah terhadap harga tanah. Ini menunjukkan bahwa jumlah fasilitas atau titik-titik menarik di sekitar properti, seperti restoran, toko, atau tempat umum lainnya, tidak terlalu memengaruhi nilai tanah secara signifikan dibandingkan dengan faktor-faktor lain seperti aksesibilitas dan fasilitas pendidikan atau kesehatan.

Kesimpulan dan rekomendasi

Penelitian ini berhasil memodelkan faktor-faktor yang memengaruhi harga lahan di Kota Bogor dengan metode Random Forest Regressor. Hasil analisis menunjukkan bahwa jarak ke Kebun Raya Bogor dan aksesibilitas ke jalan utama adalah faktor paling dominan dalam menentukan harga tanah. Selain itu, fasilitas umum seperti sekolah, rumah sakit, dan pusat perbelanjaan juga berpengaruh, meskipun dampaknya lebih kecil dibandingkan akses ke Kebun Raya dan jalan utama. Luas tanah juga menjadi variabel yang signifikan, sementara kepadatan fasilitas atau Points of Interest (POI) memiliki pengaruh yang paling rendah. Dengan akurasi model yang tinggi (R² sebesar 0,8797), model ini memberikan prediksi harga tanah yang andal dan konsisten. meskipun Random Forest Regressor telah menunjukkan kinerja yang baik dalam memodelkan harga lahan, eksplorasi model lain seperti Gradient Boosting atau XGBoost dapat diuji untuk meningkatkan akurasi prediksi. Selain itu, penambahan variabel baru seperti perkembangan transportasi publik, proyek pembangunan besar, atau faktor lingkungan seperti risiko banjir dan polusi udara juga dapat memberikan wawasan yang lebih mendalam tentang variabel yang memengaruhi harga tanah. Pendekatan berbasis time series atau model dinamis bisa membantu menganalisis evolusi harga lahan dari waktu ke waktu, bukan hanya pada satu periode tertentu. Penelitian ini menggunakan data grid untuk mengukur kepadatan fasilitas umum, dan pengembangan lebih lanjut bisa dilakukan dengan menggunakan resolusi data spasial yang lebih rinci atau teknik seperti kriging untuk interpolasi harga tanah di area tanpa data. Selain itu, penting untuk memvalidasi hasil prediksi dengan data pasar real-time guna memastikan keakuratan dalam konteks terkini.

Referensi

1. A. S. Bumi, S. Subiyanto, and Y. Wahyuddin, "ANALISIS FAKTOR AKSESBILITAS DAN LOKASI FASILITAS UMUM FASILITAS SOSIAL TERHADAP HARGA TANAH DI KELURAHAN CATURTUNGGAL, KABUPATEN SLEMAN," Jurnal Geodesi Undip, vol. 10, no. 2, pp. 98-107, Apr. 2021.

2. Yulianto, C. (2024). Model Penilaian Tanah Massal Berbasis Bidang Tanah Menggunakan Algoritma Random Forest di Kota Surakarta. Jurnal Pertanahan, 14(1). https://doi.org/10.53686/jp.v14i1.204

3. Fhonna, R. P., Afrillia, Y., Zulfan, Aqmal, J., & Abadi, S. (2023). Klasifikasi Penentuan Jenis Tanah yang Sesuai Terhadap Tanaman Pangan Sebagai Solusi Ketahanan Pangan di Kabupaten Pidie Jaya Menggunakan Metode Random Forest. Jurnal Informasi Dan Teknologi

4. Rossini, Peter, and Paul Kershaw. Automated valuation model accuracy: some empirical testing. Diss. Pacific Rim Real Estate Society, 2008.