yang akan diberikan tanpa harus terintimidasi dengan nilai tertentu, seperti pada metode tawar menawar. Untuk menggunakan metode ini, diperlukan
pengetahuan statistik yang relatif baik. 4. Metode Pertanyaan Pilihan Dikotomi Closed-Ended Referendum
Metode ini menawarkan responden jumlah uang tertentu dan menanyakan apakah responden mau membayar atau tidak sejumlah uang tersebut untuk
memperoleh peningkatan kualitas lingkungan tertentu atau apakah responden mau menerima atau tidak sejumlah uang tersebut sebagai kompensasi atas
diterimanya penurunan kualitas lingkungan. 5. Metode Bertanya Contingent Rangking
Dengan metode ini, responden tidak ditanya secar a langsung berapa nilai yang ingin dibayarkan atau diterima, tetapi responden disodori rangking dari
kombinasi kualitas lingkungan yang berbeda dan nilai moneternya kemudian diminta mengurut beberapa pilihan dari yang paling disukai sampai yang paling
tidak disukai. Metode ini menggunakan skala ordinal sehingga diperlukan pengetahuan statistik yang sangat baik dan jumlah sampel yang besar.
2.6 Regresi Logit
Regresi logit merupakan teknis analisis data yang dapat menjelaskan hubungan antara peubah respon yang memiliki dua kategori dengan satu atau
lebih peubah penjelas berskala kontinu atau kategori Hosmer dan Lemesow, 1989.
Model peluang regresi logistik dengan p faktor peubah penjelas adalah :
... exp
1 ...
exp
1 1
1 1
p p
p p
X X
X X
x x
Y E
β β
β β
β β
π +
+ +
+ +
+ +
= =
=
Transformasi logit dari px adalah
−
= 1
ln x
x x
g π
π
Dimana komponen gx yang merupakan bagian komponen sistematik tersebut, dapat dituliskan dalam fungsi linear dari peubah penjelas :
gx = ß + ß
1
x
1
+ ß
2
x
2
+ ……..ß
p
X
p
Jika terhadap p peubah bebas dengan peubah ke-j merupakan peubah kategori dengan k nilai, maka peubah boneka sebanyak k-1. Maka model
transformasi logitnya menjadi :
∑
− =
+ +
+ +
=
1 1
1 1
......
j
k u
p p
ju ju
X D
X x
g β
β β
β
Dimana: X
j
= Peubah bebas ke-j dengan tingkatan k
j
B
ju
= Koefisien peubah boneka
K
j-1
= Peubah boneka u
= 1,2,3 …………….k
j-1
Pendugaan parameter digunakan metode kemungkinan maksimum maximun likelihood
Dimana fungsi kemungkinan maksimum:
|
1 i
i n
i
x y
Y f
l =
Π =
=
β
Untuk mend uga ß
i
maka maksimumkan lß Untuk memudahkan perhitungan, dilakukan pendekatan logaritma, sehingga fungsi log
kemungkinannya sebagai berikut :
[ ]
ln β
β l
l =
=
∑
=
− −
+
n i
i i
i
y y
1
} 1
ln 1
ln {
π π
Nilai dugaan ß
i
dapat diperoleh dengan membuat turunan pertama terhadap lß = 0, dengan i = 1, 2, 3, ……………..p
Untuk memperoleh penduga. kemungkinan maksimum bagi parameter-parameter dari model, secara teknis digunakan metode kuadrat terkecil
terboboti secara iterative iteratively reweighted least squares Pengujian terhadap parameter -parameter model dilakukan sebagai upaya
untuk memeriksa kebaikan model. Uji kebaikan model merupakan suatu pemeriksaan apakah nilai yang diduga dengan peubah didalam model lebih baik
atau akurat dibandingkan dengan model tanpa peubah tersebut Hosmer dan Lemeshow, 1989. Dengan kata lain diadakan pengujian hipotesis statistik dalam
menentukan apakah peubah-peubah bebas dalam model mempunyai hubungan yang nyata dengan peubah responnya.
Menurut Hosmer dan Lemeshow 1989, untuk mengetahui peran seluruh peubah penjelas di dalam model secara bersama-sama dapat digunakan uji nisbah
kemungkinan yaitu uji G. Statistik ujinya berdasarkan hipotesis
H : ß
1
= ß
2
= ß
3
= ……. = ß
p
= 0 H
1
: Paling sedik it ada satu ß
j
? 0 j = 1, 2, 3, …..p Sedangkan rumus umum untuk uji-G :
− =
k
L L
G ln
2
Dengan kriteria uji:
≥ =
2 ,
2 ,
, ,
H Tolak
H Terima
G
p p
α α
χ χ
Dengan L = fungsi kemungkinan tanpa peubah penjelas dan L
k
= fungsi kemungkinan dengan peubah penjelas. Statistik G mengikuti sebaran khi kuadrat
dengan derajat bebas p. Sedangkan untuk uji nyata parameter secara parsial dapat digunakan uji-Wald.
Statistik uji-Wald adalah
j j
j
s W
β β
= Hipotesis:
H : ß
j
= 0 H
1
: ß
j
? 0 dengan kriteria uji:
≥
=
2 2
, ,
H tolak
Z H
terima Z
W
α α
dengan
j ∧
β merupakan penduga ß
j
dan
j
s
∧
β adalah dugaan galat baku dari
j ∧
β .
Statistik uji Wald mengikuti sebaran normal baku. Menurut Hosmer dan Lemeshow 1989, koefisien model logit ditulis
sebagai ß
j
= gx+1 – gx. Parameter ß
j
mencerminkan perubahan dalam fungsi logit gx untuk perubahan satu unit peubah bebas x yang disebut log odds. Log
odds merupakan. beda antara dua penduga. logit yang dihitung pada dua nilai misal x = a dan x = b yang
Dinotasikan sebagai :
[ ]
, ln
b a
b x
g a
x g
b a
j
− =
= −
= =
β ψ
sedangkan penduga rasio -odds adalah:
[ ]
exp ,
b a
b a
j
− =
β ψ
Sehingga jika a-b =1 maka ? = expß. Rasio -odds ini dapat diintepretasikan sebagai kecenderungan Y =1 pada x =1 sebesar ? kali dib andingkan pada x = 0.
2.7 Studi Penelitian Terdahulu
