variabel bebasnya adalah variabel yang berasal dari faktor karakteristik petani dan keluarganya, faktor karakteristik usahatani, dan faktor lingkungan.
4.3.2.2 Metode Pengestimasi model pada Regresi Logistik .
Regresi logistik menerapkan Maximum Likelihood Estimation MLE setelah mentransformasikan variabel tidak bebas ke dalam suatu variabel logit
logaritma natural atas odds dari variabel tidak bebas menyatakan kejadian atau ketidakjadian. Perlu dicatat bahwa regresi logistik menghitung perubahan di
dalam log odds dari variabel tidak bebas, bukan perubahan dalam variabel tidak bebas itu sendiri sebagaimana di dalam regresi Ordinary Least Square OLS
Garson, 2008. OLS berbeda dengan MLE. Ordinary Least Square berusaha untuk
meminimalkan penjumlahan dari kuadrat jarak antara titik data dengan garis regresi. MLE berusaha untuk memaksimalkan log likelihood LL yang
merefleksikan bagaimana kemungkinan bahwa nilai observasi dari variabel tidak bebas dapat diprediksi dari nilai observasi variabel bebas.
Diasumsikan bahwa sampel yang didapatkan adalah sebanyak n pengamatan bebas berupa pasangan x
i
, y
i
, i = 1, 2, ..., n. Untuk membuat model, perlu ditentukan estimasi dari koefisien variabel penjelas yang berupa vektor β’ =
β , β
1
, ..., β
p
. Bentuk fungsi likelihood adalah:
i n
i
x l
ξ β
∏
=
=
1
Prinsip likelihood maksimum menekankan bahwa nilai β yang akan digunakan sebagai estimasi model adalah nilai β yang memaksimumkan fungsi
l β
di atas. Untuk memudahkan perhitungan, bentuk yang digunakan adalah log
dari fungsi tersebut atas disebut dengan log likelihood. Bentuk dari persamaannya adalah:
[ ] [
] [
]
{ }
i i
i i
n i
x y
x y
l L
π π
β β
− −
+ =
=
∑
=
1 ln
1 ln
ln
1
Untuk menemukan nilai masing-masing β yang memaksimumkan Lβ, L
β perlu dideferensiasikan terhadap masing-masing β dan menyamadengankan
nol persamaan tersebut. Akan ada p+1 persamaan likelihood yang diperoleh dari mendeferensiasikan fungsi Lβ terhadap p+1 koefisien. Persamaan likelihood
yang dihasilkan untuk memenuhi prosedur tersebut dapat berbentuk sebagai berikut:
[ ]
1
= −
∑
= i
i n
i
x y
π dan
[ ]
1
= −
∑
= i
i ij
n i
x y
x π
untuk j=1, 2, ..., p Hosmer dan Lemeshow, 1989.
4.3.2.3 Metode Pengujian Parameter Model
