disebut Dichotomous Choice karena hanya akan terdapat dua kemungkinan jawaban, yaitu “ya” atau “tidak” Fauzi 2014. Menurut Whitehead 2006 ciri
khusus dichotomous choice ialah nilai awal akan berbeda untuk setiap kelompok responden dan nilai awal penawaran juga merupakan nilai akhir penawaran.
Keunggulan dari metode dichotomous choice CVM ini adalah setiap responden hanya diberikan satu pertanyaan yang relatif mudah dijawab dan
metode ini lebih mendekati perilaku pasar dari konsumen yang mengambil keputusan untuk membeli atau tidak terhadap harga yang ditawarkan. Metode ini
dianggap sesuai dengan mekanisme insentif yang ditawarkan jika konsumen mendapatkan informasi yang mencukupi serta mengurangi beban konsumen jika
harus memilih secara terbuka maupun jamak Alberini et al. 2005 dalam Fauzi 2014.
Model dichotomous choice CVM juga menunjukkan bagaimana sikap lingkungan yang signifikan yang menentukan seseorang setuju atau tidak untuk
terjadinya perbaikan. Sikap yang peduli lingkungan menghasilkan peluang yang lebih tinggi untuk seseorang menjawab
“ya”, sehingga ukuran rata-rata nilai WTP sensitif terhadap perubahan sikap lingkungan Kotchen 1999.
2.4 Regresi Logistik
Regresi logistik adalah bagian dari analisis regresi yang digunakan ketika variabel tak bebas respon merupakan variabel dikotomi. Variabel dikotomi
biasanya hanya terdiri atas dua nilai yang mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka 0 atau 1. Menurut Argesti 2002,
regresi logistik model logistik atau model logit dalam statistika digunakan untuk memprediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data
pada fungsi logit kurva logistik. Metode ini merupakan model linier umum yang digunakan untuk regresi binomial. Model yang digunakan dalam regresi logistik,
Log P 1 – p = β
+ β
1
X
1
+ β
2
X
2
+ …. + β
k
X
k
….……………………………..1 Dimana :
P : Kemungkinan bahwa Y = 1
X1, X2, X3 : Variabel bebas β
: Koefisien regresi
Regresi logistik akan membentuk variabel prediktor atau respon log p1- p yang merupakan kombinasi linier dari variabel bebas. Nilai variabel prediktor
ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit Ariyoso 2009. Regresi logistik menghasilkan rasio peluang odds ratios terkait dengan
nilai setiap prediktor. Peluang odds dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian
tidak terjadi. Secara umum, rasio peluang odds ratios merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan
sebagai jumlah relatif dimana peluang hasil meningkat atau turun ketika nilai variabel prediktor meningkat sebesar 1 unit.
Uji yang digunakan pada analisis logistik diantaranya ialah uji wald dan uji G. Uji Wald menurut Rosadi 2011 merupakan uji terhadap masing-masing
koefisien pada regresi logistik yang disebut juga partially test. Hipotesis pada uji wald ini sebagai berikut :
H : prediktor secara univariat tidak berpengaruh signifikan terhadap respons
βi = 0; = 0,1,2,3,…,p H
1
: prediktor secara univariat berpengaruh signifikan terhadap respons β
i
≠0; = 0,1,2,3,…,p Pada tingkat signifikansi yang ditentukan sebesar α.
Uji yang digunakan untuk melihat signifikansi regresi secara simultan ialah Uji G. Menurut Hosmer 2000, Uji G merupakan uji rasio kemungkinan
maksimum likelihood ratio test untuk peranan variabel bebas. Uji ini mengikuti sebaran chi-square X
2
dengan derajat bebas p. Hipotesis :
H :
β
1
= β
2
= β
3
= … = β
p
= 0 H
1
: minimal 1 nilai yang β
i
≠0 i = 1,2,3,…,p
Rumus umum Uji G adalah : G = - 2ln
�0 �1
………………………………………………………………………2 Dimana :
L : Likelihood tanpa variabel bebas
L
1
: Likelihood dengan variabel bebas
