28 8 Diperlukan pengetahuan dengan pasti jika contoh memiliki karakteristik yang
sama dengan populasi dan penyesuaian diperlukan. 9 Tanda parameter sebaiknya dilihat kembali untuk melihat jika mereka setuju
dengan harapan yang tepat. Nilai minimum dari 15 untuk R
adjusted
direkomendasikan oleh Mitchell dan Carson 1989 diacu dalam Hanley dan Spash 1993.
3.1.2 Analisis Regresi Logit
Analisis regresi logit merupakan bagian dari analisis regresi. Analisis ini mengkaji hubungan pengaruh-pengaruh peubah penjelas
χ terhadap peubah respon Y melalui model persamaan matematis tertentu. Namun jika peubah
respon dari analisis regresinya berupa kategorik, maka analisis regresi yang digunakan adalah analisis regresi logit Hosmer dan Lemeshow, 1989. Peubah
kategori bisa merupakan suatu pilihan yatidak atau sukatidak. Sedangkan peubah penjelas pada analisis regresi logit ini dapat berupa peubah kategori maupun
numerik, untuk menduga besarnya peluang kejadian tertentu dari kategori peubah respon.
Dalam penelitian ini digunakan analisis regresi logit biner, dimana peubah responnya hanya memiliki dua peluang kejadian yaitu apakah responden bersedia
membayar atau tidak bersedia membayar. Dalam analisisnya pemodelan peluang kejadian tertentu dari kategori peubah respon dilakukan melalui transformasi
logit. Formula dari transformasi logit tersebut adalah : Logit p
i
= log
e
Pi Pi
1
........................................................................................ 2 dengan pi adalah peluang munculnya kejadian kategori sukses dari peubah respon
untuk orang ke-i dan log
e
adalah logaritma dengan basis bilangan e. Kategori
29 sukses secara umum merupakan kategori yang menjadi perhatian dalam
penelitian. Gambar-2 berikut ini mengilustrasikan proses transformasi logit tersebut.
Dengan demikian model yang digunakan dalam analisis regresi logit biner adalah sebagai berikut :
Logit pi = β + β
1
X .......................................................................................... 3 dengan logit pi adalah nilai transformasi logit untuk peluang kejadian sukses, β
adalah intersep model garis regresi, β
1
adalah slope model garis regresi dan X adalah peubah penjelas.
Didalam kajian hubungan antar peubah kategorik dikenal adanya ukuran asosiasi, atau ukuran keeratan hubungan antar peubah kategori. Salah satu
keuntungan penggunaan analisis regresi logit adalah bahwa ukuran asosiasi ini seringkali merupakan fungsi dari penduga parameter yang didapatkan. Salah satu
ukuran asosiasi yang dapat diperoleh melalui analisis regresi logit adalah odd ratio.
Odd sendiri dapat diartikan sebagi ratio peluang kejadian tidak sukses dari peubah respon. Adapun ratio odd mengindikasikan seberapa lebih mungkin,
gχ πχ
predictor
χ
predictor χ
Logit Transformasi
Gambar 2. Transformasi Logit
30 dalam kaitannya dengan nilai odd, munculnya kejadian sukses pada suatu
kelompok dibandingkan dengan kelompok lainnya.
3.1.3 Analisis Regresi Berganda
