22
pertanian dengan sektor nonpertanian dalam penggunaan lahan terutama di Pulau Jawa. Alih fungsi lahan dari sektor pertanian ke sektor lain menyebabkan lahan pertanian semakin sempit.
4. Status Kepemilikan Lahan Pada umunya, pemilik lahan mempunyai kontrol yang lebih lengkap daripada penyewa
lahan. Pemilik lahan dapat langsung membuat suatu keputusan dalam mengadopsi praktik baru, tetapi penyewa lahan sering harus mendapat persetujuan dari pemilik lahan sebelum mencoba
atau menerapkan suatu praktik baru tersebut. Secara khusus, hal ini benar apabila penyewa lahan masih membutuhkan beberapa dukungan finansial dari pemilik lahan. Tidak bisa
dipungkiri bahwa selain ada petani penggarap pemilik lahan juga ada petani penggarap bukan pemilik lahan. Dengan kata lain tidak semua lahan yang digunakan untuk usahatani oleh petani
milik petani itu sendiri. Perlu diadakan kajian untuk menilai apakah petani bukan pemilik lahan bisa memberikan respon positif atau mengadopsi terhadap inovasi baru dalam pertanian.
5. Pendapatan Petani yang mempunyai pendapatan lebih tinggi mempunyai kemampuan lebih besar
untuk menanggung biaya usahatani yang biasanya lebih tinggi karena menerapkan suatu inovasi teknologi. Pendapatan usahatani yang berbanding lurus dengan luas lahan usahatani
mempunyai makna bahwa semakin luas lahan usahatani padi maka semakin tinggi pula pendapatan usahatani padi.
4.2 Model Regresi Logistik
Untuk mengetahui faktor – faktor yang mempengaruhi peluang petani untuk melaksanakan usahatani dengan teknologi PHSL, maka dilakukan analisis dengan
menggunakan pendekatan regresi logistik. Di dalam statistik, regresi logistik digunakan untuk memprediksi kemungkinan probabilitas dari suatu kejadian dengan data fungsi logit dari
kurva logistik. Bentuk analisis regresi banyak menggunakan beberapa variabel yang berupa numerik atau kategoris. Regresi logistik adalah bagian dari analisis regresi yang digunakan
ketika variabel dependen respon merupakan variabel dikotomi. Variabel dikotomi biasanya hanya terdiri dari atas dua nilai, yang mewakili kemunculan atau tidak adanya suatu kejadian
yang biasanya diberi angka 0 atau 1 Widiarta dan I Gusti, 2011. Regresi logistik bertujuan untuk menanggulangi kelemahan dari LPM Linier
Probability Model yang dapat memberi hasil kurang memuaskan, karena menghasilkan probalitias taksiran yang kurang dari nol atau lebih dari satu Widiarta dan I Gusti, 2011.
Regreasi logistik dapat dimanfaatkan untuk memprediksi suatu variabel tidak bebas berdasarkan variabel bebas yang bersifat baik kontinu atau kategoris. Selain itu, seperti regresi
yang lainnya, regresi logistik juga dapat digunakan untuk menentukan persentase varian di dalam variabel tidak bebas dijelaskan oleh variabel bebas yang dilibatkan dalam model Basuki
2008. Model regresi logistik menggunakan tramsformasi logit. Model umum regresi logistik
adalah :
= 1 = =
⋯ ⋯
................................
5
23
4.3 Metode Estimasi
Regresi logistik menerapkan MLE Maximum Likelihood Estimation 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.
Karena regresi logistik diakomodasikan untuk variabel tidak bebas biner, maka didalam pemodelannya baik variabel bebas dan tidak bebas harus direprentasikan dalam bentuk kode.
Variabel yang ditanyakan dalam bentuk kode tersebut didefinisikan sebagai variabel dummy. Reduksi variabel bebas dapat dilakukan dengan melakukan uji hipotesis, yaitu :
H : p
i
= 0 H
a
: p
i
≠ 0 ; dimana p
i
adalah proporsi klasifikasi i di dalam variabel dummy Widiarta dan I Gusti, 2008. Prinsip dari MLE Maximum Likelihood Estimation ini adalah parameter populasi
diestimasi dengan cara memakasimumksan kemungkinan likelihood dari data observasi. Likelihood merupakan suatu fungsi dari data dan parameter model. Jika terdapat data biner,
bentuk dari likelihood adalah sebagai berikut : Y
i
= 1 dengan probabilitas p
i
Yi = 0 dengan probabilias 1 – p
i
Misal data observasi bersifat bebas maka likelihood dari data Y
1
, Y
2
, ..., Y
n
adalah p
1
dan 1 - p
1
. Jika untuk setiap Y
1
= 1, dengan probabilitas p
1
dan untuk setiap Y
i
= 0 dengan probabilitas 1 - p
i
, bentuk umum dari likelihood L L =
∏ 1- P
i 1 –Yi
...................................................................... 6 Sepintas model di atas menyatakan bahwa likelihood hanya berkaitan dengan
probabilitas dan belum menjelaskan mengenai probabilitas dari variabel bebas yang akan diperoleh Widiarta dan I Gusti, 2008.
4.4 Metode Pengujian Parameter Model
