Secara makro, kita dapat melihat kurva permintaan agregat sebagai berikut:
Sumber: Mankiw 2007 Gambar 4. Kurva Permintaan Agregat
Kurva permintaan agregat dapat naik atau turun mengikuti fakta di lapangan. Permintaan agregat dapat naik kurva AD bergeser ke kanan antara lain
jika terjadi peningkatan pendapatan masyarakat, peningkatan gaji pegawai negeri, turunnya pajak perseorangan, panen raya, dan lain-lain.
2.1.3 Willingness to Pay Kesediaan Membayar
Menurut Smith dan Nagle 2002, Willingness to Pay WTP adalah kesediaan pengguna untuk mengeluarkan imbalan atas jasa yang diperolehnya.
Pendekatan yang digunakan dalam analisis willingness to pay didasarkan pada persepsi pengguna terhadap tarif dari jasa pelayanan dan kebutuhan mereka
terhadap BBM jenis premium. Permasalahan-permasalahan transportasi yang terjadi sering berhubungan dengan tingkat willingness to pay, dipengaruhi oleh
beberapa faktor, antara lain Dardela, 2009: a. Produk yang ditawarkan oleh operator jasa pelayanan transportasi
b. Kualitas dan kuantitas pelayanan yang disediakan c. Utilitas pengguna terhadapa produk tersebut
d. Selera pengguna WTP
i
dapat diduga dengan nilai tengah dari kelas atau interval WTP responden ke-i. Berdasarkan jawaban responden dapat diketahui WTP yang benar
adalah berada antara jawaban yang dipilih batas bawah kelas WTP dengan WTP berikutnya batas atas kelas WTP. Pada tahap ini, biasanya diabaikan penawaran
sanggahan atau respon dari responden yang tidak dapat menentukan jumlah yang
ingin mereka bayarkan karena mereka tidak ingin mengikuti program pemerintah untuk membenahi masalah kemacetan Nursusandhari dalam Agustya, 2011.
2.1.4 Regresi Logistik
Regresi Logistik atau yang lebih dikenal dengan metode logit merupakan bagian dari analisis regresi. Analisis ini mengaji hubungan pengaruh peubah-
peubah penjelas X terhadap peubah respon Y melalui model persamaan matematis tertentu. Secara umum, apabila peubah respon dalam analisis regresi
adalah peubah kategorik, maka analisis regresi yang dapat digunakan antara lain analisis regresi logistik. Analisis regresi logistik dapat dibagi menjadi regresi
logistik biner, regresi logistik nominal dan regresi logistik ordinal. Secara umum, analisis regresi logistik menggunakan peubah penjelasnya,
yang dapat berupa peubah kategorik ataupun peubah numerik, untuk menduga besarnya peluang kejadian tertentu dari kategori peubah respon. Dalam analisis
regresi logistik, pemodelan peluang kejadian tertentu dari kategori peubah respon dilakukan melalui transformasi dari regresi linier ke logit. Formulasi transformasi
logit tersebut adalah: Logitpi = log
ϱ
�
�� −��
� .......................................................................................2.1
P
i
adalah peluang munculnya kejadian kategori sukses dari peubah respon untuk orang ke-i dan log
ϱ
adalah logaritma dengan basis bilangan �
.
Kategori sukses secara umum menjadi perhatian dalam penelitian.
Salah satu ukuran asosiasi yang dapat diperoleh melalui analisis regresi logistik adalah odd ratio. Nilai odd ratio yang didapat dapat mengindikasikan
seberapa lebih mungkin dalam kaitannya dengan odd ratio munculnya kejadian sukses pada suatu kelompok dibandingkan dengan kelompok lainnya.
2.1.5 Analisis Crosstabs – Chi Square