C. PENGOLAHAN DAN ANALISIS DATA
4. Analisis Keputusan Adopsi dengan Regresi Logistik 1 Variabel dan Indokator Adopsi PHSL
Variabel dan indikator yang digunakan dalam studi ini dikelompokkan berdasarkan aspek yang mempengaruhi petani untuk mengadopsi teknologi PHSL, yaitu :
1). Pendidikan
Petani yang berpendidikan tinggi relatif lebih cepat dalam mengadopsi inovasi baru, begitu juga sebaliknya. Lama pendidikan mempunyai hubungan yang tidak langsung terhadap adopsi inovasi kecuali materi yang diajarkan berhubungan secara langsung dengan inovasi tersebut. Jika kondisinya tidak demikian maka lama pendidikan diduga hanya menciptakan suasana mental yang kondusif untuk menerima suatu praktik inovasi baru. Hubungan antara lama pendidikan dengan adopsi inovasi tidak selalu tinggi jika orientasi inovasi tersebut bisa diperoleh dari luar sekolah (Basuki 2008).
2). Umur
Semakin muda umur petani biasanya mempunyai semangat yang lebih terhadap hal atau inovasi baru yang belum mereka ketahui sebelumnya, sehingga peluang untuk mengadopsi inovasi baru itu akan semakin tinggi dari pada petani yang lebih tua. Akan tetapi, generasi muda pada umumnya juga cenderung kurang menyukai bekerja dibidang pertanian khususnya usahatani. Saat ini, pelaksana usahatani seperti padi didominasi oleh petani yang tidak berumur muda lagi. Perlu diadakan kajian untuk mengetahui apakah hal ini dapat menghambat penerapan suatu inovasi teknologi pertanian (Basuki, 2008).
3). Luas Lahan Usahatani
Beberapa kemajuan teknologi baru mensyaratkan operasi dalam skala usaha yang besar dan memerlukan sumberdaya ekonomi substansial untuk menerapkannya. Penggunaan praktik bertani yang modern akan menghasilkan manfaat ekonomi yang memungkinkan petani untuk memperluas operasi usahatani. Dengan demikian, petani akan lebih mampu secara ekonomi untuk menerapkan praktik usahatani yang lebih modern. Persaingan terus terjadi antara sektor
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) = =
⋯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 :
H0 : pi = 0 Ha : pi ≠ 0 ;
dimana pi 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 :
Yi = 1 dengan probabilitas pi
Yi = 0 dengan probabilias 1 – pi
Misal data observasi bersifat bebas maka likelihood dari data Y1, Y2, ..., Yn adalah p1
dan 1 - p1. Jika untuk setiap Y1 = 1, dengan probabilitas p1 dan untuk setiap Yi = 0 dengan probabilitas 1 - pi, bentuk umum dari likelihood (L)
L = ∏ (1- Pi)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
Pengujian parameter model dilakukan dengan menguji semua parameter secara keseluruhan dengan menguji masing – masing parameter secara terpisah. Uji rasio likelihood (likelihood ratio test) dapat digunakan untuk melihat pengaruh variabel – variabel penjelas yang dimasukkan dalam model. Untuk menguji apakah variabel penjelas memberikan pengaruh terhadap kebaikan dari model dengan uji rasio likelihood, mula – mula dicari nilai statistik G.
G = -2In[( )
( ) ] ... (7) Hipotesisi yang dipakai adalah :
H0: β1=β2=... = βn= 0
H1: Minimal ada satu β1≠0, dengan i=1,2,..., p.
Pada hipotesis nol bahwa semua koefisien bernilai nol, distribusi untuk statistik G adalah chi-square (ɣ2) dengan derajat bebas p. Adapun peraturan uji rasio likelihood adalah Ho diterima kerika P value > ɑ. Adapun P value adalah P (ɣ2(p atau derajat bebas) > G). Alfa (ɑ) adalah taraf signifikansi yang diinginkan.
24