Pada prinsipnya, regresi logistik mempunyai tujuan untuk memperkirakan besarnya probabilitas kejadian tertentu di dalam suatu populasi sebagai suatu fungsi eksplanatori, misalnya untuk mengetahui peluang kejadian kebakaran di kawasan taman nasional X pada kondisi wilayah tertentu dan faktor apa saja yang berpengaruh signifikan terhadap kejadian kebakaran di sana. Regresi ini menggunakan variabel respon/terikat berbentuk dummy. Tidak seperti regresi linier biasa, penggunaan regresi logistik memiliki kelebihan dalam hal pelanggaran beberapa asumsi yang harus ada pada regresi linier biasa seperti asumsi kenormalan dan homokedastisitas. Estimasi nilai Y juga terletak pada range yang sangat luas (dapat berada di luar interval 0-1). Dengan demikian secara matematis penggunaan regresi logistik menjadi lebih mudah digunakan.
Variabel respon/terikat yang digunakan dalam regresi ini dikategorikan. Regresi logistik biner menggunakan variabel respon dikotomi, yaitu 1 sebagai kejadian dan 0 untuk tidak ada kejadian. Variabel respon bisa lebih dari 2 jenis, seperti dalam kasus tingkat kejadian kebakaran hutan yang dibagi menjadi 3 kelas, kerawanan rendah (Y=0), sedang (Y=1) dan tinggi (Y=2). Untuk kasus seperti ini maka dapat digunakan regresi logistik multinomial.
Model regresi logistik biner digunakan untuk melihat apakah variabel tak bebas yang berskala dikotomi (Y = 0 dan Y = 1) dipengaruhi oleh variabel bebas baik yang kategorik maupun numerik. Bentuk umum model peluang regresi logistik dengan k variabel diformulasikan sebagai berikut :
Fungsi tersebut merupakan fungsi linier sehingga perlu dilakukan transformasi ke dalam bentuk logit agar dapat dilihat hubungan antar variabel respon dengan penjelas. Dengan melakukan transformasi logit dari phy (x) , didapat persamaan yang lebih sederhana yang merupakan fungsi linier data parameter-parameternya, yaitu:
Apabila terdapat sebanyak p peubah bebas dan peubah ke-j merupakan merupakan peubah kategorik, maka akan terdapat peubah boneka sebanyak k-1, dengan dummy variabel kj dinamakan Dju dengan koefisien Bju, u = 1,2,….., kj-1. Sehingga model transformasi logit dapat dituliskan seperti persamaan berikut ini :
Kenapa menggunakan Data Kategorik ???
Selain variabel terikat yang berbentuk katagorik, dalam pengelolaan biofisik kawasan, seorang analis tidak selalu dihadapkan pada ketersediaan data-data variabel bebas level rasio. Data semacam jenis tanah, status kawasan dan tipe penutupan lahan merupakan contoh-contoh data katagorik dalam analisis spasial. Data-data seperti ini memiliki nilai penting untuk menjelaskan banyak fenomena, sayangnya tidak memiliki nilai numerik yang jelas.
Pada sebagian kasus, analisis data-data katagorik dibuat menjadi data numerik dengan sistem skoring, namun mempertahankan data kategorik seperti apa adanya juga merupakan pilihan yang baik. Banyak analis lebih senang memilih metodologi analisis yang cocok untuk data katagorik dari pada terpaksa mengangkakan data-data tersebut untuk bisa dilakukan analisis berbasis numerik.
Konversi data dari data numerik menjadi kategorik bahkan menjadi satu pilihan ketika jumlah data numerik yang akan dianalisis berukuran sangat besar, misalnya saja analisis yang dilakukan mencakup banyak data di seluruh wilayah Indonesia. Konversi ini memiliki keuntungan terkait ruang penyimpanan yang lebih kecil sehingga waktu analisis computer pun juga lebih cepat.
Kelemahan dari konversi ini adalah hilangnya sifat-sifat numeric pada data, pembentukkan kelompok/ katagori seringkali bersifat debatable dan pengelompokkan data ordinal dalam proses pengolahan data statistik Chi-Square hanya dipandang sebagai katagori nominal. Nilai ranking data kategorik yang menjadi nilai tambah data menjadi hilang.
Pemanfaatan bidang Manajemen
Peningkatan kinerja dan penguatan fungsi pelayanan, dua istilah yang akhir-akhir ini sering disebut terkait reformasi birokrasi di berbagai lembaga pemerintah. Mengenai peningkatan kinerja sendiri memerlukan suatu alat ukur tertentu. Sepanjang pengamatan, ada beberapa jenis indikator yang digunakan untuk mengukur kinerja, mulai dari peningkatan kinerja berbasis proses, berbasis out put, berbasisimpact/outcome maupun yang paling primitif berbasis penyerapan anggaran.
Setiap indikator memiliki kelebihan dan kekurangan, sehingga biasanya untuk keperluan ini menggunakan kombinasi dari bermacam-macam indikator yang dijabarkan menjadi parameter-parameter yang terukur. Contoh indikator berbasis proses : pemangkasan strata birokrasi pelayanan perijinan pemanfaatan kawasan, berbasis out put : peningkatan panjang batas terluar kawasan yang telah dilakukan tata batas, berbasisimpact/outcome : peningkatan partisipasi masyarakat dalam pengelolaan kawasan atau peningkatan pendapatan, dan berbasis penyerapan anggaran : terjadi peningkatan belanja anggaran sebagai dampak dari pelaksanaan kegiatan.
Dari keempat indikator tersebut, pengukuran kinerja berdasarkan impact/outcome termasuk paling rumit, sebab perubahan biofisik maupun sosial ekonomi yang terjadi di lapangan jarang melibatkan variabel tunggal. Secara ilmiah, untuk mengidentifikasi sekaligus mengukur dampak tersebut dapat menggunakan statistik kecenderungan (Odd Ratio). Analisis ini dapat dipakai untuk mengolah data-data katagorik dengan level data nominal atau ordinal.
Implementasi bidang Konservasi
Dalam mendukung pengelolaan kawasan konservasi, teknik ini dapat dimanfaatkan untuk menganalisis hubungan cause-effect gangguan yang terjadi di dalam kawasan, seperti kebakaran hutan dan lahan, illegal logging, perambahan dan lain sebagainya. Dengan analisis ini dapat diformulasikan faktor-faktor yang berpengaruh signifikan terhadap terjadinya gangguan-gangguan tersebut melalui metodologi statistika yang dapat diterima secara akademik.
Teknik ini juga bermanfaat untuk menganalisis faktor-faktor yang berperan dalam penentuan kesesuaian habitat satwa liar, area prioritas penanganan gangguan kawasan bahkan dapat menjadi salah satu pendekatan pengukuran dampak dari aktivitas manajemen terhadap suatu kawasan.
Sebagaimana telah dijelaskan sebelumnya, seberapa besar manfaat hasil analisis teknik ini sangat ditentukan oleh keakuratan para analis dalam mendefinisikan katagori/kelompok, mengidentifikasi driving factors/ variabel bebas, pengelompokkan variabel respon dan menjelaskan fenomena statistika berlandaskan teori-teori yang relevan. Misalnya saja dilakukan analisis hubungan antara bentuk rumah di Sulawesi Tenggara terhadap kejadian kebakaran hutan dan lahan atau pengaruh umur Jono terhadap nilai mata uang rupiah. Dalam pengujian statistika, bisa jadi hasilnya menunjukkan ada korelasi kuat antara kedua peubah, namun secara teoritis hubungan ini tidak bisa diterima.
Untuk menilai seberapa besar signifikansi dampak aktivitas manajemen dapat dilakukan perbandingan antara kawasan-kawasan yang mendapat perlakuan menajemen tertentu dengan area-area sekitarnya yang memiliki karakteristik yang sama/mirip namun tidak mendapatkan aktivitas manajemen. Contohnya : jika ingin mengetahui efektivitas manajemen kawasan konservasi dalam menurunkan kejadian kebakaran, maka dapat dilakukan perbandingan antara kejadian kebakaran di kawasan Cagar Alam X terhadap kawasan di sekitarnya yang tidak berstatus kawasan konservasi.
Dalam contoh kasus tersebut, regresi logistik menggunakan pengelompokkan variabel bebas berdasarkan status kawasan, yaitu kawasan Cagar Alam (kelompok 1) dan kawasan bukan Cagar Alam (kelompok 2), sedangkan untuk variabel respon berupa kejadian kebakaran (Y=1) dan tidak terjadi kebakaran (Y=0). Variabel yang relevan di kawasan tersebut harus pula dimasukkan sebagai driving factor selain status kawasan seperti jarak jalan, topografi dan lain sebagainya. Jumlah sampel haruslah mencukupi.
Hasil analisis regresi logistik akan menunjukkan seberapa besar signifikansi penetapan kawasan sebagai Cagar Alam dengan melihat signifikansi kelompok 1 terhadap kelompok 2 (pembanding). Apabila didapatkan nilai signifikansi < 0.05, penetapan kawasan Cagar Alam cukup efektif dalam menekan kejadian kebakaran hutan dan lahan pada selang kepercayaan 95 %. Jika hasilnya menunjukkan kurang signifikan, mungkin hal ini bisa menjadi masukkan bagi pihak manajemen untuk merancang strategi yang lebih efektif dalam mengelola kawasan. Kriteria efektifitas manajemen kawasan sendiri bersifat debatable baik jenis, bentuk maupun ukurannya, namun sebagai alat ukur yang dapat memberikan informasi statistik, pendekatan dengan teknik ini sangatlah bermanfaat.
