Analisis Multivariat Regresi Logistik Menggunakan SPSS

Analisis multivariat merupakan salah satu cabang statistik yang sangat penting dalam berbagai disiplin ilmu, mulai dari kedokteran, ekonomi, hingga ilmu sosial. Salah satu teknik analisis multivariat yang sering digunakan untuk memprediksi probabilitas suatu kejadian berdasarkan beberapa variabel independen adalah regresi logistik. Terlebih lagi ketika variabel dependen yang diamati bersifat dikotomi (misalnya, lulus/tidak lulus, sakit/sehat, ya/tidak), regresi logistik menjadi alat yang sangat relevan.

SPSS (Statistical Package for the Social Sciences) adalah perangkat lunak statistik yang sangat populer dan banyak digunakan. Kombinasi analisis regresi logistik dengan SPSS memungkinkan peneliti untuk melakukan pemodelan prediktif yang kompleks dengan antarmuka yang relatif mudah digunakan. Artikel ini akan membahas secara mendalam mengenai analisis regresi logistik dan bagaimana mengimplementasikannya menggunakan SPSS, termasuk interpretasi hasilnya.

Apa Itu Regresi Logistik?

Berbeda dengan regresi linear biasa yang memprediksi nilai variabel dependen kontinu, regresi logistik digunakan ketika variabel dependennya bersifat kategorikal. Untuk kasus paling sederhana, yaitu variabel dependen dikotomi (memiliki dua kategori, sering dilambangkan sebagai 0 dan 1), regresi logistik memodelkan probabilitas salah satu kategori terjadi. Fungsi logistik (sigmoid function) digunakan untuk mengubah keluaran linear dari variabel independen menjadi probabilitas antara 0 dan 1.

Rumus dasar yang sering dikaitkan dengan regresi logistik adalah log-odds (logit), di mana:

logit(P(Y=1)) = log(P(Y=1) / P(Y=0)) = β₀ + β₁X₁ + β₂X₂ + ... + βnXn

Di sini:

• P(Y=1) adalah probabilitas kejadian Y bernilai 1.
• P(Y=0) adalah probabilitas kejadian Y bernilai 0.
• β₀ adalah intercept (konstanta).
• β₁, β₂, ..., βn adalah koefisien regresi untuk variabel independen X₁, X₂, ..., Xn.

Koefisien regresi (β) dalam regresi logistik menginterpretasikan perubahan dalam log-odds dari variabel dependen ketika variabel independen meningkat satu unit, dengan variabel lain dianggap konstan. Untuk mempermudah interpretasi, koefisien ini sering diubah menjadi odds ratio (OR) dengan rumus OR = exp(β). Odds ratio yang lebih besar dari 1 menunjukkan peningkatan kemungkinan kejadian, sedangkan odds ratio kurang dari 1 menunjukkan penurunan kemungkinan kejadian.

Langkah-langkah Analisis Regresi Logistik di SPSS

Melakukan analisis regresi logistik di SPSS cukup straightforward. Berikut adalah langkah-langkah umumnya:

1. Persiapan Data: Pastikan data Anda telah dibersihkan dan variabel dependen serta independen telah didefinisikan dengan benar. Variabel dependen kategorikal harus berupa numerik (misalnya, 0 dan 1).
2. Membuka Menu Regresi Logistik: Navigasikan ke Analyze > Regression > Binary Logistic... (jika variabel dependen Anda memiliki dua kategori). Jika variabel dependen memiliki lebih dari dua kategori dan tidak berurutan, gunakan Multinomial Logistic....
3. Menentukan Variabel:
   • Pindahkan variabel dependen Anda ke kotak Dependent.
   • Pindahkan variabel independen (baik kategorikal maupun kontinu) ke kotak Covariates.
4. Menentukan Kategori Variabel Dependen: SPSS biasanya secara otomatis mendeteksi kategori. Anda mungkin perlu menentukan kategori mana yang mewakili "kejadian" (biasanya kode yang lebih tinggi). Ini dapat diatur di bagian Options... atau langsung di dialog utama.
5. Menentukan Tipe Variabel Independen: SPSS perlu tahu variabel mana yang kategorikal (faktor) dan mana yang kontinu (kovariat). Anda dapat menentukan ini di kotak dialog utama atau melalui tombol Categorical.... Untuk variabel kategorikal, Anda mungkin perlu memilih metode pengkodean (misalnya, indicator, dummy).
6. Opsi Tambahan (Opsional): Klik tombol Save... untuk menyimpan nilai prediksi atau residual, atau klik Options... untuk mendapatkan statistik tambahan seperti Hosmer-Lemeshow goodness-of-fit test, klasifikasi plot, dan Ci for exp(B) (confidence interval untuk odds ratio).
7. Menjalankan Analisis: Klik OK untuk menjalankan analisis.

Interpretasi Hasil Regresi Logistik di SPSS

Output SPSS untuk regresi logistik akan menyajikan beberapa tabel penting:

1. Classification Table (Tabel Klasifikasi)

Tabel ini menunjukkan seberapa baik model memprediksi kategori variabel dependen. Ini mencakup akurasi prediksi keseluruhan, serta presisi dan recall untuk setiap kategori.

2. Variables in the Equation (Variabel dalam Persamaan)

Tabel ini adalah jantung dari output regresi logistik. Kolom-kolom penting meliputi:

• B: Koefisien regresi (β) untuk setiap variabel.
• SE: Standard Error dari koefisien B.
• Wald: Statistik uji Wald untuk menguji signifikansi koefisien.
• df: Derajat kebebasan.
• Sig.: Nilai p (signifikansi) dari uji Wald. Jika nilai p kurang dari tingkat signifikansi yang ditentukan (biasanya 0.05), maka variabel independen tersebut signifikan secara statistik dalam memprediksi variabel dependen.
• Exp(B): Odds Ratio. Nilai ini menunjukkan berapa kali lipat odds dari kejadian meningkat ketika variabel independen naik satu unit, dengan variabel lain konstan.
• 95% C.I. for EXP(B): Interval kepercayaan 95% untuk Odds Ratio. Jika interval ini tidak mencakup angka 1, maka Odds Ratio dianggap signifikan pada tingkat kepercayaan 95%.

3. Goodness-of-Fit Tests (Uji Kesesuaian Model)

Uji seperti Hosmer-Lemeshow (jika dipilih) digunakan untuk menilai apakah model secara keseluruhan cocok dengan data. Nilai p yang tinggi (misalnya, > 0.05) menunjukkan bahwa model tidak secara signifikan berbeda dari data yang diamati, yang merupakan indikasi model yang baik.

Dengan memahami konsep dasar regresi logistik dan menguasai langkah-langkah implementasinya di SPSS, peneliti dapat menggali lebih dalam data mereka untuk menemukan pola prediktif yang berharga. Analisis ini sangat berguna dalam membuat keputusan berbasis bukti dan mengembangkan strategi yang lebih efektif.