Analisis Regresi Logistik dengan SPSS: Panduan Lengkap

Analisis regresi logistik adalah sebuah metode statistik yang digunakan untuk memprediksi probabilitas suatu kejadian terjadi berdasarkan nilai dari satu atau lebih variabel prediktor. Berbeda dengan regresi linear yang memprediksi variabel dependen kontinu, regresi logistik digunakan ketika variabel dependen bersifat dikotomis (hanya memiliki dua kategori), seperti "ya/tidak", "sukses/gagal", "sembuh/tidak sembuh", atau "memilih/tidak memilih". SPSS (Statistical Package for the Social Sciences) adalah salah satu perangkat lunak statistik yang paling umum digunakan untuk melakukan analisis ini, memudahkan peneliti dalam memahami hubungan kompleks antara variabel.

Mengapa Menggunakan Regresi Logistik?

Ketika Anda ingin menjawab pertanyaan seperti:

• Faktor-faktor apa saja yang memengaruhi kemungkinan seorang pasien sembuh dari penyakit tertentu?
• Seberapa besar probabilitas seorang nasabah akan gagal bayar pinjaman berdasarkan riwayat kreditnya?
• Apakah tingkat pendidikan dan pendapatan memengaruhi kemungkinan seseorang memilih suatu produk?

Regresi logistik menjadi pilihan yang tepat. Metode ini memungkinkan kita untuk mengukur seberapa besar perubahan pada probabilitas hasil (variabel dependen) ketika salah satu variabel prediktor berubah, sambil menjaga variabel prediktor lainnya tetap konstan.

Langkah-langkah Melakukan Analisis Regresi Logistik di SPSS

Proses analisis regresi logistik di SPSS dapat dibagi menjadi beberapa tahapan penting:

1. Mempersiapkan Data

Pastikan data Anda telah bersih dan terorganisir dengan baik. Variabel dependen harus dikodekan menjadi dua kategori numerik (misalnya, 0 dan 1). Variabel independen bisa bersifat kategorik (yang perlu di-dummy-kan jika lebih dari dua kategori) atau kontinu.

2. Memilih Menu Analisis di SPSS

Buka file data Anda di SPSS. Kemudian, navigasikan ke menu utama:

Analyze > Regression > Binary Logistic...

Jendela "Binary Logistic Regression" akan muncul.

3. Menentukan Variabel

• Dependent: Masukkan variabel dependen Anda (yang dikotomis) ke dalam kotak ini.
• Covariates: Masukkan semua variabel independen (prediktor) Anda ke dalam kotak ini.

4. Opsi Penting Lainnya

Klik tombol "Options". Di sini Anda bisa memilih beberapa hal penting:

• Classification plots: Menampilkan plot klasifikasi yang membantu menilai kecocokan model.
• Hosmer-Lemeshow goodness of fit: Uji diagnostik untuk menilai kecocokan model secara keseluruhan.
• Casewise listing of residuals: Menampilkan kasus-kasus yang memiliki residual besar, yang bisa mengindikasikan pencilan atau kesalahan.
• Probability for block entry/removal: Menentukan ambang batas probabilitas untuk memasukkan atau mengeluarkan variabel dalam model (seringkali menggunakan nilai default seperti 0.05).
• Confidence intervals for exp(B): Ini sangat penting karena akan memberikan interval kepercayaan untuk Odds Ratio (OR).

Setelah memilih opsi yang diinginkan, klik "Continue".

5. Metode Entri Variabel

Di jendela utama "Binary Logistic Regression", Anda akan melihat pilihan "Method".

• Enter: Semua variabel independen yang Anda masukkan akan dimasukkan ke dalam model secara bersamaan. Ini adalah metode yang paling umum jika Anda ingin menguji semua variabel sekaligus.
• Forward (Conditional/Likelihood Ratio): Variabel dimasukkan satu per satu berdasarkan kriteria statistik (paling berpengaruh).
• Backward (Conditional/Likelihood Ratio): Semua variabel dimasukkan terlebih dahulu, kemudian variabel yang paling tidak signifikan dikeluarkan satu per satu.

Pilih metode yang paling sesuai dengan tujuan penelitian Anda. Metode "Enter" seringkali digunakan untuk model yang sudah terprediksi secara teori.

6. Menjalankan Analisis

Setelah semua pengaturan selesai, klik "OK" pada jendela "Binary Logistic Regression". SPSS akan menghasilkan output analisis.

Interpretasi Output Regresi Logistik SPSS

Output SPSS untuk regresi logistik akan berisi beberapa tabel penting yang perlu diinterpretasikan:

1. Block 0: Beginning Block

Tabel ini biasanya menunjukkan kecocokan model jika hanya menggunakan konstanta (intercept), sebelum variabel independen dimasukkan. Tujuannya adalah sebagai baseline pembanding.

2. Block 1: Method = Enter (atau metode lain yang dipilih)

Ini adalah tabel utama yang berisi hasil regresi logistik dengan variabel independen Anda.

• Omnibus Tests of Model Coefficients: Uji ini menguji apakah model secara keseluruhan signifikan secara statistik. Perhatikan nilai Sig. (p-value). Jika Sig. < 0.05, maka model secara keseluruhan signifikan.
• The Hosmer and Lemeshow Test: Uji ini menguji kecocokan model. Jika nilai Sig. > 0.05, maka model dianggap cocok dengan data (tidak ada perbedaan signifikan antara data yang diamati dan yang diprediksi oleh model).
• Model Summary: Tabel ini memberikan nilai -2 Log likelihood, Cox & Snell R Square, dan Nagelkerke R Square. Nilai R Square pada regresi logistik tidak dapat diinterpretasikan sama persis seperti R Square pada regresi linear, tetapi memberikan indikasi seberapa besar varians variabel dependen yang dijelaskan oleh variabel independen. Semakin tinggi nilainya, semakin baik.
• Classification Table: Tabel ini menunjukkan kemampuan model dalam memprediksi kategori variabel dependen. Ini menampilkan jumlah kasus yang diprediksi dengan benar (True Positives, True Negatives) dan yang salah (False Positives, False Negatives). Akurasi keseluruhan (Overall Percentage Correct) memberikan gambaran kinerja prediksi model.
• Variables in the Equation: Ini adalah tabel interpretasi utama. Kolom yang paling penting adalah:
  • B: Koefisien regresi.
  • S.E.: Standard Error dari koefisien B.
  • Wald: Statistik uji Wald untuk menguji signifikansi masing-masing variabel prediktor.
  • Sig.: P-value untuk uji Wald. Jika Sig. < 0.05, maka variabel prediktor tersebut signifikan secara statistik dalam memprediksi variabel dependen.
  • Exp(B): Odds Ratio (OR). Ini adalah nilai yang paling sering diinterpretasikan dalam regresi logistik.

Interpretasi Odds Ratio (Exp(B))

Odds Ratio (OR) mengukur perubahan dalam odds suatu kejadian terjadi ketika variabel independen meningkat satu unit, dengan asumsi variabel lain konstan.

• Jika Exp(B) > 1: Odds kejadian meningkat seiring peningkatan variabel independen.
• Jika Exp(B) < 1: Odds kejadian menurun seiring peningkatan variabel independen.
• Jika Exp(B) = 1: Variabel independen tidak memengaruhi odds kejadian.

Misalnya, jika OR untuk variabel "pendapatan" adalah 1.5, ini berarti bahwa untuk setiap kenaikan satu unit pendapatan, odds terjadinya kejadian positif (misalnya, memilih produk) meningkat sebesar 1.5 kali lipat (atau 50% lebih tinggi), dengan asumsi variabel lain tetap.

Kesimpulan

Analisis regresi logistik dengan SPSS merupakan alat yang ampuh untuk memahami prediksi kejadian biner. Dengan mengikuti langkah-langkah yang benar dan menginterpretasikan output secara cermat, peneliti dapat menarik kesimpulan yang berharga mengenai hubungan antara variabel dan probabilitas hasil yang diinginkan. Penting untuk selalu mempertimbangkan asumsi model dan melaporkan hasil dengan jelas, termasuk nilai p, interval kepercayaan untuk Odds Ratio, dan ukuran kecocokan model.