SkriptasRegresi Logistik Biner di SPSS: Langkah dan Cara Membaca Output
Regresi logistik biner untuk Y berkategori dua: langkah di SPSS, cara membaca Omnibus, Nagelkerke, Hosmer-Lemeshow, Wald, Exp(B), dan contoh kalimat Bab 4.
Regresi logistik biner adalah teknik regresi untuk variabel terikat yang hanya punya dua kemungkinan: lulus atau tidak, membeli atau tidak, sehat atau sakit, bangkrut atau tidak. Regresi linear biasa tidak cocok untuk data seperti ini karena prediksinya bisa keluar dari rentang 0 sampai 1 dan asumsinya tidak terpenuhi. Sayangnya, output regresi logistik di SPSS memuat tabel yang tidak ada di regresi linear: Omnibus Tests, -2 Log likelihood, Nagelkerke, Hosmer and Lemeshow, Classification Table, dan Exp(B).
Artikel ini menjelaskan kapan regresi logistik biner dipakai, asumsi yang perlu dicek, langkah di SPSS, cara membaca setiap tabel secara berurutan, cara mengartikan Exp(B) sebagai odds ratio, contoh kalimat Bab 4, dan perbedaannya dengan regresi logistik ordinal dan multinomial. Semua angka adalah contoh.
Kapan regresi logistik biner dipakai
- Variabel terikat Y berkode 0 dan 1 (1 untuk kejadian yang diteliti).
- Variabel bebas boleh numerik (usia, pendapatan, skor) maupun kategorik (jenis kelamin, status), dengan kategorik didefinisikan lewat tombol Categorical.
- Tujuannya memperkirakan peluang (probabilitas) Y = 1 dan faktor mana yang meningkatkan atau menurunkan peluang itu.
Model yang dihasilkan berbentuk logit: ln(p/(1-p)) = b0 + b1 X1 + b2 X2 dan seterusnya. Nilai p/(1-p) disebut odds. Karena itulah koefisien dibaca lewat Exp(B), yaitu perubahan odds.
Asumsi regresi logistik
Berbeda dari regresi linear, regresi logistik tidak memerlukan normalitas residual, homoskedastisitas, atau hubungan linear antara X dan Y. Yang perlu dipastikan:
- Tidak ada multikolinearitas antar variabel bebas. Cek dengan menjalankan regresi linear biasa (Y pada semua X) hanya untuk mengambil nilai Tolerance dan VIF, atau lewat matriks korelasi.
- Sampel cukup. Aturan praktis Peduzzi et al.: minimal 10 kejadian pada kategori Y yang lebih jarang untuk setiap variabel bebas (events per variable).
- Linearitas logit untuk prediktor numerik: hubungan X dengan logit Y diasumsikan linear. Bisa dicek dengan uji Box-Tidwell (menambahkan interaksi X dengan ln X). Banyak skripsi tidak memeriksanya. Tanyakan pembimbing.
- Tidak ada outlier ekstrem: lihat Casewise List di Options bila ada kasus dengan residual terstandar di atas 2,5 atau 3.
- Pengamatan independen.
Langkah regresi logistik biner di SPSS
- Pastikan Y berkode 0 dan 1, dengan 1 untuk kategori yang ingin diprediksi. Beri Value Labels.
- Buka Analyze, Regression, Binary Logistic.
- Masukkan Y ke Dependent, semua variabel bebas ke Covariates.
- Bila ada variabel bebas kategorik, klik Categorical, pindahkan variabel itu, tentukan Reference Category (First atau Last) dan klik Change.
- Method: Enter untuk menguji semua variabel sekaligus sesuai hipotesis. Metode Forward atau Backward dipakai untuk eksplorasi, bukan pengujian hipotesis.
- Klik Options, centang Hosmer-Lemeshow goodness-of-fit, Casewise listing of residuals, dan CI for exp(B) 95%. Continue.
- Klik OK.
Cara membaca output secara berurutan
1. Case Processing Summary dan Dependent Variable Encoding
Pastikan jumlah kasus sesuai dan kode 1 memang kategori yang Anda maksud. Salah kode di sini membalik semua tafsiran Exp(B).
2. Block 0: model tanpa prediktor
Classification Table di Block 0 menunjukkan persentase ketepatan bila model hanya menebak kategori terbanyak. Ini pembanding untuk model lengkap.
3. Omnibus Tests of Model Coefficients
Baris Model: Sig. di bawah 0,05 berarti penambahan variabel bebas secara bersama-sama memperbaiki model secara signifikan. Ini padanan uji F di regresi linear.
4. Model Summary
-2 Log likelihood yang lebih kecil dari Block 0 menandakan model membaik. Cox and Snell R Square dan Nagelkerke R Square adalah pseudo R Square. Nagelkerke lebih sering dilaporkan karena rentangnya 0 sampai 1. Nilai 0,30 berarti variabel bebas menjelaskan sekitar 30% variasi. Jangan samakan tafsirannya dengan R Square regresi linear.
5. Hosmer and Lemeshow Test
Di sini logikanya terbalik dari kebiasaan: Sig. di atas 0,05 berarti tidak ada perbedaan signifikan antara prediksi model dan data, artinya model fit. Sig. di bawah 0,05 berarti model kurang fit.
6. Classification Table (Block 1)
Overall Percentage menunjukkan ketepatan klasifikasi model. Bandingkan dengan Block 0. Model yang baik menaikkan persentase ini. Perhatikan juga sensitivitas (ketepatan memprediksi Y = 1) dan spesifisitas (ketepatan memprediksi Y = 0), karena model bisa tampak akurat hanya karena menebak kategori mayoritas.
7. Variables in the Equation
- B: koefisien logit. Tanda positif berarti X menaikkan peluang Y = 1.
- Wald dan Sig.: uji signifikansi tiap variabel. Sig. di bawah 0,05 berarti variabel berpengaruh signifikan. Ini padanan uji t.
- Exp(B): odds ratio. Exp(B) = 2,5 berarti setiap kenaikan satu satuan X menggandakan odds Y = 1 menjadi 2,5 kali. Exp(B) = 0,6 berarti odds turun 40%. Untuk variabel kategorik, Exp(B) membandingkan kategori tersebut dengan kategori referensi.
- 95% C.I. for EXP(B): bila rentangnya tidak memuat angka 1, pengaruhnya signifikan.
Persamaan yang ditulis di skripsi: logit(p) = b0 + b1 X1 + b2 X2, dengan nilai B dari tabel ini, bukan Exp(B).
Contoh kalimat Bab 4
Angka contoh: Omnibus Sig. = 0,000; Nagelkerke = 0,412; Hosmer and Lemeshow Sig. = 0,634; Overall Percentage 78,3%; variabel Pendapatan B = 0,842, Wald = 9,215, Sig. = 0,002, Exp(B) = 2,321 (CI 1,348 sampai 3,996); variabel Usia Sig. = 0,418.
"Uji Omnibus menunjukkan model regresi logistik signifikan (chi square = 38,215; p < 0,001). Nilai Nagelkerke R Square sebesar 0,412 menunjukkan variabel bebas menjelaskan 41,2% variasi keputusan pembelian. Uji Hosmer and Lemeshow menghasilkan Sig. = 0,634 (> 0,05), sehingga model fit dengan data, dengan ketepatan klasifikasi 78,3%. Pendapatan berpengaruh positif signifikan (B = 0,842; Wald = 9,215; p = 0,002) dengan odds ratio 2,321, artinya setiap kenaikan satu tingkat pendapatan meningkatkan odds keputusan membeli sebesar 2,3 kali. Usia tidak berpengaruh signifikan (p = 0,418)."
Menghitung probabilitas dari persamaan logit
Penguji kadang meminta Anda menunjukkan arti praktis model, bukan hanya odds ratio. Caranya: hitung logit untuk satu profil responden, lalu ubah ke probabilitas dengan rumus p = 1 / (1 + e^(-logit)). Contoh (angka contoh): konstanta -2,10, koefisien Pendapatan 0,842, koefisien Usia 0,015. Untuk responden dengan Pendapatan = 3 dan Usia = 30, logit = -2,10 + 0,842 x 3 + 0,015 x 30 = 0,876. Maka p = 1 / (1 + e^(-0,876)) = 1 / (1 + 0,416) = 0,706. Artinya peluang responden tersebut melakukan pembelian sekitar 70,6%. Satu contoh perhitungan seperti ini di pembahasan membuat hasil terasa nyata.
Menyajikan tabel regresi logistik di skripsi
Jangan menyalin semua tabel SPSS. Susun satu tabel ringkas dengan kolom: variabel, B, S.E., Wald, Sig., Exp(B), dan 95% CI Exp(B). Di bawah tabel tulis ringkasan kecocokan model dalam satu baris: chi square Omnibus dan p, -2 Log likelihood, Nagelkerke R Square, Sig. Hosmer and Lemeshow, dan persentase klasifikasi. Dengan format ini, pembaca bisa menilai kualitas model dan pengaruh tiap variabel dalam satu tabel.
| Variabel | B | S.E. | Wald | Sig. | Exp(B) | 95% CI Exp(B) |
|---|---|---|---|---|---|---|
| Pendapatan | 0,842 | 0,277 | 9,215 | 0,002 | 2,321 | 1,348 sampai 3,996 |
| Usia | 0,015 | 0,019 | 0,657 | 0,418 | 1,015 | 0,979 sampai 1,053 |
| Konstanta | -2,100 | 0,812 | 6,688 | 0,010 | 0,122 |
Keterangan (angka contoh): Omnibus chi square = 38,215, p < 0,001; Nagelkerke R Square = 0,412; Hosmer and Lemeshow Sig. = 0,634; ketepatan klasifikasi 78,3%.
Regresi logistik ordinal dan multinomial
| Jenis | Variabel terikat | Menu SPSS | Catatan |
|---|---|---|---|
| Biner | Dua kategori (0/1) | Regression, Binary Logistic | Paling umum di skripsi |
| Ordinal | Tiga kategori atau lebih yang berurutan | Regression, Ordinal | Perlu cek Test of Parallel Lines (Sig. di atas 0,05) |
| Multinomial | Tiga kategori atau lebih tanpa urutan | Regression, Multinomial Logistic | Hasil dibandingkan dengan satu kategori referensi |
Kesalahan umum
| Kesalahan | Perbaikan |
|---|---|
| Menjalankan uji normalitas dan heteroskedastisitas lalu bingung karena gagal | Regresi logistik tidak membutuhkannya. Cek multikolinearitas dan sampel |
| Membaca Hosmer and Lemeshow seperti uji biasa | Sig. di atas 0,05 justru yang diharapkan |
| Menafsirkan B sebagai perubahan probabilitas | B adalah perubahan logit. Gunakan Exp(B) untuk odds |
| Kode Y terbalik | Pastikan 1 adalah kejadian yang diteliti |
| Memakai metode Stepwise untuk uji hipotesis | Gunakan Enter |
| Kategori Y sangat tidak seimbang dengan sampel kecil | Terapkan aturan 10 kejadian per variabel atau kurangi prediktor |
Checklist
- Y berkode 0/1 dengan 1 = kejadian yang diteliti.
- Multikolinearitas dicek.
- Sampel memenuhi aturan kejadian per variabel.
- Omnibus, Nagelkerke, Hosmer and Lemeshow, ketepatan klasifikasi dilaporkan.
- Tiap variabel: B, Wald, Sig., Exp(B), dan interval kepercayaannya.
- Tafsiran odds ratio ditulis dalam bahasa yang jelas.
Regresi logistik banyak dipakai di skripsi akuntansi (prediksi financial distress, opini audit), kesehatan, dan pemasaran. Bila variabel terikat Anda ternyata numerik, kembali ke regresi linear berganda beserta uji asumsi klasiknya. Bila kedua variabel kategorik dan Anda hanya ingin melihat hubungannya, uji chi square lebih sederhana.
Bila ingin didampingi, saya membuka bimbingan SPSS via Zoom Rp25.000 per sesi, juga untuk Stata dan R bila kampus Anda memakainya (Rp30.000 per sesi). Anda yang mengoperasikan, saya memandu membaca setiap tabel sampai kalimat Bab 4 selesai. Konsultasi awal gratis lewat WhatsApp.
Video tutorial terkait
Tonton langkahnya langsung di layar. Video dimuat dari YouTube hanya saat Anda menekan tombol putar.
Regresi Logistik Biner di SPSS untuk Skripsi: Hosmer-Lemeshow, Nagelkerke, dan Exp(B)
Tutorial regresi logistik biner di SPSS saat variabel terikat berupa dua kategori (ya/tidak): Analyze › Regression › Binary Logistic, Options Hosmer-Lemeshow, cara membaca Omnibus Tests,…
Pertanyaan yang sering diajukan
Apakah regresi logistik perlu uji normalitas dan heteroskedastisitas?
Tidak. Regresi logistik tidak mengasumsikan residual normal atau varians konstan. Yang tetap perlu diperiksa adalah multikolinearitas antar variabel bebas, kecukupan sampel, dan ketiadaan outlier ekstrem.
Apa arti Exp(B) di output SPSS?
Exp(B) adalah odds ratio. Nilai 2,5 berarti setiap kenaikan satu satuan X membuat odds kejadian Y = 1 menjadi 2,5 kali lipat. Nilai di bawah 1 berarti odds menurun.
Hosmer and Lemeshow signifikan, apa artinya?
Sig. di bawah 0,05 berarti model tidak fit dengan data. Yang diharapkan justru Sig. di atas 0,05. Periksa apakah ada variabel penting yang belum dimasukkan atau hubungan nonlinear.
Berapa sampel minimal regresi logistik?
Aturan praktis yang sering dikutip adalah minimal 10 kejadian pada kategori terkecil Y untuk setiap variabel bebas. Dengan 4 variabel bebas, butuh sekitar 40 kasus pada kategori yang lebih jarang.
Kapan memakai regresi logistik ordinal atau multinomial?
Ordinal bila Y bertingkat seperti rendah, sedang, tinggi. Multinomial bila Y punya tiga kategori atau lebih tanpa urutan, misalnya pilihan merek.