Categories HipotesisKomputerisasiMultivariatRegresiSPSS

Regresi Logistik Ganda dalam SPSS

Tutorial Regresi Logistik Ganda

Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila variabel dependen berskala dikotomi (nominal dengan 2 kategori). (Untuk lebih jelasnya dengan Tipe Data, Baca Artikel kami berjudul “Pengertian Data).

Tentunya semua variabel independen haruslah berskala data dikotom juga, tetapi apabila skalanya kategorik nominal lebih dari 2 kategori, masih dapat dilakukan uji regresi logistik ganda dengan cara melakukan dummy.

Bahasan tentang dummy akan kita bahas pada artikel berikutnya. Pada bahasan kali ini khusus akan membahas tutorial melakukan uji regresi logistik ganda dengan menggunakan software SPSS For Windows.

CATATAN:
Tutorial ini untuk Regresi Logistik dalam upaya menentukan variabel bebas paling dominan terhadap variabel terikat. Untuk pembahasan Regresi Logistik secara umum, baca: Regresi Logistik. Untuk tutorial regresi logistik dengan SPSS, baca Regresi Logistik dengan SPSS.

Langsung saja, buka Aplikasi SPSS!

Kita buat 6 variabel dengan definisi sebagai berikut:

Variabel Independen:

  1. Tekanan Kandung Kemih: Kategori “Ya” dan “Tidak”
  2. Pruritus: Kategori “Ya” dan “Tidak”
  3. Kram Kaki: Kategori “Ya” dan “Tidak”
  4. Gerak Janin: Kategori “Aktif” dan “Pasif”
  5. Heart Burn: Kategori “Ya” dan “Tidak”

Variabel Dependen: Gangguan Tidur: Kategori “Ya” dan “Tidak”

Ubah Value pada tab Variable View di SPSS sebagai berikut: Ya/Aktif = 1, Tidak/Pasif = 2. Ubah Measure menjadi “Nominal”. Ubah Decimals menjadi “0”. Ubah Type menjadi “Numeric”

Langkah berikutnya adalah isi data dengan nilai 1 atau 2. 1 apabila jawaban “Ya” atau “Aktif” dan 2 apabila “Tidak” atau “Pasif”. Sebagai contoh gunakanlah 30 responden.

Setelah data terisi, maka kita mulai melakukan tahapan uji regresi logistik ganda yang sesungguhnya.

Ada beberapa metode atau teknik dalam melakukannya, yaitu antara lain: “Enter”, “Stepwise”, “Forward”, “Backward” di mana masing-masing punya maksud yang berbeda. Dalam bahasan ini akan kita lakukan secara “stepwise” dengan proses manual, agar mudah memahami maksudnya.

Langkah Pertama adalah seleksi kandidat.

Seleksi Kandidat

Dalam langkah ini kita akan menyeleksi, variabel independen manakah yang layak masuk model uji multivariat. Di mana yang layak adalah yang memiliki tingkat signifikansi (sig.) atau p value < 0,025 dengan metode “Enter” dalam regresi logistik sederhana. Yaitu dengan melakukan satu persatu regresi sederhana antara masing-masing variabel independen terhadap variabel dependen.

Caranya adalah sebagai berikut:

Klik Analyze, Regression, Binary Logistic

Masukkan variabel independen pertama yaitu “tekanan kandung kemih” ke dalam kotak Covariate.

Masukkan variabel dependen ke kotak Dependent.

Regresi Logistik Ganda

Klik Options, Centang “CI For Exp (B)”

Klik OK

Lihat hasilnya!

Dari hasil di atas, lihat tabel “variables in the equation” dan lihat nilai “sig.” . Didapat nilai signifikan <0,25, yang berarti variabel “tekanan kandung kemih” layak masuk model multivariat.

Lakukan dengan cara di atas pada empat variabel independen lainnya. Apabila signifikansi > 0,25 maka variabel independen yang bersangkutan tidak layak masuk model multivariat.

Setelah dilakukan seleksi kandidat, inventarisir variabel mana yang layak masuk model dan urutkan dalam tabel dimulai dari yang nilai signifikansinya terbesar.

Sebelum diurutkan (Semua)

Hasil analisis menunjukkan nilai p value subvariabel tekanan kandung kemih (0,377) dan heart burn (0,244) sehingga tidak masuk ke uji multivariat karena p valuenya > 0,25. Sedangkan pruritus (0,041), kram kaki (0,045), gerak janin (0,088) masuk ke uji multivariate karena p valuenya < 0,25.

Diurutkan (Hanya yang masuk model)

Berarti ada 3 variabel yang akan diuji, yaitu: gerak janin, kram kaki dan pruritus.

Langkah berikutnya adalah masukkan ketiga variabel di atas dalam regresi logistik ganda dengan cara:

Analisis Multivariat

klik analyze, regression, binary logistic.

Masukkan ketiga variabel independen ke dalam kotak Covariate.

Masukkan variabel dependen ke kotak Dependent.

Klik Options, centang CI For Exp (B)

Klik OK.

Lihat Hasilnya!


Subvariabel kram kaki dan gerak janin memiliki p value < 0,05 yaitu kram kaki (0,035) dan gerak janin (0,012). Sedangkan subvariabel pruritus memiliki p value > 0,05 yaitu 0,061. Langkah berikutnya, subvariabel yang memiliki p value terbesar yaitu pruritus (0,061)  dikeluarkan dari model.

Cek Apakah setelah satu variabel pruritus dikeluarkan, ada perubahan ODDS Ratio (Exp (B)) > 10%?

Apabila ada, kembalikan variabel yang dikeluarkan kembali pada model dan ulangi dengan mengeluarkan yang terbesar selain yang dimasukkan kembali. Ulangi Terus hingga hanya tertinggal satu variabel atau tidak ada yang bisa dikeluarkan lagi karena perubahan ODDS Ratio > 10%.

Pada SPSS, gunakan cara yang sama dengan cara di atas!

Lihat contoh uraian langkah sebagai berikut!



Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:


Hasil analisis multivariat menunjukkan bahwa setelah subvariabel pruritus dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel kram kaki (54%) dan subvariabel gerak janin (34%) sehingga subvariabel pruritus dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:


Langkah selanjutnya adalah pengeluaran subvariabel kram kaki (0,035) karena memiliki p value terbesar kedua setelah pruritus (0,061).



Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:

Hasil analisis multivariate menunjukkan bahwa setelah subvariabel kram kaki dikeluarkan diperoleh perubahan OR > 10% yaitu pada subvariabel pruritus (57,4%) dan subvariabel gerak janin (65,3%) sehingga subvariabel kram kaki dimasukkan kembali ke dalam pemodelan, seperti pada tabel berikut:

Model Akhir Multivariat

Hasil analisis: dapat disimpulkan bahwa dari keseluruhan variabel independen yang diduga mempengaruhi gangguan tidur (insomnia) pada ibu hamil trimester ketiga terdapat satu subvariabel (gerak janin) yang paling berpengaruh terhadap gangguan tidur dengan p value 0,012 < 0,05. Nilai OR terbesar yang diperoleh yaitu 26,252 artinya gerak janin aktif yang dirasakan responden mempunyai peluang 26,252 kali menyebabkan adanya gangguan tidur (insomnia).

Kesimpulan Akhir:

  1. Semua variabel yang masuk model atau yang lolos seleksi kandidat, berarti memiliki pengaruh terhadap variabel dependen.
  2. Apabila setelah diuji dalam model akhir multivariat, yang tersisa dalam model berarti terbukti sebagai variabel independen yang secara bermakna atau signifikan mempengaruhi variabel dependen. Sedangkan yang tidak masuk model akhir, berarti sebagai variabel perancu atau counfounding yang artinya menjadi variabel yang mempengaruhi hubungan variabel independen dan dependen.
  3. Variabel dengan Odds Ratio terbesar dalam model akhir multivariat, menjadi variabel yang paling dominan mempengaruhi variabel dependen.

Baca Juga: Contoh Penelitian Kesehatan dengan Regresi Logistik.

By Anwar Hidayat

This article was last modified on June 30, 2017, 3:44 am

Share
Tags Data NominalPenjelasanTutorial SPSS
Anwar Hidayat

Founder dan CEO dari Statistikian Sejak 2012. Melayani jasa bantuan olah dan analisis data menggunakan berbagai aplikasi statistik, seperti: SPSS, STATA, Minitab, Eviews, AMOS dan Excel. Silahkan WhatsApp: 08816050259, atau SMS/LINE/Telegram ke: 081373337354. Biaya 100 ribu sd 300 ribu Sesuai Beban. Proses 1 sd 3 Hari Tergantung Antrian.

View Comments

  • Memang seperti itu, sebab pada bivariat hanya 2 variabel, sedangkan multivariat sudah lebih dari 2 variabel

  • Tergantung pada definisi operasional anda, yang anda analisis apakah per item soal atau total dari beberapa soal

  • slmt mlm Pak. sya ,mau bertnya
    1. SY mhsiswa yg sdg dlm proses pngrjaan skripsi. sy meneliti var.demografi trhdp tingkat loyalitas. Dmn u/ analisis loyalitas yg dilakukan peneliti sblmnya menggunakan interval skala dan rata-rata. Sdngkan u/ analisis var.demografi apa sj yg mempengaruhi tingka loyalitas nya menggunakn regresi logistik. Sy jd bingung pak. Dikarenakan regresi logistik menggunakan kuesioner pertanyaan "ya" dan "tidak" . ttp u/ analisis tingkat loyalitas peneliti terdahulu ny menggunakan interval rata-rata yg mrnggunakan kuesioner "ss, ts, cs,s,dan ts". Mohon bantuannya pak. Terima kasih

  • Harusnya variabel kontrol tidak dimasukkan ke dalam pengujian apapun. Karena hanya menjadi kontrol, misalkan apakah sampel yang bersangkutan berhak untuk diteiliti atau tidak. Yang boleh masuk dalam pengujian adalah variabel counfounding atau perancu.

  • Boleh menggunakan uji regresi logistik, namun ada baiknya anda memilih menggunakan analisis diskriminan

  • Uji normalitas dan asumsi klasik hanya diperuntukkan untuk uji parametris, sebab datanya numerik. Sedangkan uji regresi logistik, datanya kategorik. Uji simultan dalam regresi logistik ditunjukkan dengan nilai chi-square omnibus test. Sedangkan uji t identik dengan uji wald.

  • setelah di analsisi regresi logistik dg alpha 5%, semua variabel indepnden p value nya > 0,05,jdi semua variabel independn tdk ada yg berpengaruh,,
    jika saya analisis ulang dg alpha 10%, boleh kah???
    mohon bantuannya dan terimaksih.....

  • mas,, kalau kasus nya hanya variabel dependen (Y) nya adalh kategorikal dengan nilai ya=1, tidak = 0....Dengan 4 variabel independent yang bukan kategorikal,,,bagaimana menyelesaikan kasus ini ??? terimakasih mas

  • Selamat Malam Pak,

    Mohon bantuannya pak,

    mengapa uji logistik tidak memerlukan uji normalitas & uji asumsi klasik? dan apakah mungkin dalam uji regresi logistik di lakukan uji parsial (t) dan slimutan (f)? mohon penjelasannya

    terima kasih dan mohon di bantu

  • pak, saya mau nanya. penelitian regresi saya variabel dependennya menggunakan skala dikotomi, tetapi variabel independennya menggunakan skala dikotomi.. dengan kondisi yang seperti itu berarti analisa data penelitian saya pakai analisa regresi apa ya pak?
    mohon bantuannya pak.

  • Jika variabel dependen berkategori > 2 dan berskala ordinal (ada yang baik dibandingkan yang buruk) maka menggunakan regresi ordinal. Jika variabel dependen berkategori > 2 dan berskala nominal, maka menggunakan regresi mutinomial.

  • mas maaf saya mau tanya saya mau analisis multivariat dengan 5 variabel independen dan 1 variabel dependen (variabel dependen terdiri dari 5 kategori), saya sebaiknya pakai regresi logistik ganda dengan dummy apa regresi ordinal ya? makasih mas

  • Asalam....
    Pak, bagaimana kalau desain penelitiannya cross sectional...untuk uji multivariate pakai metode/uji statistic apa?

  • Ass. selamat malam pak Anwar. Saya mau bertanya pak penelitian saya tetang bpjs dimana saya memakai data primer sebagai data yang saya gunakan. y saya dummy(ya/tidak) lalu x saya ada x1,x2,x3,x4,x5 ini memakai skala 1-5 namun bukan skala likert, hanya skala untuk memudahkan saja. Menurut bapak, regresi logitik apa yang cocok untuk saya pak? memakai univariat atau multivariat? Terimakasih.

    • Univariat logistic regression, sebab hanya ada 1 variabel terikat. Atau pilihan lain anda bisa melakukan analisis diskriminan, jika variabel bebas anda adalah data interval atau rasio dan memenuhi syarat normalitas.

  • assalammualaikum... admin saya mau tanya, kalau data variabel Y nya data nominal dan ordinal bisa di uji pengaruh gak ? makasih :)

    • Bisa, misalakan anda akan melakukan uji prediksi dengan variabel dependen berskala ordinal, maka silahkan anda gunakan uji regresi ordinal. Kalau variabel dependen berskala nominal lebih dari 2 kategori maka gunakan regresi multinomial. Sedangkan jika variabel dependen berskala nominal dikotomi maka gunakan regresi logistik.

  • assalammualaikum… admin saya mau tanya, kalau data variabel Y nya data nominal dan ordinal bisa di uji pengaruh gak ? makasih

Recent Posts

Hipotesis Penelitian dan Hipotesis Statistik Dalam Perbedaan

Perbedaan Hipotesis Penelitian dan Hipotesis Statistik Apa yang dimaksud dengan hipotesis penelitian? Apa yang dimaksud dengan hipotesis statistik? Apa perbedaan…

23 Mei 2018 01:14

Pengertian Simple Random Sampling, Jenis dan Contoh

Pengertian Simple Random Sampling, Jenis dan Contoh Pengertian Simple Random Sampling Dalam kesempatan ini akan kami coba sharing tentang pengertian…

16 Februari 2018 01:22

Penjelasan dan Tutorial Regresi Linear Berganda

Penjelasan dan Tutorial Regresi Linear Berganda Dalam kesempatan ini, saya akan coba menjelaskan tentang Regresi Linear Berganda serta tutorial regresi…

1 Januari 2018 17:58

Cara Hitung Rumus Slovin Besar Sampel

Cara Perhitungan Rumus Slovin Besar Sampel Minimal Pengertian Rumus Slovin Rumus Slovin adalah sebuah rumus atau formula untuk menghitung jumlah…

16 Desember 2017 23:06

F Tabel Lengkap Beserta Cara Mencari dan Membacanya

F Tabel Lengkap Selamat pagi, siang atau malam wahai semua pengunjung dan pecinta statistikian.com. Dalam kesempatan ini saya akan menjelaskan…

4 Desember 2017 02:11

Tutorial Uji Regresi Ordinal dengan SPSS

Tutorial Analisis Regresi Ordinal dengan SPSS Berikut dalam artikel kali ini akan kita bahas bagaimana cara melakukan uji regresi ordinal…

31 Agustus 2017 21:51