Perhatikan tabel Iteration History

- Pada saat block 0 = beginning block, ketika variabel prediktor

belum dimasukkan ke dalam model regresi, nilai statistic -2log
likelihood = 328.996 dengan nilai koefisien konstanta =
-0.293. Nilai koefisien konstanta -0.293 lebih kecil dari alpha
5% sehingga dapat diinterpretasikan bahwa ketika suatu
model regresi belum memasukkan variabel prediktornya dan
hanya terdapat konstanta, maka model regresi tersebut belum
fit dalam memprediksi apakah seseorang memiliki masalah
tidur.
- Pada saat

block

1,

variabel

prediktor

age,

hourwnit,

getsleeprec, staysleeprec, dan sex dimasukkan ke dalam

model regresi logistik. Dengan dimasukkannya kelima variabel
prediktor ini nilai statistic -2log likelihood turun menjadi
252.976 dengan nilai koefisien konstanta = 1.953. Nilai
koefisien konstanta 1.953 lebih besar dari alpha 5% sehingga
dapat diinterpretasikan bahwa dengan dimasukkannya kelima
variabel prediktor membuat model regresi logistic menjadi
lebih fit dalam memprediksi apakah seseorang memiliki
masalah tidur .
- Penurunan nilai -2log likelihood sebesar 76.02 (selisih antara
nilai -2log likelihood block 1 dan block 0) menunjukkan bahwa
model

regresi

logistik

tersebut

akan

lebih

baik

dalam

memprediksi masalah tidur seseorang jika memasukkan

variabel prediktor dibandingkan jika hanya terdapat konstanta.

Perhatikan Classification Table (block 0)

- Pada saat block 0, diketahui sebanyak 138 orang tidak
memiliki masalah tidur dan 103 orang memiliki masalah tidur.
Overall percentage dalam tabel tersebut menunjukkan jika
SPSS memprediksikan bahwa orang-orang tidak memiliki
masalah tidur, maka prediksi ini akan benar sebesar 57.3%,
sedangkan

jika

SPSS

memprediksi

bahwa

orang-orang

memiliki masalah tidur, maka prediksi ini akan benar sebesar

42.7%

SPSS memprediksikan semua orang tidak memiliki masalah

tidur dengan akurasi 100%. Secara keseluruhan, model telah

diklasifikasikan dengan benar sebesar 57.3%

Perhatikan tabel Variables Not in The Equation
- Tabel ini menunjukkan tingkat signifikansi variabel-variabel
prediktor jika dimasukkan ke dalam model regresi logistik.
Jadi, tabel ini digunakan ketika variabel-variabel prediktor
belum dimasukkan dan mungkin akan dimasukkan ke dalam
-

model regresi logistik.

Overall statistic sebesar 70.017 menunjukkan nilai residual
chi-square dengan tingkat signifikansi p < 5% dimana secara
umum dengan penambahan kelima variabel prediktor akan

mempengaruhi prediksi secara signifikan

Perhatikan
kolom
signifikansi
masing-masing

variabel

prediktor. Variabel jam tidur (hourwnit), getsleeprec, dan

staysleeprec memiliki nilai signifikansi < 5% sehingga dapat
diinterpretasikan bahwa ketiga variabel prediktor ini secara
potensial

dapat berkontribusi secara signifikan terhadap

model regresi logistic, sedangkan variabel age dan sex

memiliki

nilai

signifikansi

>

5%

sehingga

dapat

diinterpretasikan bahwa kedua variabel ini kemungkinan

bukan merupakan variabel prediktor yang baik untuk model
-

regresi logistik tersebut.

Perhatikan kolom score masing-masing variabel prediktor.
Secara individual, variabel staysleeprec memiliki nilai score
yang paling besar diantara kelima variabel prediktor yaitu
sebesar 58.183. Dapat diinterpretasikan bahwa dari kelima
variabel prediktor yang ada, variabel staysleeprec dinilai
paling berpengaruh terhadap model regresi logistic tersebut.

Perhatikan tabel Omnibus Test

- Setelah dimasukkan kelima variabel prediktor, nilai chi-square
hitung menunjukkan nilai 76.02. Bandingkan nilai chi-square
hitung ini dengan nilai chi-square pada tabel distribusi chisquare (db,k-1) dimana db = 0.05 dan k-1 = 5 (k = jumlah
variabel dependen & prediktor). Sehingga jika kita perhatikan

tabel distribusi chi-square (db=0.05,5) akan menunjukkan nilai

11.07. Karena nilai chi-square hitung > nilai chi-square pada
tabel distribusi, maka H0 ditolak (H0 = tidak ada satupun
variabel

prediktor

yang

secara

statistic

signifikan

mempengaruhi variabel dependen)

Perhatikan tabel Model Summary

Berbeda dengan regresi linear, dalam model regresi logistik alat yang digunakan
untuk menunjukkan seberapa besar persentase variabel prediktor mampu
memprediksi variabel dependennya bukanlah nilai R2 melainkan nilai Cox &
Snell R-square dan Nagelkerke R-square. Di beberapa literatur disebutkan bahwa
nilai yang ditunjukkan oleh Nagelkerke R-square sudah mengandung unsur
pembenaran atas error yang terjadi di Cox & Snell R-square, sehingga secara
umum yang diperhatikan adalah nilai pada kolom Nagelkerke R-square. Nilai
Nagelkerke R-square pada model regresi logistic tersebut adalah sebesar 0.363
atau 36.3%, artinya variabel umur, jam tidur, getsleeprec, staysleeprec, dan jenis
kelamin hanya mampu menjelaskan variabel dependen problem sleep rec sebesar
36,3% dan sisanya sebesar 63.7% dijelaskan oleh variabel-variabel lain yang
tidak terdapat dalam model regresi tersebut.

Perhatikan Classification Table (block 1)

-

Pada block 1, dimana variabel prediktor sudah dimasukkan ke dalam

persamaan model regresi, diketahui bahwa model tersebut menggambarkan
dengan benar sebanyak 110 orang yang tidak memiliki masalah tidur namun
terdapat pula kesalahan pengklasifikasian sebanyak 28 orang sehingga
persentase benarnya sebesar 79.7%. Selain itu diketahui juga bahwa model
tersebut menggambarkan dengan benar sebanyak 71 orang memiliki masalah
tidur namun terdapat pula kesalahan pengklasifikasian sebanyak 32 orang
sehingga persentase benarnya sebesar 68.9%.

Secara keseluruhan, persentase model regresi logistic tersebut menggambarkan

secara akurat sebesar 75.1% , jumlah ini naik dibandingkan dengan nilai pada
block 0 (57.3%) ketika hanya menggunakan konstanta.

Perhatikan Variables in the Equation

Tabel ini dapat digunakan untuk melakukan uji wald statistic. Wald statistic
menggambarkan apakah koefisien b masing-masing variabel prediktor tidak
sama dengan nol, yang berarti prediktor memberi kontribusi yang signifikan
terhadap prediksi outcome Y. Dalam tabel, perhatikan nilai wald yang yang
paling besar adalah variabel staysleeprec yaitu sebesar 37.311 sehingga dapat
diinterpretasikan bahwa variabel staysleeprec memberi kontribusi yang paling
signifikan dalam memprediksi apakah seseorang memiliki masalah tidur atau
tidak, sedangkan variabel age dan sex memiliki nilai wald yang paling kecil
dan mendekati nol sehingga dapat diinterpretasikan bahwa kedua variabel ini
kurang memberikan kontribusi yang signifikan dalam memprediksi apakah
seseorang memiliki masalah tidur atau tidak.