1

Sumber www.statistikan.com

Regresi Logistik Ganda dalam SPSS

Tutorial Regresi Logistik Ganda
Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian
apabila variabel dependen berskala dikotom (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". Ebagai 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.

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.

10