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).