TEKNIK ANALISIS MULTIVARIAT

‘‘MULTIPLE REGRESSION LOGISTIC WITH SPSS’’

Agung Dirgantara Namangboling, RD, M.Gz, AIFO

Postgraduate Sebelas Maret University

Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila
variabel dependen berskala dikotomi (nominal dengan 2 kategori).

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.
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.

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.