JURNAL MENTARI PUBLIKA

Volume 01, No 02 (2021)

e-ISSN: 2723-102X
Halaman : 166-173

Pengembangan Materi Ajar Mata Kuliah Statistik Sosial:

Implementasi Analisis Regresi Logistik Dengan SPSS
Pada Penelitian Administrasi Publik

Ratna Yuniarti1, Widya Hartati2

1,2STIA Muhammadiyah Selong

ratna.matika@gmail.com

Abstrak
Analisis regresi logistik adalah analisis regresi dimana variabel terikatnya
memiliki skala data nominal yaitu skala kategori serta dapat digunakan untuk
prediksi probabilitas kejadian suatu peristiwa dengan mencocokkan data pada
fungsi logit kurva logistik. Teknik ini dapat diterapkan pada penelitian-penelitian
sosial salah satunya bidang administrasi publik antara lain tentang kepuasan
pelanggan, kualitas pelayanan, tingkat pengangguran, tingkat perceraian dan
lain-lain. Oleh sebab itu, pengembangan materi ajar tentang analisis regresi
logistik penting bagi mahasiswa untuk membantu melakukan analisis data
penelitian. Studi kasus pada penelitian ini mengunakan data simulasi yang
terdiri dari variabel bebas X1, X2, dan X3 serta variabel terikat Y yang datanya
berskala nominal. Untuk mengukur seberapa baik model persamaan yang
terbentuk pada regresi logistik menggunakan nilai chi-square yang diperoleh
berdasarkan perhitungan Maximum Likelihood. interpretasi hasil output SPSS p-
value dibandingkan dengan sig 5%.

Kata Kunci: Materi Ajar, Regresi Logistik, Statistik Sosial, SPSS

PENDAHULUAN diketahui. Analisis regresi sudah

Analisis regresi merupakan sangat populer sebagai alat analisis
salah satu teknik statistik yang dalam berbagai bidang penelitian
digunakan untuk menyelesaikan antara lain bidang sosial,
masalah sebab akibat antara satu kesehatan, kependudukan dan lain
variabel dengan variabel yang lain. Secara umum analisis regresi
lainnya. Hubungan variabel terdiri atas regresi linear dan
tersebut bersifat fungsional yang regresi non linear. Dalam penelitian
diwujudkan dalam suatu model sosial khususnya bidang
matematis. Menurut Mulyono administrasi publik analisis regresi
(2019) tujuan analisis regresi untuk linear dapat digunakan untuk
mendapatkan pola hubungan secara menganalisis pengaruh pelayanan
matematis dari variabel X dan variabel terhadap kepuasan konsumen,
Y, dan untuk mengetahui besarnya menganalisis faktor-faktor yang
perubahan variabel X terhadap mempengaruhi kesejahteraan
variabel Y, serta untuk memprediksi masyarakat, menganalisis faktor-
variabel Y jika nilai variabel X

166
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

faktor yang mempengaruhi analisis yang penting bagi

konsumen dalam memilih kartu mahasiswa untuk membantu dalam
provider, dan lain-lain. melakukan analisis dalam penelitian
Namun timbul suatu masalah yang dilakukan.Penelitian ini
jika kita ingin mendeskripsikan bertujuan untuk pengembangan
hubungan antara variabel bebas X materi ajar pada mata kuliah
dengan variabel terikat Y, dimana statistik sosial maka nantinya akan
data pada variabel X dan Y dibahas mengenai regresi logistik,
berskala kategori atau interval. landasan teori yang mendasari
Deskripsi hubungan variabel X estimasi-estimasi parameter dalam
dengan variabel Y yang memiliki regresi logistik, prosedur-prosedur
sifat kualitatif atau kategorik tidak analisis regresi logistik serta contoh
dapat diselesaikan dengan model kasus, penyelesaiannya
regresi linear biasa. menggunakan salah satu software
SPSS sebagai alat bantu statistik
Jika metode regresi linear
dan menginterpretasi hasilnya.
dipaksakan untuk menganalisis
data yang variabel terikatnya
memiliki karakteristik seperti METODE PENELITIAN
disebutkan di atas, akan terjadi Jenis penelitian yang
pelanggaran asumsi Gauss-Markov digunakan pada penelitian ini
(Kutner et al., 2004) yaitu (1) Error adalah studi pustaka atau literatur.
model regresi tidak menyebar Penelitian ini dimulai dengan
normal, dan (2) Ragam (variance) mencari jurnal yang akan dijadikan
eror tidak homogen (terjadi bahan acuan, mempelajari buku-
heteroskedastisitas pada ragam buku pendukung yang berkaitan
eror). Serta (3) pelanggaran bagi dengan topik permasalahan
batasan nilai duga Y (fitted value). penelitian yang membahas tentang
Maka diperkenalkan regresi logistik regresi logistik, prosedur analisis
untuk mengatasi permasalahan dengan menggunakan regresi
tersebut. Regresi logistik (kadang logistik, contoh kasus dari data
disebut model logistik atau model simulasi, dan penyelesaiannya
logit), dalam statistika digunakan dengan menggunakan software
untuk prediksi probabilitas kejadian bantu statistik yaitu SPSS 16 serta
suatu peristiwa dengan interpretasinya
mencocokkan data pada fungsi logit
kurva logistik.
Berdasarkan permasalahan
tersebut penulis melihat bahwa
Regresi Logistik merupakan teknik

167
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

HASIL DAN PEMBAHASAN pegaruh variabel bebas terhadap

Prosedur Regresi Logistik variabel terikat secara bersama-
sama (overall), dapat
Bentuk umum model
menggunakan uji Likelihood Ratio.
peluang regresi logistik dengan p
Hipotesisnya adalah sebagai
variabel bebas diformulasikan
berikut:
sebagai berikut:
exp (𝛽 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 ) Ho: 𝛽 = 𝛽 = ... = 𝛽 = 0 (tidak ada
𝜋(𝑥) = pengaruh variabel bebas secara
1 + exp (𝛽 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 )
simultan terhadap variabel
Karena 𝜋(𝑥) adalah fungsi non
terikat)
linear maka untuk mempermudah
menaksir parameter regresi, maka Ho: minimal ada satu 𝛽 ≠ 0 ( ada
𝜋(𝑥) pada persamaan diatas pengaruh paling sedikit satu
ditransformasikan sehingga variabel bebas terhadap variabel
menghasilkan bentuk logit regresi terikat)
logistik, sebagai berikut : Untuk j = 1, 2, ..., p
𝑔(𝑥) = 𝑙𝑛
( )
=𝛽 + 𝛽 𝑥 + ⋯ + Statistikyang digunakan adalah :
( )
𝐿
𝛽 𝑥 𝐺 = −2 𝑙𝑛
𝐿
Setelah melakukan
Dimana :
pengumpulan data kemudian yang
harus dilakukan dalam melakukan Lo = maksimum likelihood dari
analisis data dengan regresi logistik model reduksi (reduce model) atau
adalah pengkodean data kategori. model yang terdiri
Pada regresi logistik biner dari konstatnta saja
pengkodean variabel terikat Y Lp = maksimum likelihood dari
terdiri dari 2 kategori, misalnya model penuh (full model) atau
“Ya” dan “Tidak”, “sukses” dan dengan semua variabel bebas.
“Tidak Sukses” dan lain – lain Statistik G ini mengikuti distribusi
dengan kode “0” untuk “Tidak” dan chi-squares dengan derajat bebas p
“1” untuk “Ya” atau “Sukses”. sehingga hipotesis ditolak jika
Begitu juga pengkodean pada G > ᵡ( , ) atau p-value < 𝛼. Yang
variabel bebas dapat terdiri dari 2 berarti variabel bebas X
kategori atau lebih. Adapun mempengaruhi secara bersama-
langkah-langkah analisis dalam sama variabel terikat Y.
regresi logistik adalah sebagai
Kedua, uji parameter
berikut:
model. Pengujian keberartian
Pertama, Uji signifikansi parameter (koefisien β) secara
model. Uji signifikansi model parsial dapat dilakukan melalui uji
bertujuan untuk mengetahui

168
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

wald dengan hipotesisinya sebagai bebas (X) adalah variabel yang

berikut: diduga mempengaruhi perceraian
Ho: 𝛽 = 0 (variabel bebas ke-j tidak antara lain status pekerjaan (X1),
mempunyai pengaruh secara tingkat pendidikan (X2), usia(X3) ,
signifikan terhadap variabel serta variabel terikat (Y) adalah
terikat) tingkat perceraian. Tipe data
variabel respon (Y) adalah nominal
Ho: 𝛽 ≠0 (variabel bebas ke-j
yang terdiri dari 2 kategori yaitu 1
mempunyai pengaruh secara
untuk status bercerai dan 0 untuk
signifikan terhadap variabel
tidak bercerai. Sedangkan data
terikat)
variabel prediktor status pekerjaan
Untuk j = 1,..., p (X1) terdiri dari 0 jika belum
𝛽 bekerja, 1 bekerja . Tingkat
𝑊=
𝑆𝑒(𝛽 ) pendidikan terakhir (X2) dibuat
Ho ditolak jika W > ᵡ( atau p- menjadi 4 kategori yaitu 0 untuk
, )
tidak sekolah , 1 untuk pendidikan
value < 𝛼. Yang berarti variabel
SD, SMP, SMA, Sarjana. Faktor usia
bebas Xj secara parsial
terdiri dari 2 kategori yaitu, 0 jika
mempengaruhi variabel terikat Y.
usia ≤ 18 tahun dan 1 jika usia >
Ketiga, Odds ratio. Nilai
18 tahun. Untuk lebih jelasnya
odds ratio dilambangkan dengan 𝜃,
pengkategorian data sebagai
didefinisikan sebagai perbandingan
berikut:
dua nilai odds xj = 1 dan xj = 0,
Tabel 1.
sehingga:
( )
Struktur Pengkategorian
𝜃=
[ ( )]
= exp (βj) Variabel
( )
[ ( )] Vari Keter Jen Kete
Jadi nilai 𝜃= exp (βj), dapat abe anga is raga
diartikan bahwa risiko terjadinya l n n
peristiwa Y=1 pada kategori Xj=1 Y Tingk Kat 0 =
adalah sebesar exp(βj) risiko at ego statu
terjadinya peristiwa Y=1 pada perce ri s
kategori Xj=0. raian berce
Studi Kasus rai
Studi kasus dalam penelitian 1 =
ini menggunakan data simulasi. statu
Misalkan suatu penelitian untuk s
mengetahui faktor-faktor yang tidak
mempengaruhi tingkat perceraian. berce
Data simulasi berupa variabel rai

169
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

X1 Statu Kat 0 =. . . . .
s ego belu . . . . .
Pekerj ri m . . . . .
aan beker
ja
1=
beker
ja
Gambar 1.Output SPSS
X2 Pendi Kat 0 =
Model regresi logistik tingkat
dikan ego tidak
perceraian adalah
ri sekol
exp (𝛽 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 )
ah 𝜋(𝑥) =
1 + exp (𝛽 + 𝛽 𝑥 + ⋯ + 𝛽 𝑥 )
1=
SD, 𝜋(𝑥)
SMP, exp (1,657 − 0,053𝑥 − 1,997𝑥 − 0,483𝑥 )
=
SMA, 1 + exp (1,657 − 0,053𝑥 − 1,997𝑥 − 0,483𝑥 )
Sarja Untuk menentukan
na hubungan antar variabel pada
X3 Usia Kat 0 = model regresi tersebut di atas
saat ego usia dilakukan langkah-langkah sebagai
menik ri ≤ 18 berikut:
ah a. tahu Uji Signifikansi Model
n Untuk melihat pengaruh
1 = variabel bebas secara
usia keseluruhan(overall) terhadap
> 18 variabel terikat dilakukan uji
tahu serentak. Adapun hasilnya sebagai
n berikut:
Tabel 2
Data-data tersebut diinput dalam Uji Serentak
SPSS 16 yaitu:

170
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

untuk digunakan. Berikut hasil

Uji serentak berdasarkan tabel output SPSS:
diatas terlihat nilai -2 log likelihood Tabel 4
yaitu G2 = 67,302. Dengan Uji Goodness of Fit
menggunkan α = 5% , N = 50
maka db=N-1 diperolehᵡ( , ) =
43,773. Jadi, G > ᵡ( , ) yaitu

67,302 > 43,773 maka tolak H0 yang

b. Uji Parsial
artinya terdapat paling sedikit ada
Selain uji secara serentak
satu parameter βi ≠ 0 dimana
pengujian sacara parsial juga perlu
terdapat satu atau lebih variabel
dilakukan untuk melihat manakah
prediktor yang berpengaruh
variabel bebas yang signifikan
signifikan terhadap variabel terikat.
mempengaruhi variabel terikat. Uji
Begitu juga dengan nilai signifikansi
secara parsial dapat dilakukan
model sebesar 0,014. Karena nilai
dengan uji Wald.
ini lebih kecil dari α = 5% maka
Tabel 5
dapat disimpulkan bahwa variabel
bebas yang digunakan secara Uji Parsial
bersama-sama berpengaruh
terhadap variabel terikat dengan
persentase ketepatan model dalam
mengklasifikasikan observasi
adalah 72%. Artinya dari 50
observari ada 36 observasi yang
tepat pengklasifikasiannya oleh
model regresi logistik. Dari hasil uji Wald dengan bantuan
SPSS pada tabel di atas terlihat
Tabel 3
bahwa terdapat 1 variabel bebas
Nilai Signifikansi Model
(Pendidikan) yang signifikan
berpengaruh terhadap tingkat
perceraian dengan signifikan
=0,003 lebih kecil dari α = 5%.
Sehingga model yang terbentuk
adalah:
Uji kelayakan model (Goodness of
exp (1,657 − 1,997𝑥 )
Fit) menggunakan metode Hosmer- 𝜋(𝑥) =
1 + exp (1,657 − 1,997𝑥 )
Lemeshow memberikan hasil secara
berturut-turudengan nilai p-value =
0,845 > α = 0,05, maka H0
diterima. Artinya model logit layak
171
 JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

c. Interpretasi Odds Ratio pada umumnya dan penelitian

Seseorang yang memiliki tentang pelayanan publik
pekerjaan memiliki kecenderungan khususnya. Penerapan analisis
0,939 kali lipat untuk tidak bercerai regresi logistik membutuhkan alat
dibandingkan dengan seseorang bantu software staistik salah
yang tidak memiliki pekerjaan. satunya SPSS sehingga interpretasi
Seseorang yang memiliki dapat dilakukan dengan melihat
pendidikan tinggi memiliki outputnya yaitu dengan
kecenderungan 0,136 kali lipat membandingkan nilai p-value
untuk tidak bercerai dibandingkan dengan sig α, dan nilai chi-square
dengan seseorang yang tidak dengan chi-square tabel.
memiliki pendidikan. Seseorang
yang menikah diusia ideal ( diatas
DAFTAR PUSTAKA
18 tahun) memiliki kecenderungan
0,617 kali lipat untuk tidak bercerai Daruyani, Safitri., Wilandari,
dibandingkan dengan seseorang Yuciana.,& Yasin, Hasbi. (2013).
yang menikah muda (dibawah 18 Faktor-Faktor Yang
tahun) Mempengaruhi Undeks Prestasi
Mahasiswa FSM Universitas
Diponegoro Smester Pertama
KESIMPULAN Dengan Metode Regresi Logistik.
Adapun beberapa kesimpulan Prosiding Seminar Nasional
dalam penelitian ini yaitu analisis Statistika Universitas
regresi logistik adalah analisis Diponegoro. Diambil dari
regresi yang dapat digunakan jika http://eprints.undip.ac.id/4
variabel terikatnya memiliki skala 0295/

data nominal yaitu skala kategori.

Fadly,Ferdi. (2013). Regresi Logistik
Prosedur dalam melakukan analisis Biner (Variabel tak bebas
dengan regresi logistik adalah dikotomi) .Diambil dari
dengan melakukan uji signifikansi http://ferdifadly.blogspot.com/2
model yaitu menentukan nilai -2 012/06/regresi-logistik-biner-
log likelihood, menenukan variabel-tak.html.
persentase ketepatan klasifikasi,
menentukan kelayakan Hendayana, Rachmat. (2013).
model(Goodness of fit) dan Penerapan Metode Regresi
Logistik Dalam Menganalisis
melakukan uji secara parsial.
Adopsi Teknologi Pertanian.
Kemudian membandingkannya
Jurnal Informatika Pertanian,
dengan nilai α=5%. Penerapan 22 (1), 1 – 9. Diambil dari
analisis regresi logistik dapat http://ejurnal.litbang.pertan
dilakukan pada penelitian sosial

172
JURNAL MENTARI PUBLIKA
Volume 01, No 02 (2021)
e-ISSN: 2723-102X
Halaman : 166-173

ian.go.id/index.php/IP/artic Bidang Pendididikan(Studi

le/view/2271 Kasus: Predikat Kelulusan
Mahasiswa S1 Fakultas
Kutner, M.H., C.J. Nachtsheim., Matematika dan Ilmu
&J.Neter. (2004). Applied Linear Pengetahuan Alam Universitas
Regression Models. Fourth Mulawarman). Jurnal
Eddition. The McGraw-hill EKSPONENSIAL,7(1), 95-103.
Companies, Inc. Singapore Diambil dari
http://jurnal.fmipa.unmul.ac
Misna., Rais, & Utami, Iut Tri.(2018). .id/index.php/exponensial/a
Analisis Regresi Logistik Biner rticle/view/46
Untuk Mengklasifikasi Penderita
Hipertensi Berdasarkan Tampil, Yumira Adriani., Komalig,
Kebiasaan Merokok Di RSU Hanny., & Langi, Yohanis.
Mokopido Toli-Toli. Natural Analisis Regresi Logistik Untuk
Science: Journal of Science and Menentukan Faktor-Faktor Yang
Technology,7 (3),341-348. Mempengaruhi Indeks Prestasi
Diambil dari Kumulatif (IPK) Mahasiswa
http://jurnal.untad.ac.id/jur FMIPA Universitas Sam
nal/index.php/ejurnalfmipa/ Ratulangi Manado. JdC, 6(2),
article/view/11464 56-62. Diambil dari
https://ejournal.unsrat.ac.id
/index.php/decartesian/arti
Mulyono. (2019). Analisis Regresi
cle/view/17023
Sederhana. Diambil dari :
https://bbs.binus.ac.id/manage
Tri Basuki, Agus. (2017). Bahan Ajar
ment/2019/12/analisis-regresi-
Ekonometrika Universitas
sederhana/
Muhammadiyah:Regresi Logistik
Biner. Diambil dari
Nasir,Badruddin. (2012). Faktor-Faktor
https://ekonometrikblog.file
Yang Mempengaruhi Perceraian
s.wordpress.com/2017/02/r
Di Kecamatan Sungai Kunjang
egresi-logistik-biner.pdf.
Kota. Jurnal Psikostudia
Universitas Mulawarman, 1.( 1), Wulandari, Dewi & Murtianto, Yanuar
31-48.dimbil dari http://e- Hery. (2017). Structural Euation
journals.unmul.ac.id/index.p Modeling Sebagai Materi untuk
hp/PSIKO/article/view/217 Pengembangan Modul Mata
2 Kuliah Komputasi Statistik.
Jurnal Ilmiah Teknosains, 1(3),
Siahaan ,David., Wahyuningsih ,Sri.,& 50-54). Diambil dari
Tisna Amijaya, Fidia Deny. http://journal.upgris.ac.id/index
(2016). Aplikasi Classification .php/JITEK/article/view/1392
and Regression Tree (CART) dan
Regresi Logistik Ordinal dalam

173