Resume
Y1aJl8VYrVE • Uji Regresi Logistik Binomial menggunakan SPSS beserta Uji Asumsinya
Updated: 2026-02-12 02:10:57 UTC
Back Source
Prev Next

Berikut adalah rangkuman komprehensif dan terstruktur dari video mengenai analisis Regresi Logistik Binomial menggunakan SPSS.

Panduan Lengkap Analisis Regresi Logistik Binomial Menggunakan SPSS: Asumsi, Uji Hipotesis, dan Interpretasi

Inti Sari (Executive Summary)

Video ini membahas secara mendalam tutorial analisis Regresi Logistik Binomial menggunakan software SPSS oleh Ahmad Fauzi. Pembahasan mencakup pemahaman konsep dasar, perbedaan dengan regresi linear, pengujian asumsi prasyarat (linearitas dan multikolinearitas), serta langkah-langkah teknis menjalankan analisis hingga interpretasi output tabel. Sebagai studi kasus, video ini menggunakan data 100 partisipan untuk menganalisis pengaruh tinggi badan, gender, dan berat badan terhadap kondisi jantung.

Poin-Poin Kunci (Key Takeaways)

  • Perbedaan Utama: Regresi logistik binomial digunakan ketika variabel dependen berskala dikotomus (biner), sedangkan regresi linear memerlukan dependen berskala numerik (interval/rasio).
  • Asumsi Penting: Analisis ini mengharuskan tidak ada multikolinearitas antar variabel independen dan adanya hubungan linear antara variabel independen dengan transformasi logit variabel dependen.
  • Uji Linearitas: Linearitas (metode Box-Tidwell) hanya diperiksa untuk variabel independen yang bersifat kontinu (misal: tinggi/berat badan), bukan kategorikal (misal: gender).
  • Interpretasi Model: Kualitas model dinilai menggunakan Omnibus Test (signifikansi model), Nagelkerke R Square (keragaman variabel), dan Classification Table (ketepatan prediksi).
  • Hasil Signifikan: Pada contoh kasus, variabel Gender terbukti signifikan mempengaruhi kondisi jantung dengan nilai Exp(B) sebesar 6,933.

Rincian Materi (Detailed Breakdown)

1. Konsep Dasar dan Asumsi Regresi Logistik Binomial

Regresi logistik binomial adalah analisis yang memprediksi probabilitas nilai pada variabel dependen berdasarkan satu atau lebih variabel independen.
* Skala Variabel:
* Dependen: Harus kategorikal/dikotomus (dua kategori, contoh: Laki-laki/Perempuan, Normal/Tidak Normal).
* Independen: Bisa berskala kontinu (interval/rasio) atau kategorikal (nominal/ordinal).
* Asumsi yang Harus Dipenuhi:
1. Variabel dependen bersifat dikotomus.
2. Variabel independen terdiri dari satu atau lebih (kontinu atau kategorikal).
3. Independensi Observasi: Pengambilan data pada satu subjek tidak memengaruhi subjek lain (tidak ada repeated measures).
4. Linearitas: Hubungan linear antara variabel independen dengan logit transform dari variabel dependen (hanya untuk variabel independen kontinu).
5. Tidak Ada Multikolinearitas: Tidak ada korelasi tinggi antar variabel independen (hanya dicek jika jumlah independen > 1).

2. Persiapan Data dan Input SPSS

  • Studi Kasus: Sampel 100 partisipan.
    • Variabel Independen: Tinggi Badan (TB), Gender, Berat Badan (BB).
    • Variabel Dependen: Kondisi Jantung (KJ) dengan kode 1=Normal, 2=Tidak Normal.
  • Langkah SPSS:
    • Masukkan data ke dalam Variable View dan Data View.
    • Paste data dan simpan file (Save) di folder yang ditentukan.

3. Prosedur Analisis Regresi Logistik (Uji Hipotesis)

Langkah-langkah menu SPSS untuk melakukan analisis:
1. Buka menu Analyze > Regression > Binary Logistic.
2. Masukkan variabel "Kondisi Jantung" ke kolom Dependent.
3. Masukkan variabel "Tinggi Badan", "Gender", dan "Berat Badan" ke kolom Covariates.
4. Pengaturan Kategorikal: Klik tombol Categorical, pindahkan "Gender" ke Categorical Covariates. Ubah Contrast menjadi Indicator dengan referensi First, lalu klik Change dan Continue.
5. Pengaturan Opsi: Klik Options, centang fitur Classification plots, Goodness of fit, Casewise listing of residuals, dan Correlations of estimates. Pastikan Display diatur ke At last step, lalu Continue dan OK.

4. Pengujian Asumsi

Sebelum menyimpulkan hasil, asumsi perlu diuji:

  • Uji Linearitas (Box-Tidwell):

    • Dilakukan dengan membuat interaksi antara variabel independen kontinu (TB, BB) dengan log naturalnya (ln_TB, ln_BB) melalui menu Transform > Compute Variable.
    • Jalankan regresi logistik dengan memasukkan interaksi ini.
    • Interpretasi: Periksa tabel Variables in the Equation pada baris interaksi. Jika nilai Sig. > 0,05, asumsi linearitas terpenuhi.
    • Hasil Contoh: Sig. interaksi TB (0,723) dan BB (0,159) > 0,05 → Linearitas terpenuhi.

  • Uji Multikolinearitas:

    • Tidak tersedia langsung di menu logistic regression, sehingga menggunakan jalan pintas via Analyze > Regression > Linear.
    • Masukkan variabel dependen dan independen yang sama. Pilih Statistics dan centang Collinearity Diagnostics.
    • Interpretasi: Periksa nilai VIF (Variance Inflation Factor). Kriteria: VIF < 10 berarti tidak ada multikolinearitas.
    • Hasil Contoh: VIF TB (2,018), Gender (2,228), BB (1,963) → Tidak ada multikolinearitas.

5. Interpretasi Hasil Output

Setelah asumsi terpenuhi, interpretasi hasil analisis utama:

  • Omnibus Tests of Model Coefficients:
    • Melihat apakah model secara keseluruhan signifikan.
    • Hasil Contoh: Sig. 0,001 (< 0,05) → Model signifikan dan layak digunakan.
  • Model Summary:
    • Melihat Nagelkerke R Square.
    • Hasil Contoh: 21,3% variasi kondisi jantung dapat dijelaskan oleh kombinasi variabel tinggi badan, gender, dan berat badan.
  • Classification Table:
    • Menunjukkan akurasi prediksi model.
    • Hasil Contoh: 71% kasus diklasifikasikan dengan benar oleh model.
  • Variables in the Equation:
    • Menentukan persamaan regresi dan variabel mana yang signifikan.
    • Hasil Contoh: Variabel Gender memiliki Sig. 0,012 (< 0,05), artinya gender berpengaruh signifikan terhadap kondisi jantung.
    • Nilai Exp(B) = 6,933 menunjukkan bahwa perempuan memiliki risiko kondisi jantung tidak normal sekitar 6,9 kali lebih tinggi dibandingkan laki-laki (dalam konteks koding data ini).

Kesimpulan & Pesan Penutup

Video ini telah berhasil mendemonstrasikan proses lengkap analisis regresi logistik binomial, mulai dari persiapan data, pengujian asumsi yang ketat (linearitas dan multikolinearitas), hingga interpretasi mendalam mengenai variabel yang memengaruhi kondisi jantung. Ahmad Fauzi menutup sesi ini dengan mengumumkan bahwa video-video selanjutnya akan membahas analisis lanjutan lainnya, termasuk analisis multivariat dan analisis yang melibatkan repeated measures.