Metodologi

Regresi Logistik

Jawaban singkat

Regresi logistik biner dipakai bila variabel terikatnya hanya dua kategori, misalnya lulus tepat waktu atau tidak. Model memprediksi peluang kategori 1 lewat fungsi logit. Pengaruh setiap variabel bebas diuji dengan Wald (Sig. < 0,05), dan besarnya dibaca dari Exp(B) atau odds ratio: lebih dari 1 berarti menaikkan peluang, kurang dari 1 menurunkan peluang.

Diperbarui 12 Oktober 2026Tim Metodologi
Daftar isi
  1. Cara kerja singkat
  2. Membaca hasilnya
  3. Langkah di SPSS
  4. Hal yang perlu diperhatikan
  5. Menuliskan hasilnya
  6. Pertanyaan umum

Regresi logistik biner dipakai bila variabel terikatnya hanya punya dua kategori, misalnya lulus tepat waktu atau tidak, membeli atau tidak, dan sakit atau sehat. Variabel bebasnya boleh berupa angka (IPK, jam kerja) atau kategori (jenis kelamin sebagai variabel dummy).

Bila variabel terikatnya berupa skor, pakai regresi linear berganda.

Cara kerja singkat

Regresi logistik tidak memprediksi nilai Y secara langsung, melainkan peluang Y = 1. Peluang diubah menjadi log odds (logit), lalu logit dimodelkan secara linear:

ln⁡(p1−p)=b0+b1X1+b2X2\ln\left(\frac{p}{1-p}\right) = b_0 + b_1 X_1 + b_2 X_2

dengan pp = peluang kejadian dan p/(1−p)p / (1-p) = odds. Koefisien bb dihitung dengan maximum likelihood, bukan kuadrat terkecil.

Membaca hasilnya

Bagian output SPSSYang dibacaDasar keputusan
Omnibus Tests of Model CoefficientsChi-square dan Sig.Sig. < 0,05: model dengan variabel bebas lebih baik daripada model tanpa variabel bebas (uji simultan)
Model Summary−2 Log likelihood, Cox & Snell R², Nagelkerke R²Nagelkerke R² dibaca mirip R², sebagai perkiraan kasar kekuatan model
Hosmer and Lemeshow TestChi-square dan Sig.Sig. > 0,05: model cocok dengan data
Classification TablePersentase tebakan benarMakin tinggi makin baik; bandingkan dengan proporsi kategori terbanyak
Variables in the EquationB, Wald, Sig., Exp(B)Sig. < 0,05: variabel berpengaruh (uji parsial)

Exp(B) atau odds ratio adalah angka yang paling penting untuk ditafsirkan:

  • Exp(B) > 1: setiap kenaikan satu satuan X mengalikan odds kejadian sebesar Exp(B).
  • Exp(B) < 1: odds kejadian turun. Penurunannya (1 − Exp(B)) × 100%.
  • Exp(B) = 1: tidak ada pengaruh.

Contoh (data rekaan, 120 mahasiswa)

Variabel terikat: lulus tepat waktu (1) atau tidak (0). Variabel bebas: IPK dan jam kerja per minggu.

VariabelBS.E.WaldSig.Exp(B)
IPK4,4930,90824,4800,00089,396
Jam kerja−0,1080,0359,4640,0020,898
Konstanta−12,6352,83919,8140,0000,000
  • Uji omnibus χ²(2) = 56,42, Sig. < 0,001; Nagelkerke R² = 0,501; ketepatan klasifikasi 76,7%.
  • Jam kerja: Exp(B) = 0,898. Setiap tambahan satu jam kerja per minggu menurunkan odds lulus tepat waktu sekitar 10,2%.
  • IPK: Exp(B) = 89,4 terlihat sangat besar karena satu satuan IPK adalah satu poin penuh (mis. 2,5 ke 3,5). Untuk kenaikan 0,1 poin, odds-nya dikalikan e0,449e^{0{,}449} = 1,57, atau naik sekitar 57%.

Angka ini rekaan untuk latihan; hasilnya sudah dicocokkan dengan R.

Contoh IPK menunjukkan pentingnya memperhatikan satuan variabel sebelum menafsirkan Exp(B).

Langkah di SPSS

  1. Buka Analyze → Regression → Binary Logistic.
  2. Masukkan variabel terikat (kode 0 dan 1) ke Dependent dan variabel bebas ke Covariates. Variabel kategori ditandai lewat tombol Categorical.
  3. Di Options, centang Hosmer-Lemeshow goodness-of-fit dan CI for exp(B).
  4. Baca tabel sesuai urutan pada tabel di atas.

Regresi logistik belum tersedia di olah data dan direncanakan pada fase berikutnya. Sementara itu, regresi logistik bisa dijalankan gratis di jamovi atau JASP; lihat alternatif SPSS gratis.

Hal yang perlu diperhatikan

  • Kode variabel terikat: pastikan kategori yang diteliti diberi kode 1, karena Exp(B) menafsirkan peluang kategori 1.
  • Multikolinearitas: periksa dengan Tolerance dan VIF seperti pada uji multikolinearitas, misalnya lewat menu regresi linear dengan variabel bebas yang sama.
  • Pemisahan sempurna: bila suatu variabel memisahkan kategori secara sempurna (mis. semua yang IPK di atas 3 lulus), koefisien dan galat bakunya menjadi sangat besar. Gabungkan kategori atau tambah data.
  • Jumlah data: kategori yang lebih jarang perlu cukup banyak, kira-kira 10 kasus per variabel bebas.

Hasil regresi logistik biner menunjukkan bahwa model secara simultan signifikan (χ²(2) = 56,42; p < 0,001; Nagelkerke R² = 0,501). Secara parsial, IPK berpengaruh positif terhadap peluang lulus tepat waktu (B = 4,493; p < 0,001), sedangkan jam kerja berpengaruh negatif (B = −0,108; p = 0,002; Exp(B) = 0,898).

Pertanyaan umum

Kenapa tidak memakai regresi linear biasa untuk variabel ya/tidak?

Regresi linear bisa memprediksi nilai di bawah 0 atau di atas 1, padahal peluang hanya antara 0 dan 1, dan residualnya pasti tidak normal serta tidak homogen. Regresi logistik mengubah peluang menjadi logit sehingga prediksinya selalu masuk akal.

Apakah regresi logistik perlu uji normalitas dan uji asumsi klasik?

Tidak perlu uji normalitas residual dan heteroskedastisitas seperti regresi linear. Yang tetap perlu diperhatikan: tidak ada multikolinearitas berat antarvariabel bebas, pengamatan saling bebas, dan jumlah data cukup untuk setiap variabel bebas.

Berapa jumlah sampel untuk regresi logistik?

Patokan yang sering dipakai adalah minimal sekitar 10 kejadian (kategori yang lebih jarang) untuk setiap variabel bebas. Misalnya dengan 3 variabel bebas dan kategori 'tidak lulus' sekitar 20%, dibutuhkan sekitar 30 kasus tidak lulus, atau sekitar 150 responden.

Alat terkait

Panduan terkait