Regresi Logistik Ganda dalam SPSS
Tutorial Regresi Logistik Ganda
Uji Regresi Logistik ganda adalah uji regresi yang dilakukan pada penelitian apabila variabel dependen berskala dikotom (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.
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:
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". Ebagai contoh gunakanlah 30 responden.
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 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)
Subvariabel
P value
Tekanan Kandung Kemih
Pruritus
Kram kaki
Gerak janin
Heart burn
0,377
0,041
0,045
0,088
0,244
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)
Subvariabel
P value
Gerak janin
Kram kaki
Pruritus
0,088
0,045
0,041
Berarti ada 3 variabel yang akan diuji, yaitu: gerak janin, kram kaki dan pruritus.
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!
No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
2,035 3,508 0,061
7,651
0,910 - 64,342
2
Kram kaki
2,800 4,428 0,035
16,447
1,212
–
223.242
3
Gerak janin
3,278 6,268 0,012
26,525
2,038
–
345,305
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!
No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Kram kaki
2,003 2,951 0,086
7,409
0,754 - 72,812
2
Gerak janin
2,852 5,536 0,019
17,319
1,610
–
186,288
Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut:
Subvariabel
OR pruritus
ada
OR pruritus
tidak ada
Perubahan
OR (%)
Pruritus
7,651
-
-
Kram kaki
16,447
7,409
54
Gerak janin
26,252
17,319
34
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:
No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
2,035 3,508 0,061
7,651
0,910 - 64,342
2
Kram kaki
2,800 4,428 0,035
16,447
1,212
–
223.242
3
Gerak janin
3,278 6,268 0,012
26,525
2,038
–
345,305
Langkah selanjutnya adalah pengeluaran subvariabel kram kaki (0,035) karena memiliki p
value terbesar kedua setelah pruritus (0,061).
No
Subvariabel
B
Wald
Sig.
OR
CI 95%
1
Pruritus
1,179 1,759 0,185
3,252
0,569 - 18,570
2
Gerak janin
2,218 0,963 0,021
9,192
1,391
–
60,723
Setelah subvariabel pruritus dikeluarkan, perubahan OR dapat dilihat pada tabel berikut :
Subvariabel
OR kram kaki
ada
OR kram kaki
tidak ada
Perubahan
OR (%)
Pruritus
7,651
3,252
57,4
Kram kaki
16,447
-
-
Gerak janin
26,252
9,192
65,3
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
No
Subvariabel
B
Wald
Sig.
OR
CI 95%
2
Kram kaki
2,800 4,428 0,035
16,447
1,212
–
223.242
3
Gerak janin
3,278 6,268 0,012
26,525
2,038
–
345,305
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.
