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: 

1. 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". Ebagai 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)

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.

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!

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%
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

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.

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini