Halo, sobat Exsight! Masih ingat dengan artikel Exsight yang membahas tentang Teori dari Model Regresi Logistik Biner? Jika kamu belum membacanya, kamu bisa klik link ini ya.
Nah pada artikel ini, Exsight membahas tentang Tutorial Pengolahan Regresi Logistik Biner dengan SPSS. Contoh kasus yang digunakan yaitu sebuah penelitian yang berjudul Determinan Melek Keuangan Mahasiswa di Universitas Tugu Muda. Di mana variabel bebas ada 3 yaitu Jenis Kelamin, Fakultas dan Indeks Prestasi Mahasiswa. Jenis Kelamin terdiri dari 2 kategori yaitu “laki-laki (kode 1)” dan “perempuan (kode 0)”. Fakultas terdiri dari 2 kategori yaitu “Non Ekonomi (kode 0)” dan “Ekonomi (kode1)”. Indeks Prestasi Kumulatif (IPK) terdiri dari 2 kategori yaitu “IPK < 2,5 (kode 0)” dan “IPK ≥ 2,5 (kode 1)”. Sebagai catatan: kategori yang Tinggi diberi kode 1 dan kategori Rendah diberi kode 0. Data yang digunakan pada contoh kasus penelitian dapat di klik pada link ini.
Persamaan Regresi Logistik Biner dalam penelitian ini, sebagai berikut:
Dimana:
P : Peluang mahasiswa memiliki literasi keuangan yang lebih tinggi
1-P : Peluang mahasiswa memilii literasi keuangan yang lebih rendah
β0 : Konstanta
β1 : Koefisien regresi Jenis Kelamin
JK : Jenis Kelamin
β2 : Koefisien regresi Fakultas
FAK : Fakultas
β3 : Koefisien regresi IPK
IPK : Indeks Prestasi Kumulatif
ε : error
Tahapan Pengolahan Regresi Logistik Biner
Contoh kasus sebuah penelitian yang berjudul Determinan Melek Keuangan Mahasiswa di Universitas Tugu Muda menggunakan SPSS.
1. Input Data
a. Masukan data dari file link ini ke SPSS (Data View). Klik Variabel View dan ubah seperti pada tampilan di bawah ini
b. Masukan data Jenis Kelamin (JK), Fakultas (FAK), Indeks Prestasi Kumulatif (IPK), dan Kategori ke SPSS. Klik Variabel View – klik values pada JK sebagai berikut:
Klik values pada FAK sebagai berikut:
Klik values pada IPK sebagai berikut:
Klik values pada Kategori sebagai berikut:
2. Selanjutnya pada menu klik Analyze – Regression – Binary Logistic
3. Kemudian masukan Variabel Terikat (Kategori) ke Dependent dan masukkan semua Variabel Bebas (JK, FAK, IPK) ke Covariates
4. Pilih Save lalu centang Probabilities, Group membership, Unstandardized dan Studentized, kemudian klik Continue.
5. Selanjutnya pilih Options lalu centang Classification plots, Hosmer-lemeshow goodness-of-fit, Casewise listing residuals dan pilih Outliers outside dan isi dengan angka 2, Correlation of estimate, Iteration history, CI for exp(B) dan isi dengan 95
Sedangkan nilai Maximum iteration nilai 20 dan nilai Classification Cutoff tetap 0,5. Nilai ini disebut dengan the cut value atau prior probability, yaitu peluang suatu observasi untuk masuk ke dalam salah satu kelompok sebelum karakteristik variabel penjelasanya diketahui. Apabila kita tidak mempunyai informasi tambahan tentang data, maka bisa langsung menggunakan nilai default yaitu 0,5. Jika tidak ada penelitian sebelumnya, dapat digunakan classification cutoff sebesar 0,5. Namun, jika ada penelitian lain yang meneliti maka bisa dinaikkan/diturunkan classification cutoff sesuai hasil penelitian.
6. Pada jendela utama, klik OK. Selanjutnya dapat dilihat pada output
Output dan Interpretasi
Model Regresi Logistik Biner:
Uji Multikolinearitas
Dari hasil uji dengan SPSS didapat korelasi JK terhadap FAK, IPK terhadap FAK begitu sebaliknya didapatkan nilai sebesar 0,037 pada korelasi JK terhadap FAK maupun sebaliknya, dan sebesar 0,127 pada korelasi IPK terhadap FAK maupun sebaliknya dimana kurang dari 0,8. Karena kurang dari 0,8 maka tidak terjadi multikolinieritas.
Uji Goodness of Fit
Hipotesis:
H0 : Model sesuai (tidak ada perbedaan antara observasi dan prediksi)
H1 : Model tidak sesuai (ada perbedaan antara observasi dan prediksi)
Taraf signifikansi : α = 0,05
Statistik Uji :
Kriteria Uji : Tolak H0 jika Sig. < α = 0,05 atau C >c2=15,507
Karena nilai Sig. = 0,645 >α (0,05) dan C = < c2 , maka H0 diterima yang berarti bahwa model sesuai atau tidak ada perbedaan antara observasi dan prediksi.
Berdasarkan uji-uji tersebut, maka diperoleh model sebagai berikut :
Dimana:
Menilai Model Fit dan Keseluruhan Model (Overall Model Fit)
Hipotesis:
H0 : tidak ada variabel X yang signifikan mempengaruhi variabel Y
H1 : minimal ada satu variabel X yang mempengaruhi variabel Y
Taraf Signifikansi: α = 0,05
Kriteria Uji : Tolak H0 jika nilai sig < α (0,05)
Dari omnibus test di atas terlihat bahwa sig = 0,011
Keputusan : Tolak H0 karena nilai sig = 0,011 < α = 0,05
Kesimpulan: Terlihat bahwa nilai G2 sebesar 11,106 dengan p-value 0,011 (Model) yang berarti dengan tingkat keyakinan 5%, minimal ada satu variabel X yang signifikan mempengaruhi variabel Y. Sehingga dapat disimpulkan bahwa model dapat digunakan untuk analisis lebih lanjut.
Koefisien Determinasi
Dari tabel di atas, dapat dilihat bahwa model dengan memasukkan tiga variabel independen ternyata telah terjadi perubahan dalam penaksiran parameter (-2 Log likelihood) sebesar 54,235. Jika dilihat nilai R-square sebesar 0,199 atau 19,9% (Cox & Snell) dan 0,273 atau 27,3% (Nagelkerke R Square). Dengan demikian dapat ditafsirkan bahwa dengan tiga variabel yaitu FAK, JK dan IPK maka proporsi pemahaman terhadap literasi keuangan sangat tinggi yang dijelaskna sebesar 27,3%. Tetapi perlu diingat bahwa interpretasi ini hanya nilai pendekatan saja seperti dalam koefisien determinasi (regresi linier biasa)
Matriks Klasifikasi
Uji Hipotesis
Uji Rasio Likelihood (Uji Keseluruhan)
Hipotesis:
H0 : β1= β2= β3= 0
H1 : minimal ada satu βjk≠ 0 ; j = 1, 2,3
Taraf signifikansi: α = 0,05
Statistik Uji :
Kriteria Uji : Tolak H0 jika
Karena = 54,235 > = 7,815, maka H0 ditolak, yaitu secara bersama-sama variabel bebas mempengaruhi model atau model signifikan.
Uji Wald
Hipotesis:
H0 : βk = 0
H1 : βk ≠ 0, k = 1, 2, 3
Taraf signifikansi : α = 0,05
Statistik Uji :
Kriteria Uji :
Tolak H0 jika Sig. < α = 0,05
| Variabel | Estimasi | SE | Wald | Sig. | Keputusan | |
| JK | 0,081 | 0,682 | 0,014 | 3,841 | 0,905 | H0 diterima |
| FAK | 2,082 | 0,694 | 8,997 | 3,841 | 0,003 | H0 ditolak |
| IPK | 0,557 | 0,684 | 0,663 | 3,841 | 0,415 | H0 diterima |
Kesimpulan: Pada taraf signifikansi α = 0,05 untuk JK, IPK H0 diterima, maka nilai koefisien regresi sama dengan 0 (nol) sehingga kedua variabel ini tidak berpengaruh terhadap Y. Dan untuk FAK H0 ditolak, maka nilai koefisien regresi tidak sama dengan 0 (nol) sehingga variabel FAK berpengaruh terhadap Y.
Penutup
Nah, sekian penjelasan terkait Tutorial Pengolahan Regresi Logistik Biner dengan SPSS. Jika masih penasaran terkait regresi logistik biner atau regresi logistik lainnya, jangan sungkan untuk bertanya di kolom komentar atau menghubungi admin melalui tombol bantuan di kanan bawah. Jangan lupa untuk membaca artikel Exsight lainnya di web https://exsight.id/blog/
Referensi
https://ekonometrikblog.files.wordpress.com/2017/02/regresi-logistik-biner.pdf
