Regresi Logistik untuk Skripsi: Cara Kerja & Interpretasi

Revisi Bab 4 ke-7 dari dospem, dan semua catatan merah di printout itu mengarah ke satu kalimat: "Interpretasi odds ratio-nya salah." Kalau kamu pernah ada di posisi itu, kamu nggak sendirian. Dulu gue sendiri hampir salah pilih metode — hampir pakai regresi linear padahal variabel dependennya cuma dua kategori: lulus tepat waktu atau tidak. Untung keburu ketahuan sebelum sidang. Nah, artikel ini gue tulis buat kamu yang sedang bergulat dengan regresi logistik: bingung harus pilih jenis yang mana, nggak yakin asumsi apa yang wajib dipenuhi, dan bingung cara nulis interpretasinya biar kedengarannya akademik. Kita bahas tuntas, dari awal sampai narasi pembahasan untuk jurnal.

Apa Itu Regresi Logistik dan Kapan Harus Digunakan?

Regresi logistik adalah metode analisis statistik yang dirancang khusus untuk memodelkan probabilitas kejadian ketika variabel dependennya bersifat kategorik. Bukan kontinu, bukan interval — kategorik. Model ini menghasilkan prediksi berupa kemungkinan suatu observasi masuk ke kategori tertentu, misalnya: apakah seorang mahasiswa akan lulus tepat waktu atau tidak, apakah nasabah akan gagal bayar atau tidak, apakah responden akan memilih produk A atau B.

Kalau variabel dependenmu masuk dalam kategori itu, regresi logistik adalah pilihanmu. Kalau masih bingung menentukan metode yang paling sesuai dengan datamu secara keseluruhan, baca dulu cara menentukan uji statistik yang tepat untuk skripsi sebelum lanjut ke sini.

Regresi Logistik vs Regresi Linear: Apa Bedanya?

Perbedaan utamanya ada di skala ukur variabel dependen. Regresi linear berganda mensyaratkan variabel dependen yang kontinu dan (secara ideal) terdistribusi normal — cocok untuk memprediksi nilai seperti IPK, pendapatan, atau skor kepuasan. Regresi logistik justru bekerja dengan output kategorik: ya/tidak, berhasil/gagal, rendah/sedang/tinggi.

Secara matematis, regresi linear memodelkan nilai Y secara langsung. Regresi logistik tidak demikian — ia memodelkan log-odds (logaritma natural dari rasio peluang kejadian terjadi dibanding tidak terjadi), lalu mengonversinya ke skala probabilitas melalui fungsi sigmoid. Makanya hasilnya selalu berada di antara 0 dan 1, nggak bisa melebihi batas itu. Inilah yang membuat regresi linear tidak cocok dipaksakan ke variabel dependen kategorik — prediksinya bisa menghasilkan nilai di bawah 0 atau di atas 1, yang secara probabilistik tidak masuk akal.

Tiga Jenis Regresi Logistik dan Kapan Memilihnya

Banyak mahasiswa tahunya cuma satu jenis. Padahal ada tiga, dan pemilihan yang salah langsung jadi temuan fatal saat sidang.

Regresi logistik biner adalah yang paling umum di skripsi S1 dan S2. Variabel dependennya hanya punya dua kemungkinan, dan kamu harus mengkode satu kategori sebagai 0 (kejadian tidak terjadi / referensi) dan satunya sebagai 1 (kejadian terjadi). Regresi logistik ordinal dipakai ketika kategorinya lebih dari dua dan ada urutan yang bermakna — perbedaan antar kategori itu penting dan searah. Sedangkan regresi logistik multinomial cocok ketika kategorinya lebih dari dua tapi tidak ada hierarki urutan yang jelas di antara keduanya.

Uji Asumsi Regresi Logistik yang Wajib Dipenuhi

Ini bagian yang paling banyak disalahpahami. Gue sering lihat mahasiswa panik bukan karena asumsi yang wajib dipenuhi, tapi karena asumsi yang sebenarnya tidak berlaku untuk regresi logistik — terus malah menghabiskan waktu menguji sesuatu yang tidak perlu.

Mitos Normalitas dalam Regresi Logistik

Langsung luruskan: regresi logistik tidak mensyaratkan normalitas residual. Nggak perlu uji Kolmogorov-Smirnov untuk residual, nggak perlu histogram residual yang berbentuk lonceng. Asumsi normalitas adalah milik regresi linear, bukan regresi logistik. Model ini menggunakan pendekatan maximum likelihood estimation (MLE), bukan ordinary least squares (OLS), sehingga logika di balik asumsinya pun berbeda.

Kalau dospemmu memintamu menguji normalitas residual untuk regresi logistik, kamu perlu memberikan penjelasan yang sopan bahwa memang bukan itu asumsi yang relevan — dengan rujukan Hosmer & Lemeshow sebagai backup argumen. Yang wajib kamu uji justru empat hal berikut.

Checklist Asumsi Sebelum Analisis

Catatan Penting: Jangan lewati uji asumsi dengan alasan "regresi logistik nggak perlu uji asumsi." Pernyataan itu setengah benar dan setengah menyesatkan. Yang tidak perlu hanya normalitas. Asumsi lain tetap berlaku dan wajib dilaporkan di metodologi.

Asumsi 1 — Tidak ada multikolinearitas. Variabel independen yang berkorelasi terlalu tinggi satu sama lain akan mendistorsi koefisien model. Cek menggunakan nilai Variance Inflation Factor (VIF) — standar aman adalah VIF < 10, idealnya < 5 (Hair et al., 2019). Di SPSS, kamu bisa memperoleh nilai VIF dengan menjalankan regresi linear terlebih dahulu menggunakan variabel yang sama, lalu melihat tabel Coefficients-nya.

Asumsi 2 — Tidak ada outlier ekstrem. Outlier bisa mendistorsi estimasi parameter secara signifikan. Cara mengeceknya di SPSS adalah dengan melihat nilai Cook's Distance atau Standardized Residuals — nilai di atas 3 atau di bawah -3 patut diperiksa lebih lanjut.

Asumsi 3 — Ukuran sampel memadai. Hair et al. (2019) Multivariate Data Analysis — referensi rule of thumb sampel menetapkan rule of thumb minimal 10 kasus per variabel prediktor. Jadi kalau kamu punya 5 variabel independen, sampel minimum yang aman adalah 50 responden — tapi 100+ lebih ideal untuk stabilitas estimasi.

Asumsi 4 — Linearitas log-odds untuk variabel kontinu. Untuk variabel independen yang berskala kontinu (bukan kategorik), hubungannya dengan log-odds harus linear. Cara mengujinya adalah dengan Box-Tidwell test — tambahkan interaksi antara variabel kontinu dengan logaritma naturalnya ke dalam model. Kalau interaksi tersebut tidak signifikan, asumsi terpenuhi.

Langkah-Langkah Menjalankan Regresi Logistik di SPSS

Sebelum klik apapun di SPSS, pastikan datamu sudah bersih dan dikode dengan benar. Ini bukan langkah opsional — input yang salah akan menghasilkan output yang nggak bisa kamu interpretasikan dengan benar, bahkan kalau prosedurnya sudah tepat.

Persiapan Data dan Coding Variabel

Variabel dependen untuk regresi logistik biner harus dikode 0 dan 1. Secara konvensi, 0 mewakili "kejadian tidak terjadi" atau kategori referensi, dan 1 mewakili "kejadian terjadi" atau kondisi yang ingin kamu prediksi. Misalnya: 0 = tidak gagal bayar, 1 = gagal bayar. Pastikan tidak ada nilai selain 0 dan 1 di kolom variabel dependen tersebut.

Untuk variabel independen kategorik (misalnya jenis kelamin, tingkat pendidikan), kamu perlu membuat dummy variable atau menggunakan opsi Categorical Covariates yang tersedia di SPSS. SPSS akan otomatis membuat dummy jika kamu memasukkan variabel ke kotak "Categorical Covariates" dan memilih metode coding-nya.

Navigasi Menu dan Opsi Penting di SPSS

Jalur menunya: Analyze → Regression → Binary Logistic. Setelah jendela dialog terbuka:

• Masukkan variabel dependen ke kotak Dependent
• Masukkan variabel independen ke kotak Covariates
• Pilih Method: Enter (semua variabel dimasukkan sekaligus — paling umum untuk penelitian hipotetikal), Forward (variabel ditambahkan bertahap berdasarkan signifikansi), atau Backward (dimulai dari semua variabel, lalu dihapus bertahap)
• Klik tombol Options, lalu centang: Classification plots, Hosmer-Lemeshow goodness-of-fit, Casewise listing of residuals, dan CI for Exp(B) — opsi terakhir ini penting agar odds ratio tampil beserta interval kepercayaannya

Untuk referensi teknis navigasi lebih lanjut, kamu bisa cek langsung Panduan SPSS IBM — Binary Logistic Regression.

Output yang Dihasilkan dan Fungsinya

Setelah kamu klik OK, SPSS akan menghasilkan beberapa blok output. Ini yang perlu kamu pahami:

Cara Membaca dan Menginterpretasi Output Regresi Logistik

Ini inti dari semuanya. Dan ini juga yang paling banyak bikin mahasiswa salah nulis di Bab 4. Gue akan uraikan satu per satu.

Membaca Omnibus Test dan Nagelkerke R²

Omnibus Test of Model Coefficients menguji apakah model dengan variabel prediktor secara keseluruhan lebih baik daripada model tanpa prediktor apapun (Block 0). Lihat kolom Sig. — jika nilainya < 0,05, model secara keseluruhan signifikan dan kamu boleh lanjut menginterpretasikan koefisien individual.

Nagelkerke R Square adalah pseudo-R² yang sering disalahpahami. Angka ini bukan R² regresi linear — jangan diinterpretasikan sebagai "sekian persen variansi dependen dijelaskan oleh model" secara harfiah seperti R² OLS. Interpretasi yang lebih tepat menurut Ghozali (2018): nilai ini menunjukkan kemampuan relatif model dalam memprediksi variabel dependen. Nilai 0,4 berarti model menjelaskan sekitar 40% variasi dalam log-odds — dan ini sudah tergolong cukup baik untuk penelitian sosial.

Hosmer & Lemeshow: Uji Kelayakan Model

Uji ini menjawab pertanyaan: apakah model yang kamu bangun "fit" dengan data? Hosmer & Lemeshow (2013) Applied Logistic Regression menetapkan logikanya: nilai p > 0,05 menunjukkan model layak, artinya tidak ada perbedaan signifikan antara nilai yang diprediksi model dengan nilai aktual. Kebalikan dari uji signifikansi biasa — kamu ingin p yang besar di sini.

Pro Tip: Banyak mahasiswa panik ketika melihat p > 0,05 di Hosmer & Lemeshow, mengira itu berarti "tidak signifikan = jelek." Justru sebaliknya. Nilai p > 0,05 di sini artinya model fit. Kalau nilai p-nya < 0,05, berarti ada masalah dengan fit model yang perlu diperiksa.

Interpretasi Odds Ratio Langkah demi Langkah

Di tabel Variables in the Equation, kolom yang paling penting adalah:

• B: koefisien logistik mentah — digunakan untuk menulis persamaan model, tapi bukan untuk interpretasi langsung
• Sig.: uji signifikansi individual — apakah variabel tersebut berkontribusi signifikan ke model (p < 0,05)?
• Exp(B): ini adalah Odds Ratio — angka yang menjadi kunci interpretasi

Cara menginterpretasi Exp(B):

• Exp(B) = 1: variabel independen tidak mempengaruhi odds kejadian
• Exp(B) > 1: setiap kenaikan satu unit variabel independen meningkatkan odds kejadian sebesar (Exp(B) - 1) × 100%
• Exp(B) < 1: setiap kenaikan satu unit variabel independen menurunkan odds kejadian

Contoh Penulisan Hasil di Bab 4 Skripsi

Misalnya output menunjukkan variabel "motivasi belajar" memiliki Exp(B) = 3,42 dengan Sig. = 0,012. Cara menulisnya:

"Variabel motivasi belajar berpengaruh signifikan terhadap kelulusan tepat waktu (B = 1,229; Sig. = 0,012; Exp(B) = 3,42; 95% CI [1,31–8,94]). Nilai odds ratio sebesar 3,42 menunjukkan bahwa mahasiswa dengan motivasi belajar yang lebih tinggi memiliki peluang lulus tepat waktu sebesar 3,42 kali lebih besar dibandingkan mahasiswa dengan motivasi belajar yang lebih rendah, dengan faktor-faktor lain dianggap konstan."

Perhatikan: kamu menyebut B, Sig., Exp(B), dan confidence interval sekaligus — itu standar pelaporan yang benar menurut Ghozali (2018) dan APA 7.

Kesalahan Umum Mahasiswa dalam Analisis Regresi Logistik

Dari pengalaman gue dan banyak cerita yang beredar di komunitas riset, ada pola kesalahan yang terus berulang. Kenali supaya kamu nggak ikut-ikutan.

Kesalahan 1 — Salah pilih metode. Variabel dependennya sebenarnya kontinu (skor, nilai, skala Likert 1–5 yang dianggap interval), tapi dianalisis dengan regresi logistik. Harusnya regresi linear berganda. Cek dulu skala ukur variabel dependenmu sebelum memilih metode.

Kesalahan 2 — Skip uji multikolinearitas karena "logistik nggak perlu asumsi." Ini mitos berbahaya. Multikolinearitas tetap menjadi masalah serius di regresi logistik karena akan membuat koefisien tidak stabil dan standard error membengkak. Tetap lakukan pengecekan VIF.

Kesalahan 3 — Menginterpretasikan Exp(B) sebagai persentase langsung. Exp(B) = 2,5 tidak berarti "variabel X meningkatkan kemungkinan Y sebesar 250%." Yang benar adalah: odds-nya 2,5 kali lebih besar. Itu berbeda secara matematis. Odds ratio tidak sama dengan probabilitas.

Kesalahan 4 — Tidak melaporkan Hosmer & Lemeshow Test. Banyak yang langsung loncat ke Variables in the Equation tanpa membuktikan modelnya fit. Di jurnal internasional, ini bisa jadi alasan penolakan reviewer.

Kesalahan 5 — Sampel terlalu kecil untuk jumlah prediktor. Memasukkan 8 variabel independen dengan sampel 60 responden melanggar rule of thumb Hair et al. (2019). Hasilnya: koefisien tidak stabil, model overfitting, dan tidak generalizable.

Pro Tip: Kalau sampelmu memang terbatas dan tidak bisa ditambah, pertimbangkan untuk mengurangi jumlah variabel prediktor. Lebih baik model sederhana yang stabil daripada model kompleks yang fragile. Ini bukan kelemahan penelitian — ini keputusan metodologis yang bisa kamu argumentasikan.

Tips Menulis Pembahasan Regresi Logistik yang Kuat di Jurnal

Banyak skripsi yang analisisnya benar, tapi pembahasannya datar — sekadar "variabel X signifikan, Exp(B) = sekian." Untuk jurnal ilmiah, standarnya lebih tinggi dari itu. Dan untuk sidang skripsi pun, dospem mengharapkan narasi yang menunjukkan kamu paham makna dari angka yang kamu hasilkan.

Struktur Paragraf Pembahasan yang Logis

Struktur yang terbukti efektif adalah: ringkasan model → signifikansi individual → arah hubungan → magnitude (odds ratio) → komparasi literatur. Mulai dengan melaporkan kelayakan model secara keseluruhan (Omnibus Test dan Hosmer & Lemeshow), kemudian bahas tiap variabel yang signifikan secara sistematis. Jangan campurkan variabel signifikan dan tidak signifikan dalam satu paragraf — pisahkan agar alur pembacanya jelas.

Untuk panduan teknis lebih lanjut tentang cara menyusun bab hasil dan pembahasan, kamu bisa merujuk ke artikel cara membuat Bab 4 skripsi yang benar.

Mengintegrasikan Teori dengan Hasil Odds Ratio

Angka odds ratio yang berdiri sendiri tidak bermakna apa-apa bagi pembaca jurnal. Yang membuat pembahasan menjadi kuat adalah ketika kamu menghubungkan temuan tersebut dengan teori yang kamu bangun di Bab 2. Misalnya: "Odds ratio sebesar 3,42 untuk motivasi belajar ini konsisten dengan proposisi Self-Determination Theory (Deci & Ryan, 1985) yang menyatakan bahwa motivasi intrinsik secara signifikan meningkatkan ketekunan akademik. Temuan ini juga sejalan dengan hasil penelitian [nama peneliti] yang menemukan arah hubungan serupa pada konteks perguruan tinggi di…"

Pola ini — angka, teori, komparasi literatur — yang membedakan pembahasan yang sekadar deskriptif dengan yang benar-benar analitik. Kalau mau lihat bagaimana pola serupa diterapkan pada metode regresi yang berbeda, cek contoh pembahasan hasil regresi berganda yang benar sebagai referensi strukturnya.

Standar Penulisan untuk Publikasi Jurnal

Untuk jurnal internasional (standar APA 7), pelaporan hasil regresi logistik minimal harus mencakup: odds ratio, confidence interval 95%, nilai p, dan Nagelkerke R² untuk model secara keseluruhan. Untuk skripsi Indonesia, Ghozali (2018) biasanya menjadi rujukan utama yang diterima.

Satu hal yang sering dilupakan tapi justru meningkatkan kredibilitas artikel: akui keterbatasan model secara eksplisit. Misalnya, kalau Nagelkerke R² hanya 0,28, jangan disembunyikan — sebutkan bahwa masih ada faktor lain di luar model yang mempengaruhi variabel dependen. Reviewer justru lebih menghargai kejujuran metodologis daripada narasi yang terlalu optimistis.

Kalau kamu sedang finalisasi naskah dan ingin memastikan narasi pembahasannya konsisten dari awal hingga akhir — tidak ada kontradiksi antara temuan di satu paragraf dengan klaim di paragraf lain — Risos AI Writing Studio bisa membantu kamu memeriksa konsistensi argumen dan mendeteksi celah logika sebelum masuk ke meja sidang atau submission jurnal. Bukan untuk menggantikan penulisanmu, tapi sebagai "mata kedua" yang teliti.

Kesimpulan

Regresi logistik bukan metode yang perlu ditakuti — tapi juga bukan yang bisa dijalankan dengan klik-klik tanpa paham apa yang sedang dilakukan. Yang terpenting dari semua pembahasan di atas, catat tujuh poin ini:

• Pilih jenis regresi logistik berdasarkan skala variabel dependen: biner untuk 2 kategori, ordinal untuk >2 kategori berurut, multinomial untuk >2 kategori tidak berurut
• Normalitas residual tidak diperlukan — tapi multikolinearitas, outlier, dan ukuran sampel tetap wajib dicek
• Minimal 10 kasus per variabel prediktor adalah rule of thumb aman (Hair et al., 2019)
• Hosmer & Lemeshow Test wajib dilaporkan — p > 0,05 berarti model fit, bukan bermasalah
• Exp(B) adalah odds ratio — bukan koefisien yang bisa dibaca langsung sebagai persentase
• Nagelkerke R² tidak identik dengan R² regresi linear — kontekskan interpretasinya
• Narasi pembahasan yang kuat selalu menghubungkan angka odds ratio dengan teori dan literatur

Semoga Bab 4-mu bersih dari catatan merah kali ini.