Analisis Regresi Logistik: Arti, Jenis, dan Panduan SPSS

Analisis regresi logistik itu ibarat kunci rahasia buat mengubah data kategorikal jadi wawasan keren. Warga Bimbingan, udah tahu belum metode ini? Kalau belum, kamu lagi di artikel yang tepat!

Metode ini gak cuma buat prediksi simpel kayak "Ya/Tidak," tapi juga bisa bantu kamu pahami pola lebih kompleks. Mau tahu apa itu biner, ordinal, atau multinomial? Jangan bingung, MinDi bakal jelasin dengan gaya santai dan mudah dimengerti.

Oh iya, biar makin paham, MinDi juga kasih panduan pakai SPSS, karena tools itu bakal jadi senjata andalanmu. Yuk, kita mulai petualangan analisis datamu sekarang!

Baca juga: Regresi Linier Berganda: Definisi dan Cara Membuat di Python

Apa itu Analisis Regresi Logistik?

Analisis regresi logistik adalah metode statistik yang digunakan untuk memprediksi kemungkinan terjadinya suatu kejadian berdasarkan data kategorikal. 

Berbeda dengan regresi linear yang memprediksi nilai kontinu, regresi logistik fokus pada hasil biner (misalnya, Ya/Tidak atau 0/1) atau kategori tertentu seperti ordinal dan multinomial. 

Metode ini bekerja dengan mengubah hubungan antara variabel independen dan dependen menjadi probabilitas menggunakan fungsi logit. 

Sederhananya, analisis regresi logistik membantu kita memahami pola dan membuat keputusan dari data yang hasilnya berbentuk kategori.

Baca juga: Analisis Regresi Linier Berganda: Rumus, Tips & Contoh

Jenis Analisis Regresi Logistik

Sumber: Canva

Analisis regresi logistik punya beberapa jenis yang disesuaikan dengan bentuk data kategorikal yang ingin kamu analisis. Berikut penjelasannya:

1. Regresi Logistik Biner

Regresi logistik biner adalah metode statistik untuk memprediksi hasil dengan dua kategori, seperti ya/tidak atau sukses/gagal. 

Teknik ini menghitung probabilitas terjadinya suatu peristiwa berdasarkan hubungan antara variabel independen dan dependen menggunakan fungsi logit, dengan hasil selalu berada di rentang 0 hingga 1.

Metode ini sangat berguna di berbagai bidang, seperti memprediksi keputusan pelanggan, risiko kesehatan, atau efektivitas kampanye. 

Dibandingkan regresi linear, regresi logistik biner lebih cocok untuk data kategorikal, sementara regresi ordinal dan multinomial digunakan untuk kategori berurutan atau tanpa urutan. Regresi logistik biner sederhana namun efektif untuk analisis keputusan biner.

2. Regresi Logistik Ordinal

Regresi logistik ordinal adalah metode statistik yang digunakan untuk memprediksi variabel dengan kategori berurutan, seperti rendah, sedang, atau tinggi. Teknik ini mempertimbangkan urutan antar kategori, sehingga dapat memberikan analisis yang lebih mendalam tentang pola dalam data berjenjang.

Metode ini sangat bermanfaat untuk survei atau analisis tingkat kepuasan, seperti memahami faktor yang memengaruhi tingkat kepuasan pelanggan. 

Berbeda dengan regresi logistik biner yang hanya menangani dua kategori, regresi ordinal digunakan saat hasil memiliki lebih dari dua tingkatan yang saling terhubung. Regresi ini memungkinkan analisis hierarki dalam data dengan cara yang sistematis dan akurat.

3. Regresi Logistik Multinomial

Regresi logistik multinomial adalah metode statistik untuk memprediksi variabel dengan lebih dari dua kategori tanpa urutan, seperti memilih mobil, motor, atau sepeda. Teknik ini cocok untuk situasi di mana kategori tidak memiliki hierarki, tetapi saling eksklusif.

Metode ini sering digunakan untuk memahami keputusan dengan banyak opsi, seperti preferensi pelanggan terhadap jenis produk tertentu. 

Dibandingkan dengan regresi biner yang terbatas pada dua kategori atau ordinal yang mempertimbangkan urutan, regresi multinomial fleksibel dalam menganalisis data dengan berbagai pilihan. Teknik ini sangat efektif untuk menganalisis pola pilihan dalam data yang kompleks.

Baca juga: Apa itu Regresi Logistik? Pengertian, Jenis & Contohnya

Cara Kerja Analisis Regresi Logistik

Sumber: Canva

Warga Bimbingan, pernah kepikiran gimana caranya tahu peluang pelanggan beli produk kamu? Nah, analisis regresi logistik ini jagonya! Yuk, MinDi jelasin cara kerjanya biar makin paham!

1. Model Dasar

Analisis regresi logistik memodelkan hubungan antara variabel bebas (X) dan probabilitas hasil (P ( Y = 1)) menggunakan fungsi logit. Rumusnya begini:

Dii mana:

1. P(Y = 1 | X): Probabilitas kejadian (contoh: pelanggan membeli produk).
2. e: Bilangan Euler ( ≈ 2.718).
3. z = β0 +β1X1+β2X2 +⋯+βnXn : Kombinasi linear dari variabel independen (X).

2. Transformasi Logit 

Regresi logistik menggunakan fungsi logit untuk menghubungkan probabilitas (P) dengan hubungan linear dari variabel bebas. Rumus logitnya:

Fungsi ini bikin hasil prediksi selalu berada di rentang 0 hingga 1—pas banget untuk probabilitas, kan?

3. Interpretasi Koefisien (β)

Nah, Warga Bimbingan, disini menariknya! Koefisien (β) menunjukkan pengaruh variabel bebas ke probabilitas kejadian. Kalau β positif, artinya faktor itu meningkatkan peluang kejadian. Sebaliknya, kalau negatif, peluangnya menurun.

4. Langkah-Langkah Kerja

1. Input Data: Tentukan dulu variabel dependen (hasil) dan independen (faktor-faktor pendukung).
2. Estimasi Koefisien: Hitung nilai β dengan metode Maximum Likelihood Estimation (MLE).
3. Probabilitas: Ubah hasil linear (z) jadi probabilitas (P) pakai rumus sigmoid.
4. Klasifikasi: Tentukan hasil akhir dengan ambang batas tertentu (biasanya 0.5).

Baca juga: Analisis Regresi: Pengertian, Rumus, Fungsi & Manfaatnya

Contoh Analisis Regresi Logistik Dengan SPSS

Sumber: Canva

Warga Bimbingan, biar makin paham, MinDi bakal kasih contoh gimana cara menerapkan analisis regresi logistik pakai SPSS. 

Misalnya, kita ingin memprediksi apakah pelanggan akan membeli produk berdasarkan usia dan pendapatan mereka. Yuk, simak langkah-langkah berikut!

1. Dataset yang Digunakan

Dataset berisi informasi berikut:

Variabel Dependen (Y): Membeli Produk (1 = Ya, 0 = Tidak).

Variabel Independen:

1. Usia (dalam tahun).
2. Pendapatan (dalam juta rupiah).

Contoh Data: 

2. Langkah-Langkah di SPSS

a. Input Data ke SPSS

Gambar data SPSS

1. Buka SPSS dan masukkan data di Data View.

2. Di Variable View, beri nama variabel:

1. Membeli_Produk (Numeric, 0 = Tidak, 1 = Ya).
2. Usia (Numeric).
3. Pendapatan (Numeric).

b. Jalankan Analisis Regresi Logistik

Gambar SPSS

1. Klik Analyze > Regression > Binary Logistic.

2. Masukkan variabel Membeli_Produk ke kotak Dependent.

3. Masukkan variabel Usia dan Pendapatan ke kotak Covariates.

4. Klik OK untuk menjalankan analisis.

Gambar Logistic regression

3. Hasil Analisis

Output Penting yang Perlu Diperhatikan:

1. Variables in the Equation:

1. Nilai Exp(B) untuk Usia = 1.2: Artinya, setiap kenaikan 1 tahun pada usia meningkatkan peluang pembelian produk sebesar 20%.
2. Nilai Exp(B) untuk Pendapatan = 1.5: Artinya, setiap kenaikan pendapatan 1 juta rupiah meningkatkan peluang pembelian produk sebesar 50%.

2. Hosmer-Lemeshow Test:

1. Nilai p-value = 0.6 (lebih dari 0.05): Model cocok dengan data.

3. Classification Table:

1. Akurasi model = 85% (berdasarkan data prediksi vs aktual).

Dari analisis ini, kita bisa menyimpulkan bahwa pendapatan memiliki pengaruh lebih besar dibandingkan usia dalam memprediksi peluang pelanggan membeli produk. 

Dengan hasil ini, kamu bisa membuat strategi pemasaran yang lebih efektif, misalnya fokus pada pelanggan dengan pendapatan tertentu.

Baca juga: Multiple Regression Analysis: Pengertian, Rumus, & Fungsinya

Pelajari Analisis Regresi Logistik untuk Tingkatkan Kemampuan Analisis Datamu!

Setelah memahami arti, jenis, dan panduan menggunakan SPSS untuk analisis regresi logistik, kini saatnya mengaplikasikan pengetahuan ini untuk analisis data yang lebih akurat dan profesional!

Yuk, ikuti Bootcamp Data Science di dibimbing.id! Di sini, kamu akan belajar teknik analisis data, termasuk regresi logistik, dengan kurikulum praktis yang dirancang untuk kebutuhan industri modern.

Belajar langsung dari mentor berpengalaman, bangun portofolio dengan studi kasus nyata, dan dapatkan kesempatan karier di perusahaan top melalui 700+ hiring partner. Alumni kami memiliki tingkat keberhasilan bekerja hingga 90%, lho!

Jadi, tunggu apa lagi? hubungi di sini dan Daftar sekarang di dibimbing.id, mulai perjalananmu menjadi Data Scientist profesional, dan #BimbingSampeJadi karier impianmu!

Referensi:

1. What Is Logistic Regression? | IBM [Buka]