Banyak peneliti dan mahasiswa mengalami kebingungan saat menyusun bab pembahasan skripsi atau tesis ketika berhadapan dengan tabel output Variables in the Equation pada analisis regresi logistik. Gejala kesalahan umum yang sering terjadi adalah menyamakan koefisien B pada regresi logistik dengan koefisien regresi linear biasa, atau salah dalam menafsirkan nilai Exp(B) yang bernilai kurang dari 1 sebagai hubungan negatif berpersentase langsung. Kesalahan fatal ini berimbas pada narasi hasil penelitian yang keliru. Oleh karena itu, penguasaan tentang cara membaca output regresi logistik biner dan pemahaman yang tepat atas Odds Ratio (Exp B) pada SPSS menjadi syarat mutlak dalam analisis data kuantitatif.
Kekeliruan lain yang sering dijumpai adalah kegagalan membedakan antara nilai Odds dan nilai probabilitas (peluang). Ketika nilai Exp(B) untuk suatu variabel independen menunjukkan angka 0,450, sebagian peneliti secara tidak tepat menyimpulkan bahwa variabel tersebut menurunkan probabilitas sebesar 45 persen. Padahal, angka Exp(B) kurang dari 1 mencerminkan penurunan nilai Odds, bukan penurunan probabilitas secara linier. Ketidakpahaman atas struktur tabel SPSS, seperti tabel Omnibus Tests of Model Coefficients, Hosmer and Lemeshow Test, serta kategori acuan (reference category) pada variabel kategorik, mengakibatkan estimasi model menjadi tidak valid dan rawan ditolak oleh penguji.
Konsep Teori Regresi Logistik Biner dan Transformasi Logit
Regresi logistik biner digunakan ketika variabel terikat (dependent variable) bersifat dikotomi atau biner, seperti kategori sukses/gagal, ya/tidak, atau sehat/sakit yang dikodekan dengan angka 1 dan 0. Berbeda dengan regresi linear berganda yang mengasumsikan hubungan linier langsung antara variabel independen dan dependen, regresi logistik memanfaatkan fungsi transformasi logit untuk memodelkan hubungan non-linier tersebut (Hosmer & Lemeshow, 2000).
Persamaan dasar logit dinyatakan sebagai logaritma natural dari Odds, yaitu ln(p / (1 - p)) = B0 + B1*X1 + ... + Bk*Xk. Dalam struktur persamaan ini, p menyatakan probabilitas terjadinya kejadian sukses (kategori 1), sedangkan (1 - p) menyatakan probabilitas tidak terjadinya kejadian tersebut (kategori 0). Karena nilai Kiri berupa nilai log-odds, koefisien B hasil estimasi SPSS tidak dapat ditafsirkan secara langsung dalam satuan pengukuran asli variabel dependen.
Untuk mempermudah penafsiran akademis, koefisien logit B ditransformasikan kembali ke bentuk skala rasio melalui fungsi eksponensial e^B, yang di dalam software SPSS dinamakan kolom Exp(B). Nilai Exp(B) inilah yang secara teoritis dikenal sebagai Odds Ratio (OR). Menurut Agresti (2002), Odds Ratio mengukur berapa kali lipat kecenderungan suatu peristiwa terjadi pada kelompok tertentu dibandingkan dengan kelompok acuan atau per perubahan satu satuan variabel kontinu.
Untuk memahami landasan pemodelan, pengujian asumsi non-multikolinieritas, serta estimasi parameter *Maximum Likelihood Estimation* (MLE) secara menyeluruh, Anda dapat mempelajari panduan komprehensif tentang teori dan rumus regresi logistik di statistikian.com. Penguasaan landasan teoritis tersebut sangat membantu sebelum membaca hasil output komputer.
Langkah-Langkah Sistematis Membaca Output Regresi Logistik di SPSS
Proses interpretasi output SPSS harus dilakukan secara runut, dimulai dari evaluasi kelayakan model secara keseluruhan hingga interpretasi koefisien parsial tiap variabel independen. Berikut adalah urutan teknis pembacaannya.
Langkah 1: Memeriksa Kelayakan Model (Omnibus Tests of Model Coefficients)
Perhatikan nilai p-value pada kolom Sig. baris Model. Jika nilai p-value < 0,05, artinya penambahan variabel independen secara bersama-sama (simultan) memberikan pengaruh signifikan terhadap model, atau model secara keseluruhan dinyatakan fit.
Langkah 2: Uji Goodness of Fit (Hosmer and Lemeshow Test)
Uji ini mengukur apakah data empiris sesuai dengan model. Berbeda dengan uji F atau Chi-Square biasa, model logistik dinyatakan baik atau layak jika nilai p-value pada kolom Sig. di tabel Hosmer and Lemeshow bernilai lebih besar dari 0,05 (p-value > 0,05). Hal ini menandakan tidak ada perbedaan signifikan antara hasil observasi dan prediksi model (Field, 2018).
Langkah 3: Menilai Koefisien Determinasi (Model Summary)
Nilai Cox & Snell R Square dan Nagelkerke R Square menggambarkan seberapa besar variansi variabel terikat mampu dijelaskan oleh variabel bebas. Nilai Nagelkerke R Square telah disesuaikan agar mencapai skala maksimal 1,00, sehingga lebih sering digunakan sebagai indikator ketepatan model.
Langkah 4: Evaluasi Akurasi Prediksi (Classification Table)
Lihat angka persentase pada kolom Percentage Correct baris paling bawah. Angka ini menunjukkan sejauh mana kombinasi variabel dalam model mampu mengklasifikasikan sampel data secara tepat ke dalam dua kategori terikat.
Langkah 5: Membaca Tabel Variables in the Equation (Arah dan Signifikansi)
Fokus pada kolom Sig. untuk melihat signifikansi parsial (uji Wald). Jika nilai Sig. < 0,05, variabel tersebut berpengaruh signifikan. Kolom B menunjukkan arah hubungan: jika nilai B positif, hubungan berbanding lurus; jika nilai B negatif, hubungan berbanding terbalik.
Langkah 6: Membaca Makna Exp(B) Jika Nilainya Lebih Dari 1 (Exp B > 1)
Jika nilai Exp(B) untuk variabel kontinu (misal: Umur) adalah 1,250, artinya setiap kenaikan umur sebesar 1 tahun, nilai kecenderungan (Odds) untuk mengalami kejadian kategori 1 akan meningkat sebesar 1,250 kali lipat (atau naik 25%).
Langkah 7: Membaca Makna Exp(B) Jika Nilainya Kurang Dari 1 (Exp B < 1)
Jika nilai Exp(B) adalah 0,400, interpretasi yang tepat adalah: kecenderungan (Odds) terjadinya kategori 1 pada kelompok tersebut hanya 0,400 kali dibandingkan kelompok acuan. Anda juga bisa menghitung besarnya penurunan dengan rumus (1 - Exp(B)) x 100%, yaitu (1 - 0,400) x 100% = 60% lebih rendah.
Langkah 8: Interpretasi Variabel Kategorik dan Reference Category
Untuk variabel dummy kategorik, nilai Exp(B) selalu membandingkan kategori tertentu terhadap kategori pembanding (reference category). Jika kelompok Perokok memiliki Exp(B) = 2,500 terhadap kelompok Bukan Perokok, maka responden perokok memiliki kecenderungan 2,5 kali lebih tinggi untuk mengalami kategori sukses.
Langkah 9: Memeriksa Rentang Interval Kepercayaan 95% CI for Exp(B)
Perhatikan kolom 95% C.I. for EXP(B) (Lower dan Upper). Jika rentang angka dari Lower hingga Upper melewati atau mencakup angka 1.000 (misalnya 0,850 hingga 2,100), maka secara otomatis variabel tersebut tidak signifikan pada taraf 5%, selaras dengan nilai Sig. > 0,05.
Pembahasan Ilmiah: Mekanika Matematika Odds Ratio dan Konversi Probabilitas
Perbedaan paling esensial antara analisis regresi linier dan regresi logistik terletak pada batasan skala output. Pada regresi linier, kombinasi linier variabel independen dapat menghasilkan nilai estimasi yang tidak terbatas dari minus tak hingga hingga plus tak hingga. Sementara itu, probabilitas secara aksiomatis wajib berada pada rentang tertutup [0, 1]. Menurut Kleinbaum dan Klein (2010), fungsi transformasi logit berhasil mengatasi kendala ini dengan mengonversi nilai probabilitas p menjadi skala log-odds yang tidak terbatas.
Persamaan logit secara fungsional dirumuskan sebagai ln(p / (1 - p)). Ketika kita melakukan inversi matematika dengan mengambil nilai eksponensial e pada kedua sisi persamaan, kita memperoleh nilai rasio peluang yang dikenal sebagai Odds. Oleh sebab itu, perubahan satu unit pada variabel X akan melipatgandakan nilai Odds sebesar faktor e^B. Inilah alasan mendasar mengapa angka pada kolom Exp(B) di SPSS bersifat multiplikatif (perkalian), bukan aditif (penjumlahan) seperti pada regresi OLS standar.
Penting bagi peneliti untuk membedakan antara Odds dan Probabilitas. Odds adalah rasio antara probabilitas terjadinya suatu kejadian dengan probabilitas tidak terjadinya kejadian tersebut, dirumuskan sebagai Odds = p / (1 - p). Sebaliknya, probabilitas adalah rasio antara kejadian sukses dengan total keseluruhan kejadian, dirumuskan sebagai p = Odds / (1 + Odds). Jika nilai Odds suatu kelompok adalah 2,0, maka probabilitas kejadian tersebut adalah 2,0 / (1 + 2,0) = 0,667 atau 66,7% (Menard, 2002).
Mengenai pengujian signifikansi parsial, statistik Wald pada SPSS dihitung dengan membagi nilai koefisien B dengan kesalahan standarnya (Standard Error / S.E.), kemudian dikuadratkan: Wald = (B / S.E.)^2. Menurut Hauck dan Donner (1977), statistik Wald dapat menunjukkan efek bias ketika nilai koefisien B sangat besar, di mana nilai kesalahan standar cenderung diestimasi terlalu tinggi sehingga menghasilkan nilai statistik Wald yang tampak tidak signifikan secara semu. Oleh karena itu, pengujian kecocokan model menggunakan uji rasio kemungkinan (Likelihood Ratio Test / Omnibus Test) tetap disarankan sebagai acuan utama.
Dalam melaporkan hasil pengujian pada jurnal ilmiah standar international, Tabachnick dan Fidell (2019) menyarankan untuk selalu mencantumkan koefisien B, kesalahan standar (S.E.), nilai Wald, derajat bebas (df), p-value (Sig.), nilai Exp(B), serta rentang 95% Confidence Interval untuk Exp(B). Penyajian data yang lengkap ini memberikan gambaran yang transparan mengenai besaran efek (effect size) dan presisi estimasi parameter dalam penelitian.
Secara ringkas, ketika Anda mendapati variabel dengan nilai Exp(B) kurang dari 1, Anda tidak perlu cemas atau menganggap hasil penelitian Anda bermasalah. Nilai Exp(B) < 1 semata-mata menunjukkan efek perlindungan atau faktor penghambat (protective factor), di mana keberadaan atau peningkatan variabel tersebut menurunkan kecenderungan terjadinya peristiwa terikat yang diteliti.
Kesimpulan
Membaca output regresi logistik biner pada SPSS memerlukan ketelitian agar tidak terjebak dalam kesalahan interpretasi. Langkah pertama adalah memastikan model fit melalui nilai p-value Hosmer and Lemeshow Test > 0,05 dan Omnibus Test < 0,05. Selanjutnya, nilai signifikansi parsial ditentukan dari kolom Sig. pada tabel Variables in the Equation. Indikator paling krusial untuk mengukur besarnya pengaruh adalah nilai Exp(B) yang mencerminkan Odds Ratio (OR), bukan persentase perubahan probabilitas langsung. Nilai Exp(B) > 1 mengindikasikan peningkatan Odds, sedangkan Exp(B) < 1 mengindikasikan penurunan Odds. Dengan memahami transformasi logit ini, interpretasi data penelitian kuantitatif Anda akan menjadi tepat, kredibel, dan memenuhi standar ilmiah.
Daftar Pustaka
Agresti, A. (2002). Categorical Data Analysis (2nd ed.). Hoboken: John Wiley & Sons.
Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5th ed.). London: SAGE Publications.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
Hauck, W. W., & Donner, A. (1977). Wald's test as applied to hypotheses in logit analysis. Journal of the American Statistical Association, 72(360a), 851-853.
Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression (2nd ed.). New York: John Wiley & Sons.
Kleinbaum, D. G., & Klein, M. (2010). Logistic Regression: A Self-Learning Text (3rd ed.). New York: Springer.
Menard, S. (2002). Applied Logistic Regression Analysis (2nd ed.). Thousand Oaks: SAGE Publications.
Tabachnick, B. G., & Fidell, L. S. (2019). Using Multivariate Statistics (7th ed.). Boston: Pearson.