Cara Baca Output Regresi Logistik SPSS + Contoh

Membaca Output Regresi Logistik

Membaca output regresi logistik dilakukan dengan menilai kelayakan model terlebih dahulu (Hosmer and Lemeshow Test dengan Sig. > 0.05, nilai Nagelkerke R Square, dan -2 Log Likelihood), lalu membaca tabel Variables in the Equation untuk uji hipotesis tiap variabel (signifikan jika Sig. < 0.05, dengan nilai Exp(B) sebagai odds ratio) — lihat juga dokumentasi resmi IBM SPSS untuk regresi logistik.

Di artikel regresi logistik dengan SPSS Anda telah mempelajari cara mendapatkan output Regresi Logistik dengan SPSS. Berikut cara membaca dan menginterpretasikan output tersebut.

1. Uji Kelayakan Model Regresi Logistik

• ## Menilai Keseluruhan Model (Overall Model Fit)

Overall Model Fit adalah proses evaluasi seberapa baik model regresi logistik yang telah dibuat dapat memprediksi hasil yang benar atau akurat. Uji kesulitan model dilakukan dengan membandingkan hasil prediksi model dengan hasil aktual dari data yang telah diuji. Jika hasil prediksi dan hasil aktual tidak sama atau terdapat kesalahan, maka model tersebut memiliki kekurangan.

H0 : Model yang dihipotesiskan fit dengan data (Nilai LL akhir < Nilai LL awal) 

H1 : Model yang dihipotesiskan tidak fit dengan data (Nilai LL akhir ≥ Nilai LL awal) 

Berdasarkan output diperoleh dari hasil analisis regresi menunjukkan bahwa nilai likelihood awal (block number = 0) sebesar 966.319. Sedangkan  likelihood akhir (block number = 1) mengalami penurunan menjadi 937.751. Selisih antara likelihood awal dan akhir menunjukkan penurunan sebesar 28.568. Hal ini mengindikasikan bahwa antara model yang dihipotesiskan telah sesuai (fit) dengan data. 

• ## Menguji Kelayakan Model (Goodness of Fit Test)

Uji kelayakan model pada regresi logistik adalah proses untuk mengevaluasi seberapa baik model regresi logistik yang telah dibuat sesuai dengan data yang digunakan untuk membuat model tersebut. Dalam kata lain, uji kelayakan model adalah untuk mengetahui apakah model regresi logistik yang dibuat cocok atau tepat dengan data yang dimiliki.

Pengujian kelayakan model regresi dinilai dengan menggunakan Hosmer and Lemeshow’s Goodness of Fit Test yang diukur dengan nilai chi square.  Hipotesis untuk menilai Lemeshow’s Goodness of Fit Test adalah:

H0 : Model yang dihipotesiskan fit dengan data (Nilai Sig >  5%)

H1 : Model yang dihipotesiskan tidak fit dengan data (Nilai Sig <  5%)

Berdasarkan output yang diperoleh dari hasil analisis regresi menunjukkan bahwa hasil uji Hosmer and Lemeshow Goodness of Fit Test diperoleh nilai chi-square sebesar 10.689 dengan tingkat signifikansi sebesar 0.220. Hasil uji menunjukkan bahwa nilai probabilitas (Sig.) ≥ 0,05 (nilai signifikan) yaitu 0.220 ≥ 0.05, maka artinya model yang dihipotesiskan fit dengan data. Hal ini mengindikasikan bahwa tidak ada perbedaan signifikan antara model dengan data sehingga model regresi dalam penelitian ini layak dan mampu untuk memprediksi nilai observasinya.

• ## Akurasi Model Regresi Logistik

Selain dua uji diatas, kita juga dapat mengetehaui kelayakan model regresi logistik dari hasil prediksinya dengan melihat matriks klasifikasi. Matriks klasifikasi disajikan dalam bentuk tabel sebagai berikut.

Matriks klasifikasi diatas menunjukkan seberapa akurat prediksi dari model regresi logistik untuk memprediksi kemungkinan terjadinya belanja modal yang dilakukan oleh perusahaan sebelum pandemi lebih tinggi. Dari tabel diatas hasil analisis regresi menunjukkan bahwa overall percentage di angka 60%, artinya model regresi logistik memiliki akurasi sebesar 60%.

2. Analisa Regresi Logistik

Analisis yang digunakan dalam penelitian ini adalah analisis regresi logistik (logistic regression), yaitu dengan melihat pengaruh Pandemi Covid-19 (COVID), Firm Size (SIZE), Sales Growth (GROWTH), Return on Assets (ROA) dan Internal Cash Flow (ICF) terhadap Pola Capital Expenditure (CAPEX) pada perusahaan non big-cap yang terdaftar di Bursa Efek Indonesia atau BEI tahun 2017-2021.

Variable dependen yang digunakan disini adalah variable biner kualitatif yaitu, CAPEX : perusahaan memperbanyak atau mengurangi modal usaha. Untuk lebih jelasanya variabel yang digunakan dalam analisa ini sebagai berikut:

Dari output yang merupakan hasil analisis dari regresi logistik dapat dirumuskan persamaan regresi logistik sebagai berikut:

3. Uji Hipotesis Regresi Logistik

• ## Uji Wald (Uji Parsial t)

Uji Wald digunakan untuk menguji apakah masing-masing variabel independen yang terdiri dari Pandemi Covid-19 (COVID), Firm Size (SIZE), Sales Growth (GROWTH), Return on Assets (ROA) dan Internal Cash Flow (ICF) mampu mempengaruhi variabel dependen yaitu pola capital expenditure (CAPEX) dalam penelitian ini. Untuk menentukan hipotesis diterima atau ditolak dengan membandingkan nilai Sig. dan tingkat signifikansi α = 0,05. Hipotesis untuk mendapatkan kesimpulan dari uji Wald adalah:

H0 : Variable independen tidak berpengaruh terhadap variable dependen (Sig > 0,05)

H1 : Variable independen berpengaruh terhadap variable dependen (Sig < 0,05)

Berdasarkan output dapat diperoleh hasil pengujian hipotesis dengan menggunakan analisis regresi logistik, dapat disimpulkan sebagai berikut:

• ### Uji Omnibus Tests (Uji Simultan f)

Uji Omnibus Tests adalah uji statistik untuk untuk menguji secara bersama-sama apakah semua variabel independen yang terdiri dari Pandemi Covid-19 (COVID), Firm Size (SIZE), Sales Growth (GROWTH), Return on Assets (ROA) dan Internal Cash Flow (ICF) secara simultan mampu mempengaruhi variabel dependen yaitu pola capital expenditure (CAPEX). Untuk menentukan hipotesis diterima atau ditolak dengan membandingkan fhitung dan tingkat signifikasinya sebesar 5% atau 0,05. Hipotesis untuk mendapatkan kesimpulan dari uji Simultan adalah:

H0 : Tidak ada satupun variable independen yang berpengaruh terhadap variable dependen (Sig > 0,05)

H1 : Minimal ada 1 variable independen berpengaruh terhadap variable dependen (Sig < 0,05)

Berdasarkan output diatas nilai Sig. dibawah 5% (tingkat signifikansi) , Artinya Pandemi Covid-19 (COVID), Firm Size (SIZE), Sales Growth (GROWTH), Return on Assets (ROA) dan Internal Cash Flow (ICF) secara simultan berpengaruh signifikan terhadap pola capital expenditure (CAPEX).

4. Koefisien Regresi Logistik dan Odds Ratio

Untuk menganalisa koefisien regresi diatas, kita akan menggunakan rumus exponensial dari setiap koefisien regresi untuk mendapatkan nilai odds ratio. Bentuk fungsi eksponensial yang paling sering digunakan adalah e^koefisien

Dalam contoh kasus ini odds ratio digunakan untuk membandingkan penambahan atau pengurangan modal perusahaan. Analisis odds ratio pada setiap variabel bebas terhadap CAPEX:

1. Nilai konstanta (α) sebesar 0.607, artinya jika tidak ada variable yang mempengaruhi CAPEX, maka kecenderungan pertambahan modal perusahaan akan selalu naik dibanding menurunkan modal perusahaan.
2. Variabel Pandemi Covid-19 (COVID) memiliki nilai koefisien positif sebesar 0.671. Nilai odds ratio-nya adalah EXP(0.671) = 1.96, yang berarti setiap kenaikan satu kategori pada variabel COVID membuat kecenderungan (odds) CAPEX naik menjadi sekitar 1.96 kali lipat dibandingkan kategori sebelumnya.
3. Variabel firm size (SIZE) memiliki nilai koefisien negatif sebesar 0.011, artinya peningkatan firm size (SIZE) cenderung menurunkan odds CAPEX naik saat pandemi - perusahaan yang lebih besar cenderung tidak menambah modal usaha meski dalam kondisi pandemi.
4. Variabel sales growth (GROWTH) memiliki nilai koefisien negatif sebesar 0.002, artinya peningkatan sales growth (GROWTH) cenderung menurunkan odds CAPEX naik saat pandemi.
5. Variabel return on assets (ROA) memiliki nilai koefisien negatif sebesar 0.027, artinya peningkatan return on assets (ROA) cenderung menurunkan odds CAPEX naik saat pandemi.
6. Variabel internal cash flow (ICF) memiliki nilai koefisien positif sebesar 0.0001, artinya peningkatan internal cash flow (ICF) cenderung menaikkan odds CAPEX naik saat pandemi, meski pengaruhnya sangat kecil (koefisien mendekati nol).

Catatan koreksi: arah interpretasi di atas mengikuti tanda koefisien secara konsisten - koefisien negatif berarti odds variabel dependen (di sini dikodekan 1 = CAPEX naik) menurun seiring naiknya variabel independen, bukan sebaliknya. Selalu cocokkan arah kesimpulanmu dengan tanda koefisien, jangan sampai terbalik.

Contoh Kasus: Model Tidak Fit

Bagaimana kalau ternyata hasil Hosmer and Lemeshow Test menunjukkan Sig. = 0,021 (di bawah 0,05)? Ini artinya H0 ditolak — model tidak fit dengan data. Langkah yang benar:

1. Jangan lanjut interpretasi tabel Variables in the Equation — odds ratio apa pun dari model yang belum fit tidak bisa dipercaya.
2. Cek kembali apakah ada variabel independen penting yang belum dimasukkan ke model, atau apakah hubungan antar variabel sebenarnya tidak linear pada skala logit.
3. Pertimbangkan transformasi variabel atau penambahan variabel kontrol, lalu jalankan ulang regresi dan cek ulang Hosmer-Lemeshow Test.
4. Kalau tetap tidak fit setelah beberapa penyesuaian, pertimbangkan apakah regresi logistik adalah metode yang tepat untuk data dan pertanyaan penelitianmu.

Kesalahan Umum Membaca Output Regresi Logistik

1. Salah mencocokkan arah interpretasi dengan tanda koefisien — seperti kesalahan yang dikoreksi di atas. Koefisien negatif harus diinterpretasikan sebagai penurunan odds, bukan kenaikan.
2. Langsung interpretasi odds ratio tanpa cek kelayakan model dulu. Urutannya penting: Overall Model Fit dan Hosmer-Lemeshow Test dulu, baru Variables in the Equation.
3. Menyimpulkan Nagelkerke R Square rendah berarti model buruk. R Square pada regresi logistik cenderung lebih rendah dibanding regresi linear secara umum — nilai yang dianggap "baik" bergantung konteks bidang penelitian, bukan angka baku universal.
4. Salah interpretasi Exp(B) sebagai persentase perubahan, bukan odds ratio. Exp(B) = 1,96 berarti odds naik 1,96 kali lipat, bukan "naik 96%" — meski secara matematis mirip untuk nilai kecil, keduanya konsep yang berbeda dan sebaiknya dijelaskan sebagai odds ratio secara eksplisit.

> Catatan dari Rahmat, Statistical Analyst: Kesalahan nomor 1 ini yang baru saja saya koreksi di contoh interpretasi koefisien di atas — bahkan draf awal artikel ini pun sempat salah arah. Ini menunjukkan betapa mudahnya arah interpretasi terbalik kalau tidak hati-hati mencocokkan tanda koefisien dengan kesimpulan. Selalu double-check: koefisien negatif = odds turun, koefisien positif = odds naik.

Jika kamu membutuhkan bantuan analisis regresi logistik secara menyeluruh. Kami menawarkan Jasa Olah Data Statistik selesai dalam 1–2 hari.