Regresi Logistik: Pengertian dan Aplikasinya

Pendahuluan

Regresi logistik merupakan salah satu metode analisis statistik yang sangat umum digunakan dalam berbagai bidang, mulai dari ilmu sosial, kesehatan, ekonomi, sampai dunia pemasaran dan teknik. Metode ini memungkinkan peneliti atau analis untuk memodelkan probabilitas atau peluang suatu kejadian (outcome) berdasarkan satu atau lebih variabel prediktor. Dalam banyak penelitian riil, variabel outcome seringkali bersifat kategorik,misalnya “ya/tidak”, “sukses/gagal”, “terinfeksi/tidak”, dsb.,sehingga regresi logistik menjadi pilihan yang tepat dibanding regresi linier biasa.

Dalam artikel ini akan dibahas secara mendetail definisi regresi logistik, pandangan menurut KBBI dan para ahli, bentuk-bentuknya serta aplikasi nyata dari metode ini. Tujuannya agar pembaca mendapatkan gambaran menyeluruh mengenai apa itu regresi logistik dan bagaimana penerapannya di penelitian atau analisis data.

Definisi Regresi Logistik

Definisi Regresi Logistik secara Umum

Regresi logistik adalah teknik statistik untuk memodelkan hubungan antara satu atau lebih variabel independen (prediktor) dengan satu variabel dependen (respon) yang bersifat kategorik, biasanya biner. [Lihat sumber Disini - media.neliti.com]

Model ini tidak memprediksi nilai kontinu seperti regresi linier, melainkan menghasilkan probabilitas bahwa respon termasuk ke dalam salah satu kategori (misalnya “ya” vs “tidak”, “sukses” vs “gagal”). Dengan mengambil transformasi logit (log-odds), regresi logistik mampu mengubah kombinasi linear dari prediktor menjadi probabilitas antara 0 dan 1. [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]

Definisi Regresi Logistik dalam KBBI

Sayangnya, pencarian definisi “regresi logistik” dalam versi daring dari KBBI (Kamus Besar Bahasa Indonesia) tidak secara eksplisit memberikan entri terpisah untuk “regresi logistik.” Hal ini wajar karena regresi logistik adalah istilah teknis statistik yang relatif baru. Oleh karena itu, dalam praktik akademik atau penelitian, definisi dari literatur ilmiah atau buku-statistika lebih difavoritkan daripada definisi kamus sehari-hari.

Namun demikian, secara terminologi kita dapat menyusun definisi: regresi logistik adalah analisis regresi di mana variabel dependen bersifat kategorik (sering biner), dan model menghasilkan prediksi probabilitas.

Definisi Regresi Logistik Menurut Para Ahli

Berikut beberapa pendapat dari literatur/statistikawan:

• Menurut JK Harris dkk., regresi logistik (khususnya binary logistic regression) adalah metode yang cocok untuk menganalisis data survei dalam desain penelitian cross-sectional atau case–control ketika outcome bersifat dikotomi, dan variabel prediktor dapat berskala kontinu, diskrit, maupun kategorik. [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]
• Dalam tinjauan oleh S Sperandei, regresi logistik memungkinkan pemodelan peluang suatu kejadian dibanding odds dasar, serta memungkinkan penggunaan variabel prediktor kontinu dan handling banyak prediktor secara simultan, sehingga mengurangi bias akibat pengaruh kovariat (confounding). [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]
• Dalam panduan oleh Joseph M. Hilbe, regresi logistik dijelaskan sebagai prosedur statistik yang paling umum dipakai untuk pemodelan variabel dependen biner, dan sangat fleksibel untuk diterapkan di berbagai disiplin ilmu. [Lihat sumber Disini - ftp.idu.ac.id]
• Menurut ulasan dalam artikel review model regresi logistik dengan penekanan pada bidang medis, metode ini memungkinkan interpretasi melalui odds ratio (OR), serta menyediakan probabilitas kejadian dengan mempertimbangkan banyak variabel penjelas, sehingga sangat berguna dalam riset kesehatan ataupun epidemiologi. [Lihat sumber Disini - scirp.org]

Tipe dan Karakteristik Regresi Logistik

Regresi Logistik Biner

Tipe paling umum dari regresi logistik adalah regresi logistik biner, di mana variabel dependen hanya memiliki dua kategori (misalnya “ya/tidak”, “sukses/gagal”). Banyak penelitian di Indonesia menggunakan tipe ini, misalnya untuk menganalisis kemiskinan, kepuasan layanan, adopsi digital marketing, atau kelulusan mahasiswa. [Lihat sumber Disini - journal.unj.ac.id]

Sebagai contoh: penelitian berjudul “Pemodelan Regresi Logistik Berbasis Backward Elimination Untuk Mengetahui Faktor yang Memengaruhi Tingkat Kemiskinan di Indonesia Tahun 2021” menggunakan regresi logistik biner untuk memodelkan kategori kemiskinan (tinggi vs rendah). [Lihat sumber Disini - journal.unj.ac.id]

Regresi Logistik Multinomial & Ekstensi

Selain biner, ada juga varian seperti regresi logistik multinomial (multiclass), ketika variabel dependen memiliki lebih dari dua kategori. Misalnya dalam studi tentang status pasien COVID-19 (terkonfirmasi, kontak erat, suspek) di Kota Depok. [Lihat sumber Disini - jurnal.unpad.ac.id]

Di sisi lain, ada juga pertimbangan metodologis ketika data berasal dari survei kompleks (complex survey data), misalnya melibatkan stratifikasi, klaster, sampling berlapis, di mana penerapan regresi logistik harus dilakukan dengan penyesuaian tertentu agar estimasi tetap valid. [Lihat sumber Disini - researchgate.net]

Keunggulan dan Asumsi Penting

Keunggulan regresi logistik dibanding metode sederhana (misalnya regresi linear atau uji chi-square) meliputi:

• Kemampuan menangani variabel prediktor multiple (kontinu, diskrit, kategorik) secara simultan. [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]
• Memberikan output dalam bentuk probabilitas atau odds ratio (OR), sehingga interpretasi hasil lebih intuitif berkaitan dengan “kemungkinan terjadi/tidak terjadinya outcome.” [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]
• Tidak mensyaratkan variabel dependen bersifat kontinu, sehingga cocok untuk outcome kategorik. [Lihat sumber Disini - koreascience.kr]

Namun regresi logistik juga memiliki asumsi: observasi harus independen, tidak ada multikolinearitas sempurna antar prediktor, serta model perlu diperiksa kecocokan (goodness of fit), tingkat sensitivitas & spesifisitas, dan rasio jumlah observasi terhadap prediktor agar tidak overfitting. [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]

Aplikasi Regresi Logistik di Berbagai Bidang

Regresi logistik sangat fleksibel, sehingga penggunaannya tersebar di banyak bidang. Beberapa contoh aplikasi nyata, termasuk dari penelitian di Indonesia, antara lain:

• Kemiskinan dan Kesejahteraan Sosial
  • Penelitian tahun 2022 yang mengkaji faktor-faktor yang mempengaruhi tingkat kemiskinan di Indonesia (pasca pandemi) menggunakan regresi logistik biner. Variabel prediktor seperti Indeks Pembangunan Manusia (IPM) dan Gini Ratio terbukti berpengaruh signifikan terhadap kategori kemiskinan. [Lihat sumber Disini - journal.unj.ac.id]
  • Studi lain pada tahun 2025 memodelkan kerentanan ketahanan pangan dan dampak pandemi terhadap households menggunakan regresi logistik, guna memberi rekomendasi kebijakan dalam mendukung ketahanan pangan. [Lihat sumber Disini - mdpi.com]
• Digital Marketing & Adopsi Teknologi pada UMKM
  • Sebuah penelitian di Makassar (2024) menggunakan regresi logistik biner untuk menganalisis faktor-faktor yang mempengaruhi penggunaan digital marketing oleh pelaku UMKM. Temuan menunjukkan bahwa variabel seperti tingkat pendidikan memegang pengaruh signifikan terhadap adopsi digital marketing. [Lihat sumber Disini - journal.unm.ac.id]
• Pendidikan, Prediksi Kelulusan / Prestasi Mahasiswa
  • Penelitian di Indonesia menggunakan regresi logistik biner untuk memprediksi kemungkinan kelulusan mahasiswa pada mata kuliah tertentu berdasarkan variabel seperti jam belajar, nilai UTS, dsb. [Lihat sumber Disini - jurnal.uisu.ac.id]
  • Studi lain memodelkan hubungan antara critical thinking dan metode pembelajaran aktif dengan probabilitas keberhasilan akademik mahasiswa, menggunakan regresi logistik sebagai teknik utama. [Lihat sumber Disini - eu-jer.com]
• Layanan dan Kepuasan Publik
  • Misalnya, penelitian di Manado (2024) menggunakan regresi logistik biner untuk menentukan faktor-faktor kualitas pelayanan yang memengaruhi kepuasan pengguna layanan pembuatan E-KTP. Variabel seperti kehandalan, jaminan, dan empati terbukti signifikan. [Lihat sumber Disini - ejournal.unsrat.ac.id]
• Kesehatan & Riset Epidemiologi / Survei Medis
  • Dalam riset medis dan kesehatan masyarakat, regresi logistik sering dipakai untuk memprediksi probabilitas kejadian (misalnya penyakit, outcome klinis) berdasarkan faktor risiko. [Lihat sumber Disini - scirp.org]

Dengan demikian, regresi logistik merupakan alat analisis fleksibel dan kuat, cocok dalam berbagai konteks penelitian, terutama ketika outcome bersifat kategorik/dikotomi, dan ketika penelitian melibatkan beberapa variabel prediktor sekaligus.

Langkah Umum Pelaksanaan Regresi Logistik

1. Penentuan Variabel Dependen dan Independen
   Variabel dependen harus kategorik (paling sederhana biner). Variabel independen dapat berupa kontinu, diskrit, atau kategorik.
2. Pemilihan Model & Estimasi Parameter
   Biasanya digunakan metode maximum likelihood estimation (MLE) untuk menentukan koefisien regresi. [Lihat sumber Disini - media.neliti.com]
3. Uji Asumsi & Kecocokan Model
   • Pastikan observasi independen.
   • Periksa multikolinearitas antar prediktor.
   • Pastikan sampel mencukupi, banyak literatur menyarankan rasio “per prediktor : jumlah kejadian” yang memadai agar model tidak overfitting. [Lihat sumber Disini - scirp.org]
   • Lakukan uji fit (goodness-of-fit), interpretasi odds ratio (OR) dan confidence interval (CI), serta evaluasi akurasi, sensitivitas, spesifisitas jika relevan. [Lihat sumber Disini - pmc.ncbi.nlm.nih.gov]
4. Interpretasi & Pelaporan Hasil
   Hasil model biasanya dilaporkan dalam bentuk OR untuk setiap prediktor, p-value atau CI, serta metrik kecocokan/kinerja model (misalnya akurasi klasifikasi, atau ukuran lain tergantung aplikasi). [Lihat sumber Disini - researchgate.net]
5. Penerapan Hasil untuk Prediksi atau Inferensi Kebijakan
   Setelah model terbukti valid, hasil dapat digunakan untuk prediksi (probabilitas outcome) atau inferensi (memahami pengaruh prediktor terhadap hasil), misalnya menentukan faktor risiko, karakteristik target intervensi, dsb.

Keterbatasan & Perhatian dalam Menggunakan Regresi Logistik

Meskipun sangat berguna, regresi logistik tidak lepas dari keterbatasan dan potensi mis-interpretasi. Beberapa poin yang perlu diperhatikan:

• Jika jumlah event (misalnya kasus “ya”) sangat kecil dibanding jumlah prediktor, model bisa “overfitting”, artinya model tampak fit terhadap data, tapi buruk dalam generalisasi. Prinsip “satu prediktor per 10 kejadian” lazim direkomendasikan. [Lihat sumber Disini - en.wikipedia.org]
• Jika data berasal dari survei dengan desain kompleks (klaster, stratifikasi, berat sampling), penerapan regresi logistik biasa bisa menghasilkan estimasi bias; perlu penyesuaian metode. [Lihat sumber Disini - researchgate.net]
• Interpretasi odds ratio kadang membingungkan jika outcome relatif umum (bukan rare event), sehingga konversi ke probabilitas absolut atau interpretasi hati-hati diperlukan.
• Regresi logistik tidak cocok jika outcome bersifat ordinal dengan banyak tingkatan atau interval yang tak bersifat kategori sederhana, dalam kasus ini bisa dipertimbangkan model lain (ordinal logistic regression, multinomial logistic regression, dsb).

Kesimpulan

Regresi logistik adalah metode statistik yang sangat penting dan fleksibel untuk memodelkan probabilitas kejadian ketika outcome bersifat kategorik,terutama biner. Dengan kemampuannya menangani banyak variabel prediktor secara bersamaan serta menghasilkan interpretasi dalam bentuk odds atau probabilitas, regresi logistik banyak digunakan di berbagai bidang seperti kesehatan, sosial, ekonomi, pendidikan, dan pemasaran.

Namun demikian, penggunaan regresi logistik harus disertai pemahaman atas asumsi-asumsi model, rasio jumlah observasi terhadap prediktor, serta karakteristik data (misalnya desain survei) agar hasil yang diperoleh valid dan dapat diinterpretasikan dengan benar.

Secara keseluruhan, bagi peneliti maupun praktisi data, memahami regresi logistik dengan baik adalah keterampilan penting ketika berhadapan dengan data kategorik dan ingin menarik kesimpulan atau prediksi yang robust.