Analisis Regresi Logistik

Simulasi Analisis Regresi Logistik - MEDIA BASTARI

Konsep Dasar Regresi Logistik

Regresi logistik merupakan metode analisis statistika yang digunakan ketika variabel terikat berbentuk kategori dan bertujuan untuk memprediksi peluang suatu observasi masuk ke dalam kategori tertentu. Berbeda dengan regresi linear yang memprediksi nilai numerik, regresi logistik menggunakan fungsi logit untuk menghubungkan variabel bebas dengan peluang kejadian, sehingga hasil akhirnya berupa probabilitas. Metode ini banyak digunakan dalam berbagai kasus, seperti bisnis, kesehatan, sosial, pemasaran, dan manajemen risiko, misalnya untuk memprediksi apakah pelanggan akan membeli atau tidak, mahasiswa lulus atau tidak, konsumen puas atau tidak, serta pilihan produk yang paling mungkin dipilih. Pemilihan jenis regresi logistik disesuaikan dengan bentuk kategori variabel terikat. Dashboard ini digunakan untuk mensimulasikan regresi logistik biner, ordinal, dan multinomial. Mahasiswa dapat mengunggah data sendiri, memilih variabel Y, memilih variabel X, serta melihat evaluasi model.

Jenis-Jenis Regresi Logistik

1. Regresi Logistik Biner

Regresi logistik biner digunakan ketika variabel terikat hanya memiliki dua kategori. Contohnya adalah keputusan membeli atau tidak membeli, churn atau tidak churn, lulus atau tidak lulus, dan berhasil atau gagal. Dalam bentuk ini, kategori biasanya dikodekan sebagai 0 dan 1. Nilai 1 menunjukkan kejadian yang menjadi fokus analisis, sedangkan nilai 0 menunjukkan kejadian pembanding.

2. Regresi Logistik Ordinal

Regresi logistik ordinal digunakan ketika variabel terikat memiliki lebih dari dua kategori yang berurutan atau bertingkat. Contohnya adalah tingkat kepuasan rendah, sedang, dan tinggi; tingkat risiko rendah, sedang, dan tinggi; atau penilaian layanan buruk, cukup, baik, dan sangat baik. Karena kategori memiliki urutan, informasi urutan tersebut perlu dipertahankan dalam analisis.

3. Regresi Logistik Multinomial

Regresi logistik multinomial digunakan ketika variabel terikat memiliki lebih dari dua kategori yang tidak memiliki urutan alami. Contohnya adalah pilihan metode pembayaran, pilihan merek, jenis produk yang dipilih, atau kanal belanja yang digunakan konsumen. Pada model ini, salah satu kategori dijadikan kategori referensi, kemudian kategori lainnya dibandingkan terhadap kategori referensi tersebut. Model multinomial cocok digunakan ketika kategori bersifat nominal. Interpretasi koefisien dilakukan dengan melihat peluang relatif suatu kategori dibandingkan kategori referensi.

Uji Asumsi Regresi Logistik

Regresi logistik memiliki asumsi yang berbeda dengan regresi linear karena variabel dependennya berbentuk kategorik. Oleh karena itu, regresi logistik tidak mensyaratkan normalitas residual dan homoskedastisitas seperti pada regresi linear.

1. Variabel dependen berbentuk kategorik, baik biner, ordinal, maupun multinomial
2. Observasi bersifat independen, artinya setiap data tidak saling bergantung satu sama lain.
3. Tidak terjadi multikolinearitas tinggi antarvariabel independen, sehingga model tetap stabil.
4. Prediktor numerik memiliki hubungan linear dengan logit, bukan linear langsung dengan variabel dependen.
5. Jumlah sampel pada setiap kategori mencukupi, agar estimasi model tidak bias atau tidak stabil.
6. Tidak terdapat outlier atau separation yang ekstrem, karena dapat membuat koefisien model menjadi terlalu besar atau sulit diinterpretasikan.
7. Khusus regresi logistik ordinal, perlu memenuhi asumsi proportional odds atau kesamaan pengaruh prediktor pada setiap tingkatan kategori.