Analisis regresi logistik merupakan salah satu metode statistik yang sangat penting dalam penelitian epidemiologi, khususnya dalam studi penyakit menular. Metode ini digunakan untuk menganalisis hubungan antara satu atau lebih variabel independen dengan variabel dependen yang bersifat kategorik, biasanya berbentuk biner seperti “terinfeksi” atau “tidak terinfeksi”. Dalam konteks epidemiologi penyakit menular, regresi logistik membantu peneliti memahami faktor-faktor risiko yang berkontribusi terhadap penyebaran suatu penyakit.
Pada dasarnya, regresi logistik berbeda dengan regresi linear karena variabel hasilnya tidak berupa nilai kontinu, melainkan probabilitas kejadian suatu peristiwa. Model regresi logistik memprediksi peluang (probability) terjadinya suatu kejadian dengan menggunakan fungsi logit, yaitu transformasi logaritmik dari rasio peluang (odds). Persamaan dasar regresi logistik biasanya dinyatakan sebagai logit(p) = β0 + β1X1 + β2X2 + … + βkXk, di mana p merupakan probabilitas kejadian penyakit, β0 adalah konstanta, β1 hingga βk adalah koefisien regresi, dan X1 hingga Xk adalah variabel prediktor.
Dalam studi epidemiologi penyakit menular, variabel independen yang sering dianalisis meliputi faktor demografis, perilaku, lingkungan, serta kondisi kesehatan individu. Contohnya adalah usia, jenis kelamin, kepadatan tempat tinggal, tingkat kebersihan lingkungan, status imunisasi, serta frekuensi kontak dengan individu yang terinfeksi. Dengan menggunakan regresi logistik, peneliti dapat menentukan seberapa besar pengaruh masing-masing faktor terhadap kemungkinan seseorang tertular penyakit.
Salah satu keunggulan utama regresi logistik adalah kemampuannya untuk menghasilkan ukuran asosiasi yang dikenal sebagai odds ratio (OR). Nilai odds ratio menunjukkan seberapa besar kemungkinan terjadinya penyakit pada kelompok yang memiliki faktor risiko tertentu dibandingkan dengan kelompok yang tidak memiliki faktor tersebut. Jika nilai OR lebih besar dari 1, maka faktor tersebut meningkatkan risiko penyakit. Sebaliknya, jika OR kurang dari 1, faktor tersebut dapat dianggap sebagai faktor pelindung.
Selain itu, regresi logistik juga memungkinkan analisis multivariat, yaitu analisis yang mempertimbangkan beberapa variabel sekaligus dalam satu model. Hal ini sangat penting dalam epidemiologi karena kejadian penyakit menular biasanya dipengaruhi oleh berbagai faktor yang saling berkaitan. Dengan pendekatan multivariat, peneliti dapat mengontrol variabel perancu (confounding variables) sehingga hasil analisis menjadi lebih akurat dan dapat diandalkan.
Contoh penerapan regresi logistik dalam epidemiologi penyakit menular dapat ditemukan dalam penelitian tentang penyebaran tuberkulosis, COVID-19, atau demam berdarah dengue. Peneliti dapat menggunakan model regresi logistik untuk mengidentifikasi faktor-faktor yang meningkatkan risiko penularan, seperti kepadatan hunian, kebiasaan menggunakan masker, atau keberadaan genangan air di lingkungan sekitar.
Namun demikian, penggunaan regresi logistik juga memiliki beberapa keterbatasan. Model ini membutuhkan ukuran sampel yang cukup besar agar estimasi parameter stabil dan hasilnya dapat dipercaya. Selain itu, asumsi independensi antarobservasi harus dipenuhi agar model tidak menghasilkan bias. Peneliti juga perlu melakukan uji kelayakan model, seperti uji Hosmer-Lemeshow, untuk memastikan bahwa model yang digunakan sesuai dengan data yang dianalisis.
Secara keseluruhan, analisis regresi logistik merupakan alat yang sangat efektif dalam studi epidemiologi penyakit menular. Dengan metode ini, peneliti dapat mengidentifikasi faktor risiko utama, mengukur kekuatan hubungan antarvariabel, serta memberikan dasar ilmiah bagi perumusan kebijakan kesehatan masyarakat. Hasil analisis regresi logistik dapat membantu pemerintah dan tenaga kesehatan dalam merancang strategi pencegahan dan pengendalian penyakit menular secara lebih tepat sasaran dan berbasis bukti ilmiah.
