Membangkitkan Data Rental PS

Nama : Auzan Fathi Hawari
NIM : 2304220001
Program Studi : Analisis Data Eksploratif

Skenario

  • Y : Kelayakan Untuk Usaha Rental PS (0=Tidak,1=Ya)
  • X1 : Jenis Model PS (3-5)
  • X2 : Jumlah Permainan yang Tersedia
  • X3 : Kondisi PS (dalam skala 1-10, di mana 10 adalah kondisi terbaik)

  • X4 : kondisi stik ps (dalam skala 1-10, di mana 10 adalah kondisi terbaik)

    • Membangkitkan Data x1

    X1 : Usia PS (dalam bulan)

    set.seed(99)

min_models <- 3
max_models <- 5
x <- runif(20, min=min_models, max=max_models)
x1 <- round(x)
x1
    ##  [1] 4 3 4 5 4 5 4 4 4 3 4 4 3 4 4 4 4 3 3 3

    Membangkitkan Data X2

    X2 : Jumlah Permainan yang Tersedia

    set.seed(992)
n <- 20
u <- runif(n)
x2 <- round(60*u)
x2
    ##  [1] 36 48 50 24 31 22 22 41  1  3 54 52 56 25 12 59  5 57 53 25

    Membangkitkan Data X3

    x3 : Kondisi PS (dalam skala 1-10, di mana 10 adalah kondisi terbaik)

    set.seed(993)
min_conditions <- 1
max_conditions <- 10
x <- runif(20,min = min_conditions,max = max_conditions)
x3 <- round(x)
x3
    ##  [1] 10  8  6  7  1  5  9  1  1  2  9  6  5  3  8  9  9  5  2  3

    Membangkitkan Data x4

    x4 : kondisi stik ps (dalam skala 1-10, di mana 10 adalah kondisi terbaik)

    set.seed(995)
min_conditions <- 1
max_conditions <- 10
x <- runif(20,min = min_conditions,max = max_conditions)
x4 <- round(x)
x4
    ##  [1] 10  8  3  7  5  9  7  2  1  3  2  4  7  8  7  8  6  3  8  3

    Membangkitkan Data Y

    Menentukan koefisen

    b0 <- 5
b1 <- 7
b2 <- 9
b3 <- 3
b4 <- 1
    set.seed(1210)
y = b0 + (x1*b1) + (x2*b2) + (x3*b3) + (x4*b4)
y
    ##  [1] 397 490 504 284 320 262 265 407  46  62 548 523 552 275 172 599 111 557 517
## [20] 263
    p <- exp(y)/(1+exp(y))
p
    ##  [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
    set.seed(3)
y <- rbinom(n,1,p)
y
    ##  [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
    datagab <- data.frame(y,x1,x2,x3,x4)
datagab
    ##    y x1 x2 x3 x4
## 1  1  4 36 10 10
## 2  1  3 48  8  8
## 3  1  4 50  6  3
## 4  1  5 24  7  7
## 5  1  4 31  1  5
## 6  1  5 22  5  9
## 7  1  4 22  9  7
## 8  1  4 41  1  2
## 9  1  4  1  1  1
## 10 1  3  3  2  3
## 11 1  4 54  9  2
## 12 1  4 52  6  4
## 13 1  3 56  5  7
## 14 1  4 25  3  8
## 15 1  4 12  8  7
## 16 1  4 59  9  8
## 17 1  4  5  9  6
## 18 1  3 57  5  3
## 19 1  3 53  2  8
## 20 1  3 25  3  3

    Analisis Regresi Logistik

    modelreglog <- glm(y~x1+x2+x3+x4, family = binomial(link = "logit"), data=datagab)
    summary(modelreglog)
    ## 
## Call:
## glm(formula = y ~ x1 + x2 + x3 + x4, family = binomial(link = "logit"), 
##     data = datagab)
## 
## Coefficients:
##               Estimate Std. Error z value Pr(>|z|)
## (Intercept)  2.557e+01  3.589e+05       0        1
## x1           8.725e-10  8.826e+04       0        1
## x2           2.485e-11  2.746e+03       0        1
## x3           6.627e-12  1.862e+04       0        1
## x4          -3.999e-10  2.058e+04       0        1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 0.000e+00  on 19  degrees of freedom
## Residual deviance: 3.154e-10  on 15  degrees of freedom
## AIC: 10
## 
## Number of Fisher Scoring iterations: 24

    Kesimpulan

  • Semua variabel yang ada didalam data ini berpengaruh