Membangkitkan Data

Skenario

A : Tingkat Kesejahteraan Mahasiswa P1 : Jumlah Jam Tidur Permalam (Jam) P2 : Aktivitas fisik Perminggu (0: Tidak Beraktivitas, 1: Seminggu Sekali, 2: Seminggu Tiga Kali) P3 : Pola Makan Sehat (0: Tidak Teratur, 1: Teratur) P4 : Tingkat Stres Akademik (skala 0%-50%)

Membangkitkan data P1

P1 : Jumlah Jam Tidur Permalam (Jam) Membangkitkan variabel P1 dengan lama jam tidur 0-24 jam dengan nilai tengah 12 dan banyak mahasiswa adalah 100

set.seed(100)
n <- 100
u <- runif(n)

P1 <- round(24*(-log(1-u)/12))
P1
##   [1] 1 1 2 0 1 1 3 1 2 0 2 4 1 1 3 2 0 1 1 2 2 2 2 3 1 0 3 4 2 1 1 5 1 6 2 4 0
##  [38] 2 9 0 1 4 3 4 2 1 3 4 0 1 1 0 1 1 2 1 0 1 2 0 1 2 6 2 1 1 1 1 1 2 1 1 2 7
##  [75] 2 2 4 3 4 0 1 2 5 8 0 2 3 1 1 3 5 0 1 1 5 1 1 0 0 3

Membangkitkan data P2

P2 : Aktivitas fisik Perminggu Keterangan yang digunakan (0: Tidak Beraktivitas) dan (1: Seminggu Sekali) dan (2: Seminggu Tiga Kali)

set.seed(189)
P2 <- round(runif(n))
P2
##   [1] 1 1 1 1 0 0 0 0 0 0 1 1 1 1 0 0 1 0 1 1 1 1 0 1 0 1 1 1 1 0 0 0 1 0 1 1 1
##  [38] 1 1 1 1 0 1 0 1 0 0 1 0 1 1 0 0 0 0 1 0 0 1 0 1 0 1 0 0 1 1 0 1 0 0 0 0 0
##  [75] 1 1 1 1 0 1 1 1 0 0 1 0 0 1 1 1 1 1 0 1 1 1 0 0 1 0

Membangkitkan data P3

P3 : Pola Makan Sehat (0: Tidak Teratur, 1: Teratur) keterangan yang digunakan (0: Tidak Teratur) dan (1: Teratur)

set.seed(137)
P3 <- round(runif(n))
P3
##   [1] 1 0 1 1 0 1 1 1 1 0 1 1 1 1 1 0 1 0 0 1 0 1 1 0 0 0 1 0 1 0 1 1 0 1 0 0 1
##  [38] 0 1 1 0 0 0 1 1 0 0 1 0 1 1 0 1 1 1 0 0 0 1 0 1 0 1 0 1 0 1 1 1 1 1 0 0 0
##  [75] 1 0 0 1 0 0 1 1 1 1 0 1 0 0 0 1 1 0 1 0 0 0 0 0 1 0

Membangkitkan data P4

P4 adalah data Tingkat Stres Akademik Keterangan yang digunakan (skala 0-5)

set.seed(776)
P4 <- round(rnorm(n,3,0.5),2)
P4
##   [1] 3.35 2.20 3.27 3.95 3.25 2.88 2.93 2.71 3.46 2.76 3.88 3.23 3.32 2.65 2.69
##  [16] 3.94 2.76 2.68 3.11 2.43 2.54 2.20 2.85 2.18 2.78 2.57 3.38 2.60 2.86 3.03
##  [31] 2.82 2.46 2.98 3.24 2.57 3.48 2.98 2.38 2.83 2.16 3.30 2.82 2.62 3.44 3.03
##  [46] 2.86 2.95 2.77 2.48 3.35 3.56 3.26 3.18 2.42 3.16 3.53 2.73 2.70 3.40 3.10
##  [61] 3.15 1.86 3.15 3.27 1.69 2.85 3.24 3.63 2.74 3.11 2.96 2.84 2.58 4.04 2.81
##  [76] 3.69 3.33 3.11 2.80 2.87 2.30 3.07 2.88 2.91 3.83 2.28 2.27 2.50 3.06 2.73
##  [91] 3.94 3.19 3.17 2.82 2.52 2.86 2.75 2.30 3.29 2.76

Membangkitkan data A

Menentukan koef

b0 <- -11
b1 <- 1.5
b2 <- 2.0
b3 <- 2.3
b4 <- 1.2
set.seed(1)
datapendukung <- b0+(b1*P1)+(b2*P2)+(b3*P3)+(b4*P4)
datapendukung
##   [1] -1.180 -4.860  0.224 -1.960 -5.600 -3.744 -0.684 -3.948 -1.548 -7.688
##  [11]  0.956  3.176 -1.216 -2.020 -0.972 -3.272 -3.388 -6.284 -3.768 -0.784
##  [21] -2.952 -1.060 -2.280 -1.884 -6.164 -5.916  1.856  0.120 -0.268 -5.864
##  [31] -3.816  1.752 -3.924  4.188 -2.916  1.176 -3.124 -3.144 10.196 -4.108
##  [41] -3.540 -1.616 -1.356  1.428 -0.064 -6.068 -2.960  2.624 -8.024 -1.180
##  [51] -0.928 -7.088 -3.384 -4.296 -1.908 -3.264 -7.724 -6.260  0.380 -7.280
##  [61] -1.420 -5.768  6.080 -4.076 -5.172 -4.080 -1.312 -2.844 -1.912 -1.968
##  [71] -3.648 -6.092 -4.904  4.348 -0.328 -1.572  0.996  1.532 -1.640 -5.556
##  [81] -2.440 -0.016  2.256  6.792 -4.404 -2.964 -3.776 -4.500 -3.828  1.076
##  [91]  5.528 -5.172 -3.396 -4.116  1.524 -4.068 -6.200 -8.240 -2.752 -3.188
p <- exp(datapendukung)/(1+exp(datapendukung))
p
##   [1] 0.2350521962 0.0076908759 0.5557670143 0.1234670476 0.0036842399
##   [6] 0.0231124526 0.3353691296 0.0189280658 0.1753753180 0.0004580839
##  [11] 0.7223202242 0.9599210584 0.2286411422 0.1171189909 0.2744820393
##  [16] 0.0365443453 0.0326726065 0.0018624468 0.0225767314 0.3134584354
##  [21] 0.0496420711 0.2573094547 0.0927929531 0.1319301005 0.0020994044
##  [26] 0.0026887138 0.8648300339 0.5299640518 0.4333981578 0.0028318195
##  [31] 0.0215414382 0.8522048829 0.0193789247 0.9850502783 0.0513682698
##  [36] 0.7642278311 0.0421280627 0.0413283470 0.9999626821 0.0161747008
##  [41] 0.0281952880 0.1657572581 0.2048911762 0.8065895013 0.4840054591
##  [46] 0.0023104496 0.0492660061 0.9323902975 0.0003274001 0.2350521962
##  [51] 0.2833306472 0.0008343691 0.0327992635 0.0134398516 0.1292057085
##  [56] 0.0368270628 0.0004418934 0.0019075999 0.5938731029 0.0006887109
##  [61] 0.1946615836 0.0031162618 0.9977170471 0.0166918824 0.0056412073
##  [66] 0.0166263561 0.2121523642 0.0549922948 0.1287563292 0.1226038688
##  [71] 0.0253821320 0.0022557826 0.0073622515 0.9872324660 0.4187273334
##  [76] 0.1719314628 0.7302714044 0.8222987497 0.1624650626 0.0038493278
##  [81] 0.0801729122 0.4960000853 0.9051668277 0.9988785380 0.0120806030
##  [86] 0.0490789880 0.0224008678 0.0109869426 0.0212899562 0.7457362744
##  [91] 0.9960418006 0.0056412073 0.0324207087 0.0160478876 0.8211267459
##  [96] 0.0168236975 0.0020253204 0.0002638146 0.0599737970 0.0396198097
set.seed(5)
A <- rbinom(n,1,p)
A
##   [1] 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0
##  [38] 0 1 0 0 0 1 1 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 1 0 1 0 0 0 0 1
##  [75] 0 1 1 1 0 0 1 1 1 1 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0
datagab <- data.frame(A,P1,P2,P3,P4)
datagab
##     A P1 P2 P3   P4
## 1   0  1  1  1 3.35
## 2   0  1  1  0 2.20
## 3   0  2  1  1 3.27
## 4   0  0  1  1 3.95
## 5   0  1  0  0 3.25
## 6   0  1  0  1 2.88
## 7   0  3  0  1 2.93
## 8   0  1  0  1 2.71
## 9   1  2  0  1 3.46
## 10  0  0  0  0 2.76
## 11  1  2  1  1 3.88
## 12  1  4  1  1 3.23
## 13  0  1  1  1 3.32
## 14  0  1  1  1 2.65
## 15  0  3  0  1 2.69
## 16  0  2  0  0 3.94
## 17  0  0  1  1 2.76
## 18  0  1  0  0 2.68
## 19  0  1  1  0 3.11
## 20  1  2  1  1 2.43
## 21  0  2  1  0 2.54
## 22  0  2  1  1 2.20
## 23  0  2  0  1 2.85
## 24  0  3  1  0 2.18
## 25  0  1  0  0 2.78
## 26  0  0  1  0 2.57
## 27  1  3  1  1 3.38
## 28  0  4  1  0 2.60
## 29  0  2  1  1 2.86
## 30  0  1  0  0 3.03
## 31  0  1  0  1 2.82
## 32  1  5  0  1 2.46
## 33  0  1  1  0 2.98
## 34  1  6  0  1 3.24
## 35  0  2  1  0 2.57
## 36  1  4  1  0 3.48
## 37  0  0  1  1 2.98
## 38  0  2  1  0 2.38
## 39  1  9  1  1 2.83
## 40  0  0  1  1 2.16
## 41  0  1  1  0 3.30
## 42  0  4  0  0 2.82
## 43  1  3  1  0 2.62
## 44  1  4  0  1 3.44
## 45  1  2  1  1 3.03
## 46  0  1  0  0 2.86
## 47  0  3  0  0 2.95
## 48  1  4  1  1 2.77
## 49  0  0  0  0 2.48
## 50  0  1  1  1 3.35
## 51  0  1  1  1 3.56
## 52  0  0  0  0 3.26
## 53  0  1  0  1 3.18
## 54  0  1  0  1 2.42
## 55  1  2  0  1 3.16
## 56  0  1  1  0 3.53
## 57  0  0  0  0 2.73
## 58  0  1  0  0 2.70
## 59  1  2  1  1 3.40
## 60  0  0  0  0 3.10
## 61  0  1  1  1 3.15
## 62  0  2  0  0 1.86
## 63  1  6  1  1 3.15
## 64  1  2  0  0 3.27
## 65  0  1  0  1 1.69
## 66  0  1  1  0 2.85
## 67  1  1  1  1 3.24
## 68  0  1  0  1 3.63
## 69  1  1  1  1 2.74
## 70  0  2  0  1 3.11
## 71  0  1  0  1 2.96
## 72  0  1  0  0 2.84
## 73  0  2  0  0 2.58
## 74  1  7  0  0 4.04
## 75  0  2  1  1 2.81
## 76  1  2  1  0 3.69
## 77  1  4  1  0 3.33
## 78  1  3  1  1 3.11
## 79  0  4  0  0 2.80
## 80  0  0  1  0 2.87
## 81  1  1  1  1 2.30
## 82  1  2  1  1 3.07
## 83  1  5  0  1 2.88
## 84  1  8  0  1 2.91
## 85  0  0  1  0 3.83
## 86  0  2  0  1 2.28
## 87  0  3  0  0 2.27
## 88  0  1  1  0 2.50
## 89  0  1  1  0 3.06
## 90  1  3  1  1 2.73
## 91  1  5  1  1 3.94
## 92  0  0  1  0 3.19
## 93  0  1  0  1 3.17
## 94  0  1  1  0 2.82
## 95  1  5  1  0 2.52
## 96  0  1  1  0 2.86
## 97  0  1  0  0 2.75
## 98  0  0  0  0 2.30
## 99  0  0  1  1 3.29
## 100 0  3  0  0 2.76

Analisis Regresi Logistik

modelreglog <- glm(A ~ P1 + P2 + P3 + P4, family = binomial(link="logit"),data=datagab)
summary(modelreglog)
## 
## Call:
## glm(formula = A ~ P1 + P2 + P3 + P4, family = binomial(link = "logit"), 
##     data = datagab)
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -12.1820     3.2768  -3.718 0.000201 ***
## P1            1.5933     0.3700   4.307 1.66e-05 ***
## P2            2.0014     0.7986   2.506 0.012205 *  
## P3            2.1167     0.8210   2.578 0.009933 ** 
## P4            1.7781     0.8623   2.062 0.039192 *  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 122.173  on 99  degrees of freedom
## Residual deviance:  55.788  on 95  degrees of freedom
## AIC: 65.788
## 
## Number of Fisher Scoring iterations: 6

kesimpulan menurut saya dengan hanya menyimpulkan P1 ternyata banyak sekali mahasiswa yang hanya tidur 1 jam sehari dan hal tersebut dapet mengganggu kegiatan mahasiswa dihari berikutnya dan pada bagian P2 banyak sekali mahasiswa yang tidak melakukan olahraga mungkin dikarenakan kepadatan jadwal dan mungkin tidak fit untuk berolahhhraga dipagi hari, untuk bagian P3 walaupun mahasiswa tidak tidur sesua kebutuan dan tidak berolahrhaga perminggunya tetapi para maasihswa tetap mengatur pola makannya dan untuk P4 mahasiswa mengalami stres ringan