Membangkitkan Data

Skenario

Y : Keputusan menolak/menerima siswa yang akan masuk di SMA Negeri 1 Wonoyoso X1 : Lama dia menempuh pendidikan (tahun) X2 : Status pendidikan saat ini (0: Lulus 1: Tidak Lulus) X3 : Tingkat pendidikan (0: MTs , 1: SMP) X4 : Nilai (Skala 10)

Membangkita Data X1

X1 : Lama dia menempuh pendidikan (tahun) Membangkitkan Variabel X1 dengan lama pendidikan 3 tahun dengan nilai tengah 2 dan banyak pendaftar adalah 150

set.seed(1)
n <- 150
u <- runif(n)

X1 <- round (3*(-(log(1-u)/2)))
X1
##   [1] 0 1 1 4 0 3 4 2 1 0 0 0 2 1 2 1 2 7 1 2 4 0 2 0 0 1 0 1 3 1 1 1 1 0 3 2 2
##  [38] 0 2 1 3 2 2 1 1 2 0 1 2 2 1 3 1 0 0 0 1 1 2 1 4 1 1 1 2 0 1 2 0 3 1 3 1 1
##  [75] 1 3 3 1 2 5 1 2 1 1 2 0 2 0 0 0 0 0 2 3 2 2 1 1 2 1 2 1 0 7 2 0 0 1 4 1 6
## [112] 2 1 1 0 0 2 0 1 2 7 1 1 0 2 1 1 0 0 1 1 0 0 2 4 1 1 1 6 1 2 1 0 0 2 1 0 2
## [149] 0 3

Membangkitkan Data X2

X2 : Status pendidikan siswa saat ini Status kelulusan yang diterima untuk setiap siswa (0=Lulus) dan (1=Tidak Lulus)

set.seed(46)
X2 <- round(runif(n))
X2
##   [1] 0 0 1 0 0 1 1 1 1 1 0 0 1 0 1 1 1 0 1 1 1 0 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0
##  [38] 1 1 1 0 0 0 1 0 0 1 1 0 0 0 1 0 0 1 1 0 0 1 0 0 1 1 0 0 0 0 1 1 0 0 0 1 0
##  [75] 0 1 0 1 1 1 1 0 1 0 0 1 0 1 1 1 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 1 1 1 0 0
## [112] 0 1 0 0 1 1 0 0 1 1 0 1 1 1 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 0 0 0 1 1 1 0 1
## [149] 0 1

Membangkitkan data x3

X3 : Tingkat Pendidikan Siswa pendaftar di SMA Negeri 1 Wonoyoso Lulusan (0:MTs , 1:SMP )

set.seed(4)
X3 <- round(runif(n))
X3
##   [1] 1 0 0 0 1 0 1 1 1 0 1 0 0 1 0 0 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 0 1 0
##  [38] 1 0 0 1 0 1 0 1 0 1 1 1 1 0 1 1 1 1 0 0 0 1 1 1 0 1 1 0 1 0 1 1 1 0 1 0 0
##  [75] 1 1 0 0 0 0 1 1 1 1 1 0 0 1 0 1 0 0 1 0 0 0 1 0 0 1 0 1 0 1 0 1 1 0 1 1 0
## [112] 0 0 0 1 1 0 1 1 0 0 0 1 0 0 1 1 0 1 0 0 0 0 0 1 1 1 0 0 0 1 1 0 1 0 0 1 1
## [149] 1 0

Membangkitkan data X4

X4 adalah data siswa dengan skala nilai 10

set.seed(2)
X4 <- sample(1:10,150, replace = TRUE)
X4
##   [1]  5  6  6  8  1  1  9  2  1  3  6  2  3  7  8  7  1  6  9  4  6  9  8  6  3
##  [26]  9  7  8  6  2  7  2  3  4  3  1  7  9  1  2  8  4  5  2  5  6  7  2  6  4
##  [51]  4  9 10  2  6  6  3  3  8  6  1  5  6  1 10  9  5  8  4  1  1  5  9 10  5
##  [76]  1  9  2  9  7  4  1  4  6  8  9  6  7  7  3  5  4  5  9  5 10  3  1  7  9
## [101]  5  3  3  6  1  2 10  4  9  1  7  3  5  8  4  2  8  1  5  4  7  8  3  8 10
## [126]  1  1  4 10  2  4  2  6  6  3  5  5  2  2  6  3  5  2  4  2  7  2  5  8  3

Membangkitkan data Y

Menentukan Koef

b0 <- -10
b1 <- 0.1
b2 <- 1
b3 <- 0.2
b4 <- 1.1
set.seed(10)
datapendukung <- b0+(b1*X1)+(b2*X2)+(b3*X3)+(b4*X4)
datapendukung
##   [1] -4.3 -3.3 -2.3 -0.8 -8.7 -7.6  1.5 -6.4 -7.6 -5.7 -3.2 -7.8 -5.5 -2.0  0.0
##  [16] -1.2 -7.5 -2.5  1.2 -4.2 -1.8  0.1  0.2 -3.4 -6.5  0.2 -2.3 -0.9 -2.9 -7.5
##  [31] -2.0 -6.7 -5.4 -4.4 -5.4 -8.5 -2.1  1.1 -7.7 -6.7 -0.7 -5.4 -4.1 -6.7 -4.2
##  [46] -3.2 -1.1 -6.5 -3.0 -5.2 -5.5  1.4  1.3 -7.6 -2.2 -2.4 -6.6 -6.6  0.2 -3.1
##  [61] -8.3 -3.4 -2.1 -8.6  1.2  0.1 -4.4  0.2 -4.4 -8.4 -8.8 -4.0  1.0  1.1 -4.2
##  [76] -7.4  0.2 -6.7  1.1 -0.8 -4.3 -8.5 -4.3 -3.1 -0.8  0.9 -3.2 -1.1 -1.3 -5.5
##  [91] -4.5 -5.6 -3.1  0.2 -4.3  1.2 -5.4 -8.8 -2.1  0.2 -3.3 -5.4 -6.7 -2.5 -8.7
## [106] -7.6  2.2 -4.5  1.5 -8.6 -1.7 -6.5 -3.4 -1.1 -5.4 -6.6  0.0 -8.7 -4.2 -4.4
## [121] -0.6 -1.1 -5.4 -0.2  2.2 -8.6 -8.6 -5.6  2.2 -6.7 -4.5 -7.8 -2.4 -2.2 -5.1
## [136] -3.2 -3.2 -6.7 -6.2 -2.3 -6.3 -4.2 -7.8 -4.4 -6.6 -1.2 -7.6 -3.1 -1.0 -5.4
p <- exp(datapendukung)/(1+exp(datapendukung))
p
##   [1] 0.0133869178 0.0355711893 0.0911229610 0.3100255189 0.0001665581
##   [6] 0.0005002011 0.8175744762 0.0016588011 0.0005002011 0.0033348073
##  [11] 0.0391657228 0.0004095672 0.0040701377 0.1192029220 0.5000000000
##  [16] 0.2314752165 0.0005527786 0.0758581800 0.7685247835 0.0147740317
##  [21] 0.1418510649 0.5249791875 0.5498339973 0.0322954647 0.0015011823
##  [26] 0.5498339973 0.0911229610 0.2890504974 0.0521535631 0.0005527786
##  [31] 0.1192029220 0.0012293986 0.0044962732 0.0121284350 0.0044962732
##  [36] 0.0002034270 0.1090968212 0.7502601056 0.0004526222 0.0012293986
##  [41] 0.3318122278 0.0044962732 0.0163024994 0.0012293986 0.0147740317
##  [46] 0.0391657228 0.2497398944 0.0015011823 0.0474258732 0.0054862989
##  [51] 0.0040701377 0.8021838886 0.7858349830 0.0005002011 0.0997504891
##  [56] 0.0831726965 0.0013585200 0.0013585200 0.5498339973 0.0431072549
##  [61] 0.0002484551 0.0322954647 0.1090968212 0.0001840719 0.7685247835
##  [66] 0.5249791875 0.0121284350 0.5498339973 0.0121284350 0.0002248168
##  [71] 0.0001507104 0.0179862100 0.7310585786 0.7502601056 0.0147740317
##  [76] 0.0006108794 0.5498339973 0.0012293986 0.7502601056 0.3100255189
##  [81] 0.0133869178 0.0002034270 0.0133869178 0.0431072549 0.3100255189
##  [86] 0.7109495026 0.0391657228 0.2497398944 0.2141650170 0.0040701377
##  [91] 0.0109869426 0.0036842399 0.0431072549 0.5498339973 0.0133869178
##  [96] 0.7685247835 0.0044962732 0.0001507104 0.1090968212 0.5498339973
## [101] 0.0355711893 0.0044962732 0.0012293986 0.0758581800 0.0001665581
## [106] 0.0005002011 0.9002495109 0.0109869426 0.8175744762 0.0001840719
## [111] 0.1544652651 0.0015011823 0.0322954647 0.2497398944 0.0044962732
## [116] 0.0013585200 0.5000000000 0.0001665581 0.0147740317 0.0121284350
## [121] 0.3543436938 0.2497398944 0.0044962732 0.4501660027 0.9002495109
## [126] 0.0001840719 0.0001840719 0.0036842399 0.9002495109 0.0012293986
## [131] 0.0109869426 0.0004095672 0.0831726965 0.0997504891 0.0060598015
## [136] 0.0391657228 0.0391657228 0.0012293986 0.0020253204 0.0911229610
## [141] 0.0018329389 0.0147740317 0.0004095672 0.0121284350 0.0013585200
## [146] 0.2314752165 0.0005002011 0.0431072549 0.2689414214 0.0044962732
set.seed(2)
y <- rbinom(n,1,p)
y
##   [1] 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0
##  [38] 1 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 1 1
##  [75] 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0
## [112] 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## [149] 0 0
datagab <- data.frame(y,X1,X2,X3,X4)
datagab
##     y X1 X2 X3 X4
## 1   0  0  0  1  5
## 2   0  1  0  0  6
## 3   0  1  1  0  6
## 4   0  4  0  0  8
## 5   0  0  0  1  1
## 6   0  3  1  0  1
## 7   1  4  1  1  9
## 8   0  2  1  1  2
## 9   0  1  1  1  1
## 10  0  0  1  0  3
## 11  0  0  0  1  6
## 12  0  0  0  0  2
## 13  0  2  1  0  3
## 14  0  1  0  1  7
## 15  0  2  1  0  8
## 16  1  1  1  0  7
## 17  0  2  1  1  1
## 18  0  7  0  1  6
## 19  1  1  1  1  9
## 20  0  2  1  1  4
## 21  0  4  1  1  6
## 22  1  0  0  1  9
## 23  0  2  1  1  8
## 24  0  0  0  0  6
## 25  0  0  0  1  3
## 26  1  1  0  1  9
## 27  0  0  0  0  7
## 28  0  1  0  1  8
## 29  1  3  0  1  6
## 30  0  1  0  1  2
## 31  0  1  0  1  7
## 32  0  1  1  0  2
## 33  0  1  1  1  3
## 34  0  0  1  1  4
## 35  0  3  1  0  3
## 36  0  2  0  1  1
## 37  0  2  0  0  7
## 38  1  0  1  1  9
## 39  0  2  1  0  1
## 40  0  1  1  0  2
## 41  1  3  0  1  8
## 42  0  2  0  0  4
## 43  0  2  0  1  5
## 44  0  1  1  0  2
## 45  0  1  0  1  5
## 46  0  2  0  0  6
## 47  1  0  1  1  7
## 48  0  1  1  1  2
## 49  0  2  0  1  6
## 50  0  2  0  1  4
## 51  0  1  0  0  4
## 52  1  3  1  1  9
## 53  1  1  0  1 10
## 54  0  0  0  1  2
## 55  0  0  1  1  6
## 56  0  0  1  0  6
## 57  0  1  0  0  3
## 58  0  1  0  0  3
## 59  0  2  1  1  8
## 60  0  1  0  1  6
## 61  0  4  0  1  1
## 62  0  1  1  0  5
## 63  0  1  1  1  6
## 64  0  1  0  1  1
## 65  0  2  0  0 10
## 66  1  0  0  1  9
## 67  0  1  0  0  5
## 68  1  2  1  1  8
## 69  0  0  1  1  4
## 70  0  3  0  1  1
## 71  0  1  0  0  1
## 72  0  3  0  1  5
## 73  1  1  1  0  9
## 74  1  1  0  0 10
## 75  0  1  0  1  5
## 76  0  3  1  1  1
## 77  1  3  0  0  9
## 78  0  1  1  0  2
## 79  1  2  1  0  9
## 80  0  5  1  0  7
## 81  0  1  1  1  4
## 82  0  2  0  1  1
## 83  0  1  1  1  4
## 84  0  1  0  1  6
## 85  0  2  0  1  8
## 86  0  0  1  0  9
## 87  1  2  0  0  6
## 88  0  0  1  1  7
## 89  0  0  1  0  7
## 90  0  0  1  1  3
## 91  0  0  0  0  5
## 92  0  0  0  0  4
## 93  0  2  1  1  5
## 94  0  3  0  0  9
## 95  0  2  0  0  5
## 96  1  2  0  0 10
## 97  0  1  1  1  3
## 98  0  1  0  0  1
## 99  0  2  0  0  7
## 100 1  1  0  1  9
## 101 0  2  1  0  5
## 102 0  1  1  1  3
## 103 0  0  0  0  3
## 104 0  7  0  1  6
## 105 0  2  0  0  1
## 106 0  0  0  1  2
## 107 1  0  1  1 10
## 108 0  1  1  0  4
## 109 1  4  1  1  9
## 110 0  1  0  1  1
## 111 0  6  0  0  7
## 112 0  2  0  0  3
## 113 0  1  1  0  5
## 114 0  1  0  0  8
## 115 0  0  0  1  4
## 116 0  0  1  1  2
## 117 1  2  1  0  8
## 118 0  0  0  1  1
## 119 0  1  0  1  5
## 120 0  2  1  0  4
## 121 0  7  1  0  7
## 122 0  1  0  0  8
## 123 0  1  1  1  3
## 124 1  0  1  0  8
## 125 1  2  1  0 10
## 126 0  1  0  1  1
## 127 0  1  0  1  1
## 128 0  0  0  0  4
## 129 1  0  1  1 10
## 130 0  1  1  0  2
## 131 0  1  1  0  4
## 132 0  0  0  0  2
## 133 0  0  1  0  6
## 134 1  2  1  0  6
## 135 0  4  1  1  3
## 136 0  1  1  1  5
## 137 0  1  1  1  5
## 138 0  1  1  0  2
## 139 0  6  1  0  2
## 140 0  1  1  0  6
## 141 0  2  0  1  3
## 142 0  1  0  1  5
## 143 0  0  0  0  2
## 144 0  0  1  1  4
## 145 0  2  1  0  2
## 146 0  1  1  0  7
## 147 0  0  0  1  2
## 148 0  2  1  1  5
## 149 0  0  0  1  8
## 150 0  3  1  0  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) -11.0550     2.1631  -5.111 3.21e-07 ***
## X1           -0.0196     0.2106  -0.093    0.926    
## X2            1.0451     0.6663   1.568    0.117    
## X3            0.7289     0.6609   1.103    0.270    
## X4            1.2510     0.2449   5.109 3.23e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 141.418  on 149  degrees of freedom
## Residual deviance:  62.784  on 145  degrees of freedom
## AIC: 72.784
## 
## Number of Fisher Scoring iterations: 7

Kesimpulan

Berdasarkan skenario yang diberikan, terdapat beberapa variabel yang mempengaruhi keputusan menolak/menerima siswa di SMA Negeri 1 Wonoyoso, yaitu X1 (Lama menempuh pendidikan), X2 (Status pendidikan saat ini), X3 (Tingkat pendidikan), dan X4 (Nilai). Dari hasil analisis regresi tersebut, dapat disimpulkan bahwa variabel yang memiliki pengaruh signifikan terhadap keputusan tersebut adalah X4 (Nilai), dan intercept. Hal ini dapat dilihat dari koefisien yang signifikan dan nilai p-value yang lebih rendah untuk variabel X4, dan intercept dibandingkan dengan variabel lainnya.Dengan demikian, dalam skenario ini, nilai siswa, dan intercept (yang mewakili faktor-faktor lain yang tidak dimodelkan) lebih berpengaruh signifikan terhadap keputusan menolak/menerima siswa di SMA Negeri 1 Wonoyoso dibandingkan dengan status pendidikan saat ini dan tingkat pendidikan.