uts

Membangkitkan Data

Skenario

Y : (Kepuasan Pelanggan) x1 : (Usia) x2 : (Pendapatan) x3 : (Pengeluaran)

Membangkitkan Data

x1 : (Usia) membangkitkan variabel x1 dengan rentang usia 20-50 tahun dengan nilai tengah 35 dan banyak pekerja adalah 30

set.seed(30)
n <- 20
u <- runif(n)

x1 <- round(75*(-log(1-u)/59))
x1

##  [1] 0 1 1 1 0 0 3 0 4 0 0 1 1 3 0 3 0 2 1 1

Membangkitkan Datax2

x2 : (pendapatan) keterangan yang digantikan (0=dibawah 10 juta rupiah) dan (1=diatas 10 juuta rupiah)

set.seed(100)
x2 <- round(runif(n))
x2

##  [1] 0 0 1 0 0 0 1 0 1 0 1 1 0 0 1 1 0 0 0 1

Membangkitkan Data x3

x3: (pengeluaran) Keterangan yang digunakan (0=dibawah 50) dan (1=diatas 50)

set.seed(100)
x3 <- round(runif(n))
x3

##  [1] 0 0 1 0 0 0 1 0 1 0 1 1 0 0 1 1 0 0 0 1

Membangkitkan data Y

menentukan koef

b0 <- -11
b1 <- 1.2
b2 <- 3.5
b3 <- 0.5

set.seed(1)
datapendukung <- b0+(b1*x1)+(b2*x2)+(b3*x3)
datapendukung

##  [1] -11.0  -9.8  -5.8  -9.8 -11.0 -11.0  -3.4 -11.0  -2.2 -11.0  -7.0  -5.8
## [13]  -9.8  -7.4  -7.0  -3.4 -11.0  -8.6  -9.8  -5.8

p <- exp(datapendukung)/(1+exp(datapendukung))
p

##  [1] 1.670142e-05 5.544852e-05 3.018416e-03 5.544852e-05 1.670142e-05
##  [6] 1.670142e-05 3.229546e-02 1.670142e-05 9.975049e-02 1.670142e-05
## [11] 9.110512e-04 3.018416e-03 5.544852e-05 6.108794e-04 9.110512e-04
## [16] 3.229546e-02 1.670142e-05 1.840719e-04 5.544852e-05 3.018416e-03

set.seed(2)
y <- rbinom(n,1,p)
y

##  [1] 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

datagab <- data.frame(y,x1,x2,x3)
datagab

##    y x1 x2 x3
## 1  0  0  0  0
## 2  0  1  0  0
## 3  0  1  1  1
## 4  0  1  0  0
## 5  0  0  0  0
## 6  0  0  0  0
## 7  0  3  1  1
## 8  0  0  0  0
## 9  0  4  1  1
## 10 0  0  0  0
## 11 0  0  1  1
## 12 0  1  1  1
## 13 0  1  0  0
## 14 0  3  0  0
## 15 0  0  1  1
## 16 0  3  1  1
## 17 0  0  0  0
## 18 0  2  0  0
## 19 0  1  0  0
## 20 0  1  1  1

Analisis Regresi Logistik

modelreglog <- glm(y~x1+x2+x3, family = binomial(link = "logit"), data = datagab)
summary(modelreglog)

## 
## Call:
## glm(formula = y ~ x1 + x2 + x3, family = binomial(link = "logit"), 
##     data = datagab)
## 
## Deviance Residuals: 
##        Min          1Q      Median          3Q         Max  
## -3.971e-06  -3.971e-06  -3.971e-06  -3.971e-06  -3.971e-06  
## 
## Coefficients: (1 not defined because of singularities)
##               Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.557e+01  6.995e+04       0        1
## x1          -5.421e-15  4.226e+04       0        1
## x2          -1.311e-14  1.053e+05       0        1
## x3                  NA         NA      NA       NA
## 
## (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 17  degrees of freedom
## AIC: 6
## 
## Number of Fisher Scoring iterations: 24