R Membangkitkan Data

#Skenario Y : Total Penjualan Produk Bracelet/Gelang (bulan) X1 : Jumlah Iklan (Jumlah Iklan) X2 : Harga Produk (Rp) X3 : Promosi (ada promosi = 1, tidak ada promosi = 0)

Membangkitkan Data

Y : Total Penjualan Produk/Gelang (bulan) Membangkitkan variabel X1 per unit selama 30 hari atau satu bulan dengan nilai tengah 8 dan banyak pembeli 37

set.seed(100)
n <- 37
u <- runif(n)

Y <- round(30*(-(log(1-u)/8)))
Y
##  [1]  1  1  3  0  2  2  6  2  3  1  4  8  1  2  5  4  1  2  2  4  3  5  3  5  2
## [26]  1  6  8  3  1  3 10  2 12  4  8  1

##Membangkitkan data X1 X1 : Jumlah Iklan (Jumlah Iklan)

set.seed(238)
X1 <- round(rnorm(n,5,0.7),0)
X1
##  [1] 5 5 4 4 6 6 5 4 5 4 5 5 5 4 5 4 5 5 6 5 6 6 5 4 6 6 5 5 5 5 5 5 5 4 5 6 5

Membangkitkan data X2

X2 : Harga Produk (Rp)

set.seed(876)
X2 <- round(rnorm(n,34,0.7),3)
X2
##  [1] 34.120 34.548 33.255 33.815 34.080 35.358 34.323 34.858 33.709 34.009
## [11] 34.808 34.586 34.173 33.359 34.264 33.015 33.743 34.089 33.406 33.898
## [21] 34.520 34.991 35.122 33.913 33.420 33.903 34.106 34.297 33.888 33.414
## [31] 34.255 33.739 33.737 34.136 34.167 33.482 35.704

Membangkitkan data X3

X3 : Promosi Keterangan yang digunakan (ada promosi =1) dan (tidak ada promosi = 0)

set.seed(009)
X3 <- round(runif(n))
X3
##  [1] 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 0 1 0 0 1 0 0 0 1 1 0 0 1 1 0 1 0 1 0 1 1

Membangkitkan data Y

Menentukan koefisien

b0 <- -12
b1 <- 1.4
b2 <- 0.1
b3 <- 3.7
set.seed(123)
datapendukung <- b0+(b1*X1)+(b2*X2)+(b3*X3)
datapendukung
##  [1] -1.5880 -1.5452 -3.0745 -3.0185 -0.1920 -0.0642 -1.5677 -2.9142  2.0709
## [10]  0.7009 -1.5192 -1.5414  2.1173 -3.0641 -1.5736  0.6015 -1.6257  2.1089
## [19] -0.2594 -1.6102  3.5520 -0.1009 -1.4878 -3.0087  3.4420  3.4903 -1.5894
## [28] -1.5703  2.0888  2.0414 -1.5745  2.0739 -1.6263  0.7136 -1.5833  3.4482
## [37]  2.2704
P <- exp(datapendukung)/(1+exp(datapendukung))
P
##  [1] 0.16966547 0.17578062 0.04417145 0.04659707 0.45214691 0.48395551
##  [7] 0.17254452 0.05145605 0.88804247 0.66838728 0.17957935 0.17633185
## [13] 0.89257331 0.04461262 0.17170379 0.64599941 0.16442027 0.89176521
## [19] 0.43551121 0.16656085 0.97213166 0.47479638 0.18425217 0.04703438
## [25] 0.96899167 0.97041051 0.16946833 0.17217363 0.88980982 0.88507575
## [31] 0.17157583 0.88834040 0.16433785 0.67119614 0.17032863 0.96917742
## [37] 0.90639573
set.seed(3)
y <- rbinom(n,1,P)
y
##  [1] 0 0 0 0 1 1 0 0 1 1 0 0 1 0 1 0 0 1 1 0 1 0 0 0 1 1 0 1 1 1 0 1 0 1 0 1 1
datagab <- data.frame(y, X1, X2, X3)
datagab
##    y X1     X2 X3
## 1  0  5 34.120  0
## 2  0  5 34.548  0
## 3  0  4 33.255  0
## 4  0  4 33.815  0
## 5  1  6 34.080  0
## 6  1  6 35.358  0
## 7  0  5 34.323  0
## 8  0  4 34.858  0
## 9  1  5 33.709  1
## 10 1  4 34.009  1
## 11 0  5 34.808  0
## 12 0  5 34.586  0
## 13 1  5 34.173  1
## 14 0  4 33.359  0
## 15 1  5 34.264  0
## 16 0  4 33.015  1
## 17 0  5 33.743  0
## 18 1  5 34.089  1
## 19 1  6 33.406  0
## 20 0  5 33.898  0
## 21 1  6 34.520  1
## 22 0  6 34.991  0
## 23 0  5 35.122  0
## 24 0  4 33.913  0
## 25 1  6 33.420  1
## 26 1  6 33.903  1
## 27 0  5 34.106  0
## 28 1  5 34.297  0
## 29 1  5 33.888  1
## 30 1  5 33.414  1
## 31 0  5 34.255  0
## 32 1  5 33.739  1
## 33 0  5 33.737  0
## 34 1  4 34.136  1
## 35 0  5 34.167  0
## 36 1  6 33.482  1
## 37 1  5 35.704  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)
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)   
## (Intercept) -25.7975    37.2955  -0.692  0.48912   
## X1            3.1718     1.2772   2.483  0.01302 * 
## X2            0.2345     1.0897   0.215  0.82963   
## X3            6.0772     2.0159   3.015  0.00257 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 51.266  on 36  degrees of freedom
## Residual deviance: 20.127  on 33  degrees of freedom
## AIC: 28.127
## 
## Number of Fisher Scoring iterations: 6

Kesimpulan : Output tersebut merupakan hasil analisis regresi logistik untuk penjualan gelang (bracelet) selama sebulan, maka dapat disimpulkan:

X1 : Jumlah Iklan (Jumlah Iklan) X2 : Harga Produk (Rp) X3 : Promosi (ada promosi = 1, tidak ada promosi = 0)

  1. Variabel X1 memiliki pengaruh yang signifikan terhadap penjualan gelang. Hal ini ditunjukkan oleh nilai p-value untuk X1 yang lebih kecil dari 0,05 (p-value = 0,01302). Artinya, perubahan pada variabel X1 akan berdampak signifikan pada probabilitas penjualan bracelet/gelang.

  2. Variabel X3 juga memiliki pengaruh yang signifikan terhadap penjualan gelang. Nilai p-value untuk X3 lebih kecil dari 0,05 (p-value = 0,00257), menunjukkan bahwa perubahan pada X3 akan mempengaruhi secara signifikan probabilitas penjualan gelang.

  3. Sementara itu, variabel X2 tidak memiliki pengaruh yang signifikan terhadap penjualan gelang. Nilai p-value untuk X2 lebih besar dari 0,05 (p-value = 0,82963), artinya perubahan pada X2 tidak berdampak signifikan pada probabilitas penjualan gelang.

Jadi, kesimpulannya adalah selama sebulan, variabel X1 dan X3 secara signifikan mempengaruhi penjualan gelang, sedangkan variabel X2 tidak memiliki pengaruh yang signifikan terhadap penjualan gelang tersebut.