2.1 Latar Belakang

Dalam era digital yang terus berkembang, pemasaran menjadi elemen kunci kesuksesan bisnis. Perusahaan menggunakan berbagai strategi dan kanal seperti media online, TV, dan media cetak untuk menjangkau pelanggan dan meningkatkan penjualan. Jenis penawaran seperti diskon atau bonus juga berperan penting dalam menarik minat konsumen.

Namun, tidak semua kampanye pemasaran sukses. Keberhasilan kampanye dipengaruhi oleh berbagai faktor, termasuk pilihan sumber iklan dan jenis penawaran. Oleh karena itu, perusahaan perlu memahami faktor-faktor yang mempengaruhi keputusan pembelian konsumen untuk merancang strategi pemasaran yang lebih efektif.

Sebuah perusahaan ritel ingin mengetahui kombinasi sumber iklan dan jenis penawaran yang paling efektif dalam mendorong konsumen membeli produk mereka. Dengan menganalisis data historis dari kampanye pemasaran sebelumnya, perusahaan berharap membangun model prediksi yang memberikan wawasan berharga tentang pola perilaku konsumen.

Perusahaan mengumpulkan data kampanye pemasaran yang mencakup sumber iklan (Online, TV, Cetak), jenis penawaran (Diskon, Bonus), dan apakah konsumen membeli produk tersebut. Dengan menggunakan analisis regresi logistik, perusahaan berusaha mengidentifikasi pengaruh variabel-variabel ini terhadap keberhasilan kampanye.

Hasil analisis ini diharapkan membantu perusahaan merancang kampanye pemasaran yang lebih efektif, meningkatkan tingkat keberhasilan, dan efisiensi biaya. Model prediksi yang dihasilkan akan memberikan dasar bagi pengambilan keputusan yang lebih terinformasi, memungkinkan perusahaan mengalokasikan sumber daya pemasaran dengan lebih baik dan meningkatkan return on investment (ROI) dari kampanye pemasaran mereka.

3.1 Statistika Deskriptif

Statistika deskriptif adalah cabang dari statistik yang bertujuan untuk menggambarkan, meringkas, dan menyajikan data dalam bentuk yang mudah dipahami. Metode ini sering digunakan untuk memberikan gambaran umum tentang dataset melalui ukuran statistik seperti mean, median, mode, variansi, dan standar deviasi. Statistika deskriptif merupakan dasar yang penting dalam analisis data karena memungkinkan peneliti untuk memahami karakteristik utama dari data yang dikumpulkan sebelum melakukan analisis yang lebih mendalam.

3.2 Statistika Deskriptif

Statistika deskriptif adalah cabang dari statistik yang bertujuan untuk menggambarkan, meringkas, dan menyajikan data dalam bentuk yang mudah dipahami. Metode ini sering digunakan untuk memberikan gambaran umum tentang dataset melalui ukuran statistik seperti mean, median, mode, variansi, dan standar deviasi. Statistika deskriptif merupakan dasar yang penting dalam analisis data karena memungkinkan peneliti untuk memahami karakteristik utama dari data yang dikumpulkan sebelum melakukan analisis yang lebih mendalam.

3.3 Regresi Logistik

Regresi logistik adalah teknik statistik yang digunakan untuk memodelkan hubungan antara satu variabel dependen biner (dichotomous) dan satu atau lebih variabel independen. Regresi logistik sangat berguna dalam situasi di mana hasil yang diinginkan hanya memiliki dua kemungkinan, seperti keberhasilan/gagal, ya/tidak, atau hidup/mati. Teknik ini banyak digunakan dalam berbagai bidang, termasuk ilmu sosial, biomedis, pemasaran, dan teknik.

Menurut Hosmer dan Lemeshow (2000), regresi logistik bertujuan untuk mengestimasi probabilitas terjadinya kejadian tertentu. Berbeda dengan regresi linear yang memprediksi nilai kontinu, regresi logistik memprediksi probabilitas kejadian dari nilai biner.

Regresi logistik biner adalah metode analisis data yang mencari hubungan antara variabel respon biner (y) dan variabel prediktor (x) yang bisa bersifat kategorikal atau kontinu. Variabel respon biner memiliki dua kemungkinan hasil, yaitu: - y = 1, yang menunjukkan kemungkinan sukses dengan probabilitas π(x) - y = 0, yang menunjukkan kemungkinan gagal dengan probabilitas 1−π(x)

Variabel respon (y) mengikuti distribusi Bernoulli untuk setiap observasi tunggal.

3.4 Data

Data yang digunakan dalam penelitian ini merupakan data sekunder. Data sekunder adalah data yang dikumpulkan oleh peneliti melalui sumber-sumber perantara, artinya data tersebut telah dikumpulkan dan dicatat oleh pihak lain

Penelitian ini berfokus pada variabel-variabel sebagai berikut: Keberhasilan Kampanye sebagai variabel dependen dan dua variabel independen yang mempengaruhinya. Definisi operasional dari variabel-variabel tersebut adalah sebagai berikut:

1. Variabel tak bebas adalah Keberhasilan Pemasaran (Y), dengan kategori :

• Berhasil = 1
• Tidak Berhasil = 0

2. Variabel bebas

1. Jenis Penawaran (X1), dengan kategori :

• Diskon = 1
• Bonus = 0

2. Sumber Iklan (X2), dengan kategori :

• Tiktok = 1
• Instagram = 2
• Twitter = 3
• TV = 4
• Media Cetak = 5

4.1 Library

> # Library
> library(readxl)
> library(semEff)
> library(reshape)
> library(MASS)
> library(plotrix)
> library(pscl)
> library(generalhoslem)

Library yang digunakan adalah plotrix sebagai package untuk membentuk piechar, car untuk menghitung VIF masing-masing predictor, readxl untuk membaca file excel.

4.2 Memanggil Data Dan Membentuk Data Frame

> #Import data
> library(readxl)
> Data_logistik <- read_excel("E:/Data logistik.xlsx")
> View(Data_logistik)
> str(Data_logistik)
tibble [40 × 3] (S3: tbl_df/tbl/data.frame)
 $ X1: num [1:40] 0 0 1 0 1 1 1 1 1 1 ...
 $ X2: num [1:40] 5 4 3 2 2 2 3 5 2 2 ...
 $ Y : num [1:40] 1 1 1 0 0 0 0 1 0 0 ...

> Y <- as.factor(Data_logistik$Y)
> X1 <- as.factor(Data_logistik$X1)
> X2 <- as.factor(Data_logistik$X2)
> str(Y)
 Factor w/ 2 levels "0","1": 2 2 2 1 1 1 1 2 1 1 ...

> 
> 
> #Membentuk data frame
> data_logistik<-data.frame(X1,X2,Y)
> str(data_logistik)
'data.frame':   40 obs. of  3 variables:
 $ X1: Factor w/ 2 levels "0","1": 1 1 2 1 2 2 2 2 2 2 ...
 $ X2: Factor w/ 5 levels "1","2","3","4",..: 5 4 3 2 2 2 3 5 2 2 ...
 $ Y : Factor w/ 2 levels "0","1": 2 2 2 1 1 1 1 2 1 1 ...

4.3 Analisis Regresi Logistik

> #Analisis Regresi Logistik
> reglog<-glm(Y~X1+X2,family=binomial,data=data_logistik)
> reglog

Call:  glm(formula = Y ~ X1 + X2, family = binomial, data = data_logistik)

Coefficients:
(Intercept)          X11          X22          X23          X24          X25  
    0.48518     -0.09943    -19.98086     -0.15471      0.93492     19.11473  

Degrees of Freedom: 39 Total (i.e. Null);  34 Residual
Null Deviance:      52.93 
Residual Deviance: 31.29    AIC: 43.29

5.1 Analisis Regresi Logistik

> #Analisis Regresi Logistik
> reglog<-glm(Y~X1+X2,family=binomial,data=data_logistik)
> summary(reglog)

Call:
glm(formula = Y ~ X1 + X2, family = binomial, data = data_logistik)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)    0.48518    1.18040   0.411    0.681
X11           -0.09943    0.93121  -0.107    0.915
X22          -19.98086 4063.85541  -0.005    0.996
X23           -0.15471    1.23974  -0.125    0.901
X24            0.93492    1.19641   0.781    0.435
X25           19.11473 4389.39297   0.004    0.997

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 52.925  on 39  degrees of freedom
Residual deviance: 31.292  on 34  degrees of freedom
AIC: 43.292

Number of Fisher Scoring iterations: 18

> reglog1 <- glm(X1~X2, family = binomial, data=data_logistik)
> summary(reglog1)

Call:
glm(formula = X1 ~ X2, family = binomial, data = data_logistik)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)  
(Intercept)    1.386      1.118   1.240   0.2150  
X22           -0.470      1.396  -0.337   0.7364  
X23           -1.674      1.354  -1.236   0.2163  
X24           -2.079      1.245  -1.670   0.0949 .
X25           -2.079      1.414  -1.470   0.1415  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 55.352  on 39  degrees of freedom
Residual deviance: 49.674  on 35  degrees of freedom
AIC: 59.674

Number of Fisher Scoring iterations: 4

> R2(reglog1)
     R.squared  R.squared.adj R.squared.pred 
   0.136889844    0.040660368    0.001194436 

> R2_1 <- 1/(1-0.136889844)
> R2_1
[1] 1.158601

> 
> reglog2 <- glm(X2~X1, family = binomial, data =data_logistik)
> summary(reglog2)

Call:
glm(formula = X2 ~ X1, family = binomial, data = data_logistik)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)    2.996      1.025   2.924  0.00346 **
X11           -1.674      1.169  -1.432  0.15214   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 30.142  on 39  degrees of freedom
Residual deviance: 27.597  on 38  degrees of freedom
AIC: 31.597

Number of Fisher Scoring iterations: 5

> R2(reglog2)
     R.squared  R.squared.adj R.squared.pred 
   0.060508414    0.037822577    0.001433349 

> R2_2 <- 1/(1-0.060508414)
> R2_2
[1] 1.064405

> #Uji Signifikansi Keseluruhan Model
> R2(reglog)
     R.squared  R.squared.adj R.squared.pred 
     0.4335730      0.3629300      0.2174526 

> qchisq(0.95,1)
[1] 3.841459

> #Uji Parsial Parameter Model
> summary(reglog)

Call:
glm(formula = Y ~ X1 + X2, family = binomial, data = data_logistik)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)    0.48518    1.18040   0.411    0.681
X11           -0.09943    0.93121  -0.107    0.915
X22          -19.98086 4063.85541  -0.005    0.996
X23           -0.15471    1.23974  -0.125    0.901
X24            0.93492    1.19641   0.781    0.435
X25           19.11473 4389.39297   0.004    0.997

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 52.925  on 39  degrees of freedom
Residual deviance: 31.292  on 34  degrees of freedom
AIC: 43.292

Number of Fisher Scoring iterations: 18

> #Odds Ratio
> beta<-(coef(reglog))
> beta
(Intercept)         X11         X22         X23         X24         X25 
  0.4851771  -0.0994337 -19.9808610  -0.1547103   0.9349214  19.1147297 

> OR_beta<-exp(beta)
> OR_beta
 (Intercept)          X11          X22          X23          X24          X25 
1.624463e+00 9.053500e-01 2.100982e-09 8.566633e-01 2.547013e+00 2.001804e+08 

> cbind(beta,OR_beta)
                   beta      OR_beta
(Intercept)   0.4851771 1.624463e+00
X11          -0.0994337 9.053500e-01
X22         -19.9808610 2.100982e-09
X23          -0.1547103 8.566633e-01
X24           0.9349214 2.547013e+00
X25          19.1147297 2.001804e+08

> #Membentuk klasifikasi
> yp_hat<-fitted(reglog)
> data_logistik$yp_hat<-yp_hat
> data_logistik
   X1 X2 Y       yp_hat
1   0  5 1 1.000000e+00
2   0  4 1 8.053539e-01
3   1  3 1 5.575027e-01
4   0  2 0 3.412967e-09
5   1  2 0 3.089930e-09
6   1  2 0 3.089930e-09
7   1  3 0 5.575027e-01
8   1  5 1 1.000000e+00
9   1  2 0 3.089930e-09
10  1  2 0 3.089930e-09
11  1  1 0 5.952576e-01
12  1  4 1 7.892923e-01
13  1  1 1 5.952576e-01
14  1  2 0 3.089930e-09
15  1  1 1 5.952576e-01
16  0  1 0 6.189696e-01
17  0  3 0 5.818730e-01
18  0  4 0 8.053539e-01
19  1  5 1 1.000000e+00
20  1  4 1 7.892923e-01
21  1  4 1 7.892923e-01
22  0  4 1 8.053539e-01
23  0  3 1 5.818730e-01
24  0  4 1 8.053539e-01
25  0  5 1 1.000000e+00
26  0  3 1 5.818730e-01
27  0  4 1 8.053539e-01
28  0  2 0 3.412967e-09
29  0  4 1 8.053539e-01
30  0  4 1 8.053539e-01
31  1  4 0 7.892923e-01
32  1  1 1 5.952576e-01
33  1  3 0 5.575027e-01
34  1  4 1 7.892923e-01
35  0  5 1 1.000000e+00
36  0  3 1 5.818730e-01
37  0  4 1 8.053539e-01
38  0  5 1 1.000000e+00
39  0  4 0 8.053539e-01
40  0  4 1 8.053539e-01

> class<-table(data_logistik$Y,data_logistik$yp_hat>0.5)
> class
   
    FALSE TRUE
  0     7    8
  1     0   25

> #Uji Kelayakan Model
> logitgof(data_logistik$Y,fitted(reglog))

    Hosmer and Lemeshow test (binary model)

data:  data_logistik$Y, fitted(reglog)
X-squared = NaN, df = 6, p-value = NA