project anmul
2025-05-26
Pembacaan file
Pada tahapan awal kita membaca file csv menggunakan fungsi read_csv dari library tidyverse. Kemudian setelah pembacaan data kita menampilkan struktur data singkat dengan fungsi glimpse
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsdata <- read_csv("ship_fuel_efficiency.csv")## Rows: 1440 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (6): ship_id, ship_type, route_id, month, fuel_type, weather_conditions
## dbl (4): distance, fuel_consumption, CO2_emissions, engine_efficiency
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.# Melihat struktur awal
glimpse(data)## Rows: 1,440
## Columns: 10
## $ ship_id <chr> "NG001", "NG001", "NG001", "NG001", "NG001", "NG001…
## $ ship_type <chr> "Oil Service Boat", "Oil Service Boat", "Oil Servic…
## $ route_id <chr> "Warri-Bonny", "Port Harcourt-Lagos", "Port Harcour…
## $ month <chr> "January", "February", "March", "April", "May", "Ju…
## $ distance <dbl> 132.26, 128.52, 67.30, 71.68, 134.32, 85.93, 85.67,…
## $ fuel_type <chr> "HFO", "HFO", "HFO", "Diesel", "HFO", "Diesel", "HF…
## $ fuel_consumption <dbl> 3779.77, 4461.44, 1867.73, 2393.51, 4267.19, 2342.1…
## $ CO2_emissions <dbl> 10625.76, 12779.73, 5353.01, 6506.52, 11617.03, 675…
## $ weather_conditions <chr> "Stormy", "Moderate", "Calm", "Stormy", "Calm", "St…
## $ engine_efficiency <dbl> 92.14, 92.98, 87.61, 87.42, 85.61, 72.82, 93.93, 91…EDA Sebelum Pre Processing
Statistik Deskriptif : Ini menunjukkan ringkasan angka seperti rata-rata, nilai min/maks, dan sebaran data untuk konsumsi BBM, emisi CO2, dan efisiensi mesin. Misalnya, kita bisa lihat berapa rata-rata emisi CO2 atau seberapa besar perbedaan nilai tertinggi-terendah.
Visualisasi Distribusi : Grafik histogram menampilkan sebaran data masing-masing variabel. Jika bentuknya simetris (seperti lonceng), artinya data terdistribusi normal. Jika miring, ada ketidakseimbangan (misalnya lebih banyak mobil boros BBM).
Korelasi Awal : Angka korelasi (dari -1 sampai 1) menunjukkan hubungan antar variabel. Nilai mendekati 1 atau -1 berarti hubungan kuat (contoh: konsumsi BBM tinggi mungkin berkaitan dengan emisi CO2 tinggi). Nilai 0 berarti tidak ada hubungan.
# 1. Statistik Deskriptif
cat("\n=== STATISTIK AWAL ===\n")##
## === STATISTIK AWAL ===summary(data[, c("fuel_consumption", "CO2_emissions", "engine_efficiency")])## fuel_consumption CO2_emissions engine_efficiency
## Min. : 237.9 Min. : 615.7 Min. :70.01
## 1st Qu.: 1838.0 1st Qu.: 4991.5 1st Qu.:76.25
## Median : 3060.9 Median : 8423.2 Median :82.78
## Mean : 4844.2 Mean :13365.5 Mean :82.58
## 3rd Qu.: 4870.7 3rd Qu.:13447.1 3rd Qu.:88.86
## Max. :24648.5 Max. :71871.2 Max. :94.98# 2. Visualisasi Distribusi Numerik
library(patchwork)
p1 <- ggplot(data, aes(x = fuel_consumption)) +
geom_histogram(fill = "steelblue", bins = 20) +
labs(title = "Distribusi Konsumsi BBM (Raw)")
p2 <- ggplot(data, aes(x = CO2_emissions)) +
geom_histogram(fill = "firebrick", bins = 20) +
labs(title = "Distribusi Emisi CO2 (Raw)")
p3 <- ggplot(data, aes(x = engine_efficiency)) +
geom_histogram(fill = "darkgreen", bins = 20) +
labs(title = "Distribusi Efisiensi Mesin (Raw)")
(p1 + p2) / p3 # Menggabungkan plot
# 3. Korelasi Awal
cat("\n=== MATRIKS KORELASI AWAL ===\n")##
## === MATRIKS KORELASI AWAL ===round(cor(data[, c("fuel_consumption", "CO2_emissions", "engine_efficiency")]), 3)## fuel_consumption CO2_emissions engine_efficiency
## fuel_consumption 1.000 0.997 -0.031
## CO2_emissions 0.997 1.000 -0.030
## engine_efficiency -0.031 -0.030 1.000Pre-Processing Data
Handling Missing Values : Mengecek dan menghapus data yang kosong (NA) serta data duplikat, agar analisis lebih akurat.
Normalisasi : Mengubah skala variabel numerik (seperti konsumsi BBM dan emisi CO2) ke rentang 0–1 agar lebih mudah dibandingkan. Contoh: nilai 0 = terendah, 1 = tertinggi.
Menangani Korelasi Sempurna : Menambahkan sedikit “noise” (gangguan acak yang sangat kecil) untuk menghindari masalah jika dua variabel terlalu mirip (korelasi sempurna), yang bisa mengganggu analisis.
Membuat Target Kategorikal : Mengubah efisiensi mesin (numerik) menjadi kategori Rendah-Sedang-Tinggi berdasarkan pembagian 33% terendah, 33% tengah, dan 33% tertinggi. Ini memudahkan analisis klasifikasi.
# 1. Handling Missing Values
colSums(is.na(data))## ship_id ship_type route_id month
## 0 0 0 0
## distance fuel_type fuel_consumption CO2_emissions
## 0 0 0 0
## weather_conditions engine_efficiency
## 0 0data <- na.omit(data)
data <- distinct(data)
# 2. Normalisasi Variabel Numerik (Penting untuk LDA)
data <- data %>%
mutate(across(c(fuel_consumption, CO2_emissions),
~ (. - min(.)) / (max(.) - min(.))))
# 3. Menangani Korelasi Sempurna dengan Menambahkan Noise Kecil
set.seed(123) # Pastikan reproducibility
data$fuel_consumption <- data$fuel_consumption + rnorm(nrow(data), sd = 0.0001)
data$CO2_emissions <- data$CO2_emissions + rnorm(nrow(data), sd = 0.0001)
# 4. Membuat Variabel Target Kategorikal
data <- data %>%
mutate(engine_eff_cat = case_when(
engine_efficiency <= quantile(engine_efficiency, 0.33, na.rm = TRUE) ~ "Rendah",
engine_efficiency <= quantile(engine_efficiency, 0.66, na.rm = TRUE) ~ "Sedang",
TRUE ~ "Tinggi"
)) %>%
mutate(engine_eff_cat = factor(engine_eff_cat,
levels = c("Rendah", "Sedang", "Tinggi"),
ordered = TRUE))EDA Setelah Pre-Processing
Statistik Setelah Preprocessing : Ringkasan angka (mean, min/max, dll.) diperbarui setelah normalisasi. Misalnya, konsumsi BBM dan emisi CO2 sekarang punya rentang 0–1, sedangkan efisiensi mesin tetap asli (karena tidak dinormalisasi).
Visualisasi Perubahan : Histogram menunjukkan distribusi baru setelah normalisasi. Jika sebelumnya nilai sangat besar (misal ratusan), sekarang terkompresi ke skala 0–1. Pola sebarannya tetap sama, hanya skalanya berubah.
Korelasi Final : Matriks korelasi terakhir memastikan apakah hubungan antar variabel (BBM, CO2, efisiensi) berubah setelah preprocessing. Nilai ~1 atau ~-1 berarti hubungan masih kuat, ~0 berarti tidak berkaitan.
library(ggplot2)
library(patchwork)
# 1. Verifikasi Hasil Preprocessing
cat("\n=== STATISTIK SETELAH PREPROCESSING ===\n")##
## === STATISTIK SETELAH PREPROCESSING ===summary(data[, c("fuel_consumption", "CO2_emissions", "engine_efficiency")])## fuel_consumption CO2_emissions engine_efficiency
## Min. :-0.0000747 Min. :-0.0000597 Min. :70.01
## 1st Qu.: 0.0654484 1st Qu.: 0.0615179 1st Qu.:76.25
## Median : 0.1156271 Median : 0.1095825 Median :82.78
## Mean : 0.1887047 Mean : 0.1789309 Mean :82.58
## 3rd Qu.: 0.1896268 3rd Qu.: 0.1800620 3rd Qu.:88.86
## Max. : 0.9999400 Max. : 0.9998415 Max. :94.98# 2. Visualisasi Perubahan
p4 <- ggplot(data, aes(x = fuel_consumption)) +
geom_histogram(fill = "steelblue", bins = 20) +
labs(title = "Distribusi Konsumsi BBM (Setelah Normalisasi)")
p5 <- ggplot(data, aes(x = CO2_emissions)) +
geom_histogram(fill = "firebrick", bins = 20) +
labs(title = "Distribusi Emisi CO2 (Setelah Normalisasi)")
(p4 + p5) # Side-by-side comparison
# 3. Korelasi Final
cat("\n=== MATRIKS KORELASI FINAL ===\n")##
## === MATRIKS KORELASI FINAL ===round(cor(data[, c("fuel_consumption", "CO2_emissions", "engine_efficiency")]), 3)## fuel_consumption CO2_emissions engine_efficiency
## fuel_consumption 1.000 0.997 -0.031
## CO2_emissions 0.997 1.000 -0.030
## engine_efficiency -0.031 -0.030 1.000Pemodelan (Analisis Diskriminan)
Persiapan Data : Data dibagi menjadi 70% latih (untuk membangun model) dan 30% uji (untuk menguji akurasi). Pembagian acak tapi konsisten (set.seed(123)).
Pembuatan Model LDA : Model klasifikasi yang memprediksi kategori efisiensi mesin (Rendah/Sedang/Tinggi) berdasarkan konsumsi BBM dan emisi CO₂.
- Prior = c(1,1,1)/3: Asumsi awal bahwa semua kategori (Rendah/Sedang/Tinggi) memiliki peluang sama (33.3%).
Evaluasi Model : Menunjukkan seberapa sering model benar/salah memprediksi yaitu Akurasi 80% = 80% prediksi benar sedangkan Sensitivity/Recall yaitu berapa % “Rendah” yang terprediksi sebagai “Rendah”
Cross-Validation (CV) : Model diuji 5 kali dengan data berbeda untuk memastikan akurasinya stabil atau tidak overfitting.
library(MASS)##
## Attaching package: 'MASS'## The following object is masked from 'package:patchwork':
##
## area## The following object is masked from 'package:dplyr':
##
## selectlibrary(caret)## Loading required package: lattice##
## Attaching package: 'caret'## The following object is masked from 'package:purrr':
##
## lift# 1. Persiapan Data
set.seed(123)
train_index <- createDataPartition(data$engine_eff_cat, p = 0.7, list = FALSE)
train_data <- data[train_index, ]
test_data <- data[-train_index, ]
# 2. Model LDA dengan Regularisasi
model_lda <- lda(engine_eff_cat ~ fuel_consumption + CO2_emissions,
data = train_data,
method = "mve",
prior = c(1,1,1)/3)
# 3. Evaluasi
predictions <- predict(model_lda, newdata = test_data)
conf_matrix <- confusionMatrix(predictions$class, test_data$engine_eff_cat)
print(conf_matrix)## Confusion Matrix and Statistics
##
## Reference
## Prediction Rendah Sedang Tinggi
## Rendah 6 16 8
## Sedang 100 87 113
## Tinggi 36 39 26
##
## Overall Statistics
##
## Accuracy : 0.2761
## 95% CI : (0.2344, 0.3209)
## No Information Rate : 0.3411
## P-Value [Acc > NIR] : 0.9984
##
## Kappa : -0.084
##
## Mcnemar's Test P-Value : <2e-16
##
## Statistics by Class:
##
## Class: Rendah Class: Sedang Class: Tinggi
## Sensitivity 0.04225 0.6127 0.17687
## Specificity 0.91696 0.2630 0.73592
## Pos Pred Value 0.20000 0.2900 0.25743
## Neg Pred Value 0.66085 0.5802 0.63333
## Prevalence 0.32947 0.3295 0.34107
## Detection Rate 0.01392 0.2019 0.06032
## Detection Prevalence 0.06961 0.6961 0.23434
## Balanced Accuracy 0.47960 0.4378 0.45639# 4. Cross-Validation
ctrl <- trainControl(method = "cv", number = 5)
cv_model <- train(engine_eff_cat ~ fuel_consumption + CO2_emissions,
data = data,
method = "lda",
trControl = ctrl)
print(paste("Akurasi CV:", mean(cv_model$resample$Accuracy)))## [1] "Akurasi CV: 0.343055555555556"Visualisasi
Decision Boundaries : Plot ini menunjukkan garis pemisah antara kategori efisiensi mesin (Rendah/Sedang/Tinggi) berdasarkan konsumsi BBM (sumbu X) dan emisi CO₂ (sumbu Y).
Plot Diskriminan : pada Sumbu LD1/LD2 mengkombinasi linear dari variabel asli (BBM & CO₂) yang paling membedakan kategori.
# 1. Decision Boundaries
library(klaR)
partimat(engine_eff_cat ~ fuel_consumption + CO2_emissions,
data = train_data,
method = "lda",
main = "Decision Boundaries LDA")
# 2. Plot Diskriminan
plot(model_lda, dimen = 2, main = "Proyeksi LDA")
Analisis Regresi Logistik Ordinal
Tujuannya adalah memprediksi kategori efisiensi mesin (Rendah-Sedang-Tinggi) berdasarkan konsumsi BBM dan emisi CO₂, dengan memperhatikan urutan kategori (ordinal). Hasil Signifikansi Variabel : 1. Uji Wald (p-value < 0.05) menunjukkan apakah BBM/CO₂ berpengaruh signifikan. 2. Uji Brant memverifikasi asumsi proportional odds (jika p > 0.05, asumsi terpenuhi).
Hasil Odds Ratio (OR): 1. OR > 1: Peningkatan variabel prediktor (misal CO₂) meningkatkan kecenderungan efisiensi ke kategori lebih tinggi. 2. OR < 1: Efek sebaliknya.
##########################
### REGRESI LOGISTIK ORDINAL ###
##########################
library(MASS) # Untuk fungsi polr()
library(brant) # Untuk uji asumsi proportional odds
library(caret) # Untuk evaluasi model
# 1. PEMBENTUKAN MODEL (ESTIMASI PARAMETER)
model_ordinal <- polr(engine_eff_cat ~ fuel_consumption + CO2_emissions,
data = train_data,
Hess = TRUE) # Hessian untuk perhitungan standar error
# Ringkasan model
summary_model <- summary(model_ordinal)
print(summary_model)## Call:
## polr(formula = engine_eff_cat ~ fuel_consumption + CO2_emissions,
## data = train_data, Hess = TRUE)
##
## Coefficients:
## Value Std. Error t value
## fuel_consumption -2.579 4.021 -0.6414
## CO2_emissions 2.832 4.217 0.6717
##
## Intercepts:
## Value Std. Error t value
## Rendah|Sedang -0.6874 0.0861 -7.9829
## Sedang|Tinggi 0.6849 0.0861 7.9560
##
## Residual Deviance: 2216.203
## AIC: 2224.203# 2. UJI SIGNIFIKANSI VARIABEL
# a. Uji Serentak (Likelihood Ratio Test)
null_model <- polr(engine_eff_cat ~ 1, data = train_data, Hess = TRUE)
lr_test <- anova(null_model, model_ordinal)
print("Uji Likelihood Ratio (Serentak):")## [1] "Uji Likelihood Ratio (Serentak):"print(lr_test)## Likelihood ratio tests of ordinal regression models
##
## Response: engine_eff_cat
## Model Resid. df Resid. Dev Test Df LR stat.
## 1 1 1007 2216.802
## 2 fuel_consumption + CO2_emissions 1005 2216.203 1 vs 2 2 0.5992202
## Pr(Chi)
## 1
## 2 0.7411071# b. Uji Parsial (Wald Test)
coef_table <- coef(summary(model_ordinal))
p_values <- pnorm(abs(coef_table[, "t value"]), lower.tail = FALSE) * 2
coef_table <- cbind(coef_table, "p value" = round(p_values, 4))
print("Uji Wald (Parsial):")## [1] "Uji Wald (Parsial):"print(coef_table)## Value Std. Error t value p value
## fuel_consumption -2.5790506 4.02099379 -0.6413963 0.5213
## CO2_emissions 2.8323947 4.21666823 0.6717139 0.5018
## Rendah|Sedang -0.6873873 0.08610727 -7.9829183 0.0000
## Sedang|Tinggi 0.6848849 0.08608459 7.9559524 0.0000# c. Uji Asumsi Proportional Odds
print("Uji Brant (Proportional Odds):")## [1] "Uji Brant (Proportional Odds):"brant_test <- brant(model_ordinal)## ----------------------------------------------------
## Test for X2 df probability
## ----------------------------------------------------
## Omnibus 0.81 2 0.67
## fuel_consumption 0.01 1 0.92
## CO2_emissions 0 1 0.97
## ----------------------------------------------------
##
## H0: Parallel Regression Assumption holdsprint(brant_test)## X2 df probability
## Omnibus 0.805155632 2 0.6685943
## fuel_consumption 0.011304943 1 0.9153247
## CO2_emissions 0.001647024 1 0.9676279# 3. AKURASI MODEL
# Prediksi pada data test
pred_ordinal <- predict(model_ordinal, newdata = test_data)
# Confusion Matrix
conf_matrix_ordinal <- confusionMatrix(pred_ordinal, test_data$engine_eff_cat)
print("Confusion Matrix (Regresi Logistik Ordinal):")## [1] "Confusion Matrix (Regresi Logistik Ordinal):"print(conf_matrix_ordinal)## Confusion Matrix and Statistics
##
## Reference
## Prediction Rendah Sedang Tinggi
## Rendah 37 48 36
## Sedang 0 0 0
## Tinggi 105 94 111
##
## Overall Statistics
##
## Accuracy : 0.3434
## 95% CI : (0.2986, 0.3903)
## No Information Rate : 0.3411
## P-Value [Acc > NIR] : 0.4776
##
## Kappa : 0.0084
##
## Mcnemar's Test P-Value : <2e-16
##
## Statistics by Class:
##
## Class: Rendah Class: Sedang Class: Tinggi
## Sensitivity 0.26056 0.0000 0.7551
## Specificity 0.70934 1.0000 0.2993
## Pos Pred Value 0.30579 NaN 0.3581
## Neg Pred Value 0.66129 0.6705 0.7025
## Prevalence 0.32947 0.3295 0.3411
## Detection Rate 0.08585 0.0000 0.2575
## Detection Prevalence 0.28074 0.0000 0.7193
## Balanced Accuracy 0.48495 0.5000 0.5272# 4. INTERPRETASI (ODDS RATIO)
# Hitung odds ratio
odds_ratio <- exp(coef(model_ordinal))
ci <- exp(confint(model_ordinal))## Waiting for profiling to be done...# Tabel interpretasi
interpretasi <- data.frame(
Variabel = names(odds_ratio),
Odds_Ratio = round(odds_ratio, 3),
CI_95_bawah = round(ci[,1], 3),
CI_95_atas = round(ci[,2], 3),
Keterangan = ifelse(odds_ratio > 1,
"Meningkatkan kecenderungan ke kategori lebih tinggi",
"Meningkatkan kecenderungan ke kategori lebih rendah")
)
print("Interpretasi Odds Ratio:")## [1] "Interpretasi Odds Ratio:"print(interpretasi)## Variabel Odds_Ratio CI_95_bawah CI_95_atas
## fuel_consumption fuel_consumption 0.076 0.000 201.758
## CO2_emissions CO2_emissions 16.986 0.004 67609.760
## Keterangan
## fuel_consumption Meningkatkan kecenderungan ke kategori lebih rendah
## CO2_emissions Meningkatkan kecenderungan ke kategori lebih tinggi# Visualisasi Odds Ratio
library(ggplot2)
ggplot(interpretasi, aes(x = Variabel, y = Odds_Ratio)) +
geom_point(size = 3) +
geom_errorbar(aes(ymin = CI_95_bawah, ymax = CI_95_atas), width = 0.2) +
geom_hline(yintercept = 1, linetype = "dashed", color = "red") +
labs(title = "Odds Ratio dengan 95% Confidence Interval",
y = "Odds Ratio",
x = "Variabel Prediktor") +
theme_minimal()
Evaluasi Model
Pada tahapan akhir kita melakukan evaluasi model yang mengevaluasi LDA, mengevaluasi regresi ordinal, perbandingan model, visualisasi metriknya, analisis per kelas, dan keterbatasan model
##########################
### EVALUASI MODEL ###
##########################
install.packages("MLmetrics")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library(MLmetrics) # Untuk metrik tambahan##
## Attaching package: 'MLmetrics'## The following objects are masked from 'package:caret':
##
## MAE, RMSE## The following object is masked from 'package:base':
##
## Recall### 1. EVALUASI LDA ###
lda_pred <- predict(model_lda, newdata = test_data)
lda_cm <- confusionMatrix(lda_pred$class, test_data$engine_eff_cat)
# Ekstrak metrik LDA
lda_metrics <- data.frame(
Model = "LDA",
Accuracy = lda_cm$overall["Accuracy"],
Kappa = lda_cm$overall["Kappa"],
Precision = lda_cm$byClass[, "Pos Pred Value"] %>% mean(),
Recall = lda_cm$byClass[, "Sensitivity"] %>% mean(),
F1 = lda_cm$byClass[, "F1"] %>% mean()
)
### 2. EVALUASI REGRESI LOGISTIK ORDINAL ###
ordinal_pred <- predict(model_ordinal, newdata = test_data)
ordinal_cm <- confusionMatrix(ordinal_pred, test_data$engine_eff_cat)
# Ekstrak metrik Ordinal
ordinal_metrics <- data.frame(
Model = "Regresi Logistik Ordinal",
Accuracy = ordinal_cm$overall["Accuracy"],
Kappa = ordinal_cm$overall["Kappa"],
Precision = ordinal_cm$byClass[, "Pos Pred Value"] %>% mean(),
Recall = ordinal_cm$byClass[, "Sensitivity"] %>% mean(),
F1 = ordinal_cm$byClass[, "F1"] %>% mean()
)
### 3. PERBANDINGAN MODEL ###
combined_metrics <- rbind(lda_metrics, ordinal_metrics)
print("Perbandingan Performa Model:")## [1] "Perbandingan Performa Model:"print(combined_metrics)## Model Accuracy Kappa Precision Recall
## Accuracy LDA 0.2761021 -0.083979557 0.2491419 0.2772668
## Accuracy1 Regresi Logistik Ordinal 0.3433875 0.008422148 NaN 0.3385551
## F1
## Accuracy 0.22437
## Accuracy1 NA### 4. VISUALISASI METRIK ###
library(tidyr)
metrics_long <- combined_metrics %>%
pivot_longer(cols = -Model, names_to = "Metric", values_to = "Value")
ggplot(metrics_long, aes(x = Metric, y = Value, fill = Model)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = round(Value, 3)), position = position_dodge(width = 0.9), vjust = -0.5) +
labs(title = "Perbandingan Metrik Evaluasi Model",
x = "Metrik",
y = "Nilai") +
theme_minimal() +
scale_fill_brewer(palette = "Set1")## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_text()`).
### 5. ANALISIS PER KLAS ###
cat("\n=== DETAIL PER KLAS (LDA) ===\n")##
## === DETAIL PER KLAS (LDA) ===print(lda_cm$byClass)## Sensitivity Specificity Pos Pred Value Neg Pred Value Precision
## Class: Rendah 0.04225352 0.9169550 0.2000000 0.6608479 0.2000000
## Class: Sedang 0.61267606 0.2629758 0.2900000 0.5801527 0.2900000
## Class: Tinggi 0.17687075 0.7359155 0.2574257 0.6333333 0.2574257
## Recall F1 Prevalence Detection Rate
## Class: Rendah 0.04225352 0.06976744 0.3294664 0.01392111
## Class: Sedang 0.61267606 0.39366516 0.3294664 0.20185615
## Class: Tinggi 0.17687075 0.20967742 0.3410673 0.06032483
## Detection Prevalence Balanced Accuracy
## Class: Rendah 0.06960557 0.4796043
## Class: Sedang 0.69605568 0.4378259
## Class: Tinggi 0.23433875 0.4563931cat("\n=== DETAIL PER KLAS (ORDINAL) ===\n")##
## === DETAIL PER KLAS (ORDINAL) ===print(ordinal_cm$byClass)## Sensitivity Specificity Pos Pred Value Neg Pred Value Precision
## Class: Rendah 0.2605634 0.7093426 0.3057851 0.6612903 0.3057851
## Class: Sedang 0.0000000 1.0000000 NaN 0.6705336 NA
## Class: Tinggi 0.7551020 0.2992958 0.3580645 0.7024793 0.3580645
## Recall F1 Prevalence Detection Rate
## Class: Rendah 0.2605634 0.2813688 0.3294664 0.08584687
## Class: Sedang 0.0000000 NA 0.3294664 0.00000000
## Class: Tinggi 0.7551020 0.4857768 0.3410673 0.25754060
## Detection Prevalence Balanced Accuracy
## Class: Rendah 0.2807425 0.4849530
## Class: Sedang 0.0000000 0.5000000
## Class: Tinggi 0.7192575 0.5271989### 6. KETERBATASAN MODEL ###
cat("\nKeterbatasan:
1. Akurasi kedua model relatif rendah (~34%) menunjukkan prediktor yang ada kurang informatif
2. Model kesulitan memprediksi kelas 'Sedang' (Recall = 0%)
3. Confidence Interval Odds Ratio sangat lebar menandakan estimasi tidak stabil
4. Uji signifikansi (p-value > 0.05) menunjukkan prediktor tidak signifikan\n")##
## Keterbatasan:
## 1. Akurasi kedua model relatif rendah (~34%) menunjukkan prediktor yang ada kurang informatif
## 2. Model kesulitan memprediksi kelas 'Sedang' (Recall = 0%)
## 3. Confidence Interval Odds Ratio sangat lebar menandakan estimasi tidak stabil
## 4. Uji signifikansi (p-value > 0.05) menunjukkan prediktor tidak signifikan