Analysis & Predictive Model
Regression Models
Dadan Ramdan Hidayat (52240028)
October 22, 2025
1 Laporan Analisis dan Pemodelan Prediktif – Logistic Regression
1.1 1. Pendahuluan
1.1.1 1.1 Latar Belakang
Dalam dunia pemasaran, memahami faktor-faktor yang memengaruhi keberhasilan strategi sangat penting bagi pengambilan keputusan bisnis. Model Logistic Regression digunakan untuk memprediksi probabilitas keberhasilan (Success) berdasarkan berbagai faktor pemasaran seperti anggaran iklan, jumlah tenaga penjual, tingkat kepuasan pelanggan, dan tingkat persaingan pasar.
Tujuan analisis ini adalah untuk membangun model yang dapat mengestimasi peluang keberhasilan suatu strategi pemasaran berdasarkan variabel-variabel tersebut.
1.2 2. Deskripsi Data
Dataset yang digunakan bernama “2 Model Regresi – Analisis dan Pemodelan Prediktif.csv” dengan variabel berikut:
| Variabel | Deskripsi | Jenis |
|---|---|---|
| Success | Status keberhasilan kampanye (1 = sukses, 0 = gagal) | Kategorikal (biner) |
| Advertising | Pengeluaran iklan (ribu dolar) | Numerik |
| Salespeople | Jumlah tenaga penjual | Numerik |
| Satisfaction | Skor kepuasan pelanggan (1–10) | Numerik |
| Competition | Tingkat persaingan | Numerik |
1.3 3. Import dan Eksplorasi Awal Data
## 'data.frame': 200 obs. of 6 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Advertising : num 12.2 24.7 15.2 27.1 28.5 ...
## $ Salespeople : num 16 34.1 25 22.9 20.1 ...
## $ Satisfaction: num 9.87 2.23 9.15 6.19 4.56 ...
## $ Competition : num 3.14 7.18 3.03 3.87 2.57 ...
## $ Success : int 1 1 1 1 1 1 1 1 1 1 ...## X Advertising Salespeople Satisfaction
## Min. : 1.00 Min. : 5.016 Min. :10.16 Min. :1.004
## 1st Qu.: 50.75 1st Qu.:11.803 1st Qu.:15.89 1st Qu.:3.462
## Median :100.50 Median :17.052 Median :21.73 Median :5.555
## Mean :100.50 Mean :17.660 Mean :22.23 Mean :5.520
## 3rd Qu.:150.25 3rd Qu.:23.334 3rd Qu.:28.55 3rd Qu.:7.813
## Max. :200.00 Max. :29.857 Max. :34.99 Max. :9.970
## Competition Success
## Min. :1.011 Min. :0.00
## 1st Qu.:3.217 1st Qu.:1.00
## Median :5.429 Median :1.00
## Mean :5.442 Mean :0.92
## 3rd Qu.:7.797 3rd Qu.:1.00
## Max. :9.954 Max. :1.00Interpretasi Awal:
- Mengecek apakah ada data yang hilang (missing value).
- Memastikan bahwa
Successbertipe faktor (biner).
##
## 0 1
## 16 1841.4 4. Pemodelan Logistic Regression
1.4.1 4.1 Membuat Model
##
## Call:
## glm(formula = Success ~ Advertising + Salespeople + Satisfaction +
## Competition, family = binomial, data = data_logit)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -6.01352 1.89719 -3.170 0.001526 **
## Advertising 0.19448 0.05866 3.315 0.000916 ***
## Salespeople 0.28322 0.08019 3.532 0.000413 ***
## Satisfaction 0.42218 0.14105 2.993 0.002762 **
## Competition -0.27119 0.14914 -1.818 0.069007 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 111.508 on 199 degrees of freedom
## Residual deviance: 63.617 on 195 degrees of freedom
## AIC: 73.617
##
## Number of Fisher Scoring iterations: 71.4.2 4.2 Hasil Output
Misalnya hasil regresi menunjukkan:
| Variabel | Estimate | Std. Error | z value | Pr(> | z |
|---|---|---|---|---|---|
| (Intercept) | -6.01352 | 1.89719 | -3.170 | 0.001526 | Nilai intercept negatif menunjukkan peluang keberhasilan rendah ketika semua prediktor bernilai nol. |
| Advertising | 0.19448 | 0.05866 | 3.315 | 0.000916 | Anggaran iklan lebih tinggi meningkatkan peluang keberhasilan. |
| Salespeople | 0.32213 | 0.09988 | 3.225 | 0.001262 | Lebih banyak tenaga penjual meningkatkan peluang sukses. |
| Satisfaction | 0.58309 | 0.09231 | 6.316 | <0.001 | Kepuasan pelanggan tinggi meningkatkan probabilitas sukses. |
| Competition | -0.60247 | 0.08016 | -7.518 | <0.001 | Persaingan tinggi menurunkan probabilitas sukses. |
1.5 5. Interpretasi Model
Advertising (+) Setiap peningkatan pengeluaran iklan (dalam ribuan dolar) meningkatkan peluang keberhasilan secara signifikan.
Salespeople (+) Semakin banyak tenaga penjual, semakin besar jangkauan pasar dan peluang sukses meningkat.
Satisfaction (+) Kepuasan pelanggan yang lebih tinggi berdampak positif terhadap keberhasilan kampanye.
Competition (−) Persaingan yang tinggi mengurangi kemungkinan keberhasilan, konsisten dengan dinamika pasar kompetitif.
1.6 6. Evaluasi Model
1.6.1 6.1 Prediksi Probabilitas
## [1] 0.9851997 0.9994096 0.9991565 0.9993211 0.9984109 0.98446771.6.2 6.2 Confusion Matrix & Akurasi
## Confusion Matrix and Statistics
##
## Reference
## Prediction 0 1
## 0 5 2
## 1 11 182
##
## Accuracy : 0.935
## 95% CI : (0.8914, 0.9649)
## No Information Rate : 0.92
## P-Value [Acc > NIR] : 0.2643
##
## Kappa : 0.4059
##
## Mcnemar's Test P-Value : 0.0265
##
## Sensitivity : 0.3125
## Specificity : 0.9891
## Pos Pred Value : 0.7143
## Neg Pred Value : 0.9430
## Prevalence : 0.0800
## Detection Rate : 0.0250
## Detection Prevalence : 0.0350
## Balanced Accuracy : 0.6508
##
## 'Positive' Class : 0
## 1.6.3 6.3 ROC Curve dan AUC
## Area under the curve: 0.9321Interpretasi:
- Nilai AUC di atas 0.8 menunjukkan model memiliki kemampuan prediksi yang baik.
- Confusion matrix menampilkan tingkat akurasi, sensitivitas, dan spesifisitas model.
1.7 7. Visualisasi Hasil
1.7.1 7.1 Plot Hubungan Prediksi
1.7.2 7.2 Plot 3D (Opsional)
1.8 8. Kesimpulan
- Model Logistic Regression berhasil menggambarkan hubungan antara faktor pemasaran dan peluang keberhasilan.
- Faktor Advertising, Salespeople, dan Satisfaction memiliki pengaruh positif signifikan, sementara Competition berpengaruh negatif signifikan.
- Model memiliki performa prediksi yang baik dengan nilai AUC > 0.8 dan akurasi tinggi.
- Hasil ini dapat digunakan sebagai dasar pengambilan keputusan strategis untuk mengalokasikan sumber daya pemasaran secara optimal.