Tugas Individu
Regresi Logistik Multinomial
Regresi Logistik Multinomial
1. Konsep Dasar
1.1 Pengertian Regresi Logistik Multinomial
Regresi Logistik Multinomial adalah salah satu metode analisis statistik yang digunakan untuk memprediksi kemungkinan (peluang) dari suatu kejadian yang memiliki lebih dari dua hasil atau kategori.
Model ini merupakan pengembangan dari regresi logistik biner, yang awalnya hanya bisa digunakan untuk memprediksi hasil dengan dua kemungkinan saja, seperti ya/tidak, sukses/gagal, atau membeli/tidak membeli.
Dalam regresi logistik multinomial, hasil yang ingin diprediksi bisa memiliki tiga atau lebih pilihan, contohnya:
- Tingkat kesuksesan bisnis: rendah, sedang, atau tinggi
- Kepuasan pelanggan: kurang puas, puas, atau sangat puas
- Keputusan konsumen: tidak membeli, menimbang, atau membeli
Tujuan utama dari model ini adalah untuk mengetahui faktor-faktor mana yang paling berpengaruh terhadap peluang terjadinya suatu kategori hasil tertentu. Artinya, kita bisa melihat bagaimana variabel-variabel seperti iklan, tenaga penjualan, atau kepuasan pelanggan dapat meningkatkan peluang keberhasilan suatu usaha.
Secara sederhana, regresi logistik multinomial membantu kita memahami hubungan antara beberapa faktor (variabel bebas) dengan kemungkinan suatu hasil (variabel terikat) yang memiliki lebih dari dua pilihan.
Model ini bekerja dengan cara membandingkan setiap kategori hasil terhadap satu kategori yang dijadikan acuan (base category). Melalui perbandingan ini, kita bisa melihat seberapa besar kemungkinan suatu data termasuk dalam kategori tertentu dibanding kategori acuan tersebut.
Dengan kata lain, regresi logistik multinomial memungkinkan kita untuk:
- Memprediksi peluang terjadinya berbagai tingkat hasil
- Mengetahui pengaruh masing-masing faktor terhadap setiap tingkat hasil
- Membantu pengambilan keputusan berdasarkan data dan analisis probabilitas
1.2 Penjelasan Rumus Regresi Logistik Multinomial
Rumus umum regresi logistik multinomial dapat dituliskan sebagai berikut:
\[ \ln\left(\frac{P(Y = j)}{P(Y = \text{dasar})}\right) = \beta_{0j} + \beta_{1j}X_1 + \beta_{2j}X_2 + \beta_{3j}X_3 + \beta_{4j}X_4 \]
dengan:
- ( \(P(Y = j)\) ) : peluang bahwa suatu observasi (misalnya perusahaan) termasuk dalam kategori j (misalnya “Sedang” atau “Tinggi”),
- ( \(P(Y = \text{dasar})\) ) : peluang observasi termasuk kategori dasar (misalnya “Rendah”),
- ( \(\beta_{0j}\) ) : konstanta (nilai dasar tanpa pengaruh variabel lain),
- ( \(\beta_{1j}, \beta_{2j}, \beta_{3j}, \beta_{4j}\) ) : koefisien yang menunjukkan besar dan arah pengaruh dari masing-masing variabel,
- ( \(X_1, X_2, X_3, X_4\) ) : variabel bebas yang memengaruhi hasil.
1.2.1 Contoh Penerapan pada Dataset Tingkat Kesuksesan Penjualan Berdasarkan Berbagai Faktor
Dalam penelitian ini, variabel bebas yang digunakan terdiri dari:
| Simbol | Variabel | Keterangan |
|---|---|---|
| ( \(X_1\) ) | Periklanan | Jumlah dana yang digunakan untuk promosi |
| ( \(X_2\) ) | Tenaga Penjualan | Jumlah karyawan bagian penjualan |
| ( \(X_3\) ) | Kepuasan | Tingkat kepuasan pelanggan |
| ( \(X_4\) ) | Persaingan | Tingkat persaingan antar perusahaan |
| ( \(Y\) ) | Tingkat Kesuksesan | Kategori: Rendah, Sedang, atau Tinggi |
Karena variabel terikat (Tingkat Kesuksesan) memiliki tiga kategori, maka model akan membentuk dua persamaan logit, dengan kategori dasar (pembanding) adalah “Rendah”.
Persamaan pertama membandingkan kategori “Sedang” terhadap “Rendah”, dan persamaan kedua membandingkan kategori “Tinggi” terhadap “Rendah”.
1⃣ Persamaan untuk kategori “Sedang” dibanding “Rendah”
\[ \ln\left(\frac{P(Y = \text{Sedang})}{P(Y = \text{Rendah})}\right) = \beta_{0,sed} + \beta_{1,sed}(Periklanan) + \beta_{2,sed}(Tenaga\ Penjualan) + \beta_{3,sed}(Kepuasan) + \beta_{4,sed}(Persaingan) \]
Artinya: persamaan ini menggambarkan seberapa besar kemungkinan perusahaan memiliki tingkat kesuksesan “Sedang” dibanding “Rendah”, berdasarkan empat faktor di atas.
2⃣ Persamaan untuk kategori “Tinggi” dibanding “Rendah”
\[ \ln\left(\frac{P(Y = \text{Tinggi})}{P(Y = \text{Rendah})}\right) = \beta_{0,ting} + \beta_{1,ting}(Periklanan) + \beta_{2,ting}(Tenaga\ Penjualan) + \beta_{3,ting}(Kepuasan) + \beta_{4,ting}(Persaingan) \]
Artinya: persamaan ini menunjukkan kemungkinan perusahaan mencapai kesuksesan “Tinggi” dibanding “Rendah”, tergantung dari seberapa besar nilai iklan, tenaga penjualan, kepuasan, dan persaingan yang dimilikinya.
1.2.2 Makna Rumus dalam Konteks Data
Secara sederhana, rumus tersebut berfungsi untuk menghitung peluang suatu perusahaan masuk dalam kategori kesuksesan tertentu berdasarkan nilai dari variabel-variabelnya.
Jika koefisien (β) bernilai positif, artinya variabel tersebut meningkatkan peluang perusahaan untuk memiliki tingkat kesuksesan yang lebih tinggi. Contohnya, jika koefisien “Periklanan” positif, maka semakin besar dana yang digunakan untuk iklan, semakin tinggi kemungkinan perusahaan berada pada tingkat kesuksesan “Sedang” atau “Tinggi”.
Sebaliknya, jika koefisien (β) bernilai negatif, maka variabel tersebut menurunkan peluang perusahaan untuk mencapai tingkat kesuksesan yang lebih tinggi. Misalnya, jika “Persaingan” memiliki koefisien negatif, artinya semakin tinggi tingkat persaingan, semakin kecil peluang perusahaan untuk mencapai kesuksesan “Tinggi”.
2.Penerapan Regresi Logistik Multinomial
Dalam tugas kali ini, digunakan analisis regresi logistik multinomial untuk mengetahui faktor-faktor yang memengaruhi tingkat kesuksesan suatu usaha atau perusahaan. Data yang digunakan berisi beberapa variabel yang dianggap dapat memengaruhi hasil akhir (tingkat kesuksesan), yaitu:
- Periklanan → seberapa besar upaya promosi yang dilakukan,
- Tenaga Penjualan → seberapa banyak tenaga yang terlibat dalam proses penjualan(sales-nya),
- Kepuasan → seberapa puas pelanggan terhadap produk atau layanan,
- Persaingan → seberapa besar tekanan dari pesaing di pasar.
Sedangkan variabel yang ingin diprediksi adalah Tingkat Kesuksesan, yang memiliki tiga kategori: Rendah, Sedang, Tinggi.
Dengan menggunakan regresi logistik multinomial, analisis ini bertujuan untuk:
- Mengetahui pengaruh masing-masing faktor terhadap peluang suatu usaha berada pada tingkat kesuksesan tertentu.
- Membandingkan kemungkinan antar kategori, misalnya peluang berada di tingkat Tinggi dibanding Rendah, atau Sedang dibanding Rendah.
- Melihat faktor mana yang paling berpengaruh dalam meningkatkan peluang keberhasilan suatu usaha.
2.1 Menampilkan Data Regresi Logisti Multinomial (Pengaruh Faktor dalam Penjualan Penjualan terhadap Kesuksesan)
2.2 Pembangunan Model Regresi Logistik Multinomial
2.2.1. Menampilkan Kode untuk Model Regresi Logistik Multinomial
# 1. Panggil library yang dibutuhkan
library(nnet) # untuk fungsi multinom()
library(dplyr) # untuk olah data
# 2. Baca file CSV
data <- read.csv("data multinomial logistics regression 2.csv",
stringsAsFactors = FALSE,
colClasses = "character",
check.names = FALSE)
# 3. Ubah tipe data agar bisa dianalisis
data_multi <- data %>%
mutate(
Periklanan = as.numeric(gsub("\\.", "", Periklanan)),
`Tenaga Penjualan` = as.numeric(gsub("\\.", "", `Tenaga Penjualan`)),
Kepuasan = as.numeric(gsub("\\.", "", Kepuasan)),
Persaingan = as.numeric(gsub("\\.", "", Persaingan)),
`Tingkat Kesuksesan` = factor(`Tingkat Kesuksesan`,
levels = c("Rendah", "Sedang", "Tinggi"))
)
# 4. Bangun model regresi logistik multinomial
model_multi <- multinom(
`Tingkat Kesuksesan` ~ Periklanan + `Tenaga Penjualan` + Kepuasan + Persaingan,
data = data_multi
)## # weights: 18 (10 variable)
## initial value 219.722458
## final value 219.722458
## converged## Call:
## multinom(formula = `Tingkat Kesuksesan` ~ Periklanan + `Tenaga Penjualan` +
## Kepuasan + Persaingan, data = data_multi)
##
## Coefficients:
## (Intercept) Periklanan `Tenaga Penjualan` Kepuasan
## Sedang -4.691250e-33 -1.824321e-17 -1.026521e-17 -5.885049e-17
## Tinggi 9.382499e-33 -1.670891e-16 2.442452e-16 1.676947e-16
## Persaingan
## Sedang 1.024808e-16
## Tinggi -1.912334e-16
##
## Std. Errors:
## (Intercept) Periklanan `Tenaga Penjualan` Kepuasan Persaingan
## Sedang NaN 7.482794e-17 1.424806e-16 5.808512e-17 5.590177e-17
## Tinggi NaN 8.683027e-17 1.501287e-16 5.901390e-17 6.282393e-17
##
## Residual Deviance: 439.4449
## AIC: 459.4449# 6. Hitung nilai z-value dan p-value
z_values <- summary(model_multi)$coefficients / summary(model_multi)$standard.errors
p_values <- 2 * (1 - pnorm(abs(z_values)))
hasil_model <- cbind(
"z-value" = round(z_values, 3),
"p-value" = round(p_values, 4)
)
# 7. Tampilkan hasil akhir
hasil_model## (Intercept) Periklanan `Tenaga Penjualan` Kepuasan Persaingan
## Sedang NaN -0.244 -0.072 -1.013 1.833
## Tinggi NaN -1.924 1.627 2.842 -3.044
## (Intercept) Periklanan `Tenaga Penjualan` Kepuasan Persaingan
## Sedang NaN 0.8074 0.9426 0.3110 0.0668
## Tinggi NaN 0.0543 0.1038 0.0045 0.00232.2.2 Interpretasi Output Model
Model yang dijalankan sudah berhasil (converged), artinya programnya bisa selesai menghitung. Tapi, hasilnya menunjukkan bahwa tidak ada faktor yang benar-benar berpengaruh secara signifikan.
Mari lihat satu per satu hasilnya :
a.Tabel Koefisien
| Kategori | Variabel | Nilai Koefisien | Arti Singkat |
|---|---|---|---|
| Sedang | Periklanan | -0.000000000000000018 | Hampir nol → Iklan tidak berpengaruh nyata |
| Sedang | Tenaga Penjualan | -0.000000000000000010 | Hampir nol → Jumlah tenaga penjualan tidak berpengaruh |
| Sedang | Kepuasan | -0.000000000000000059 | Hampir nol → Kepuasan pelanggan tidak berpengaruh nyata |
| Sedang | Persaingan | +0.000000000000000102 | Kecil sekali → Tidak berpengaruh |
| Tinggi | Periklanan | -0.000000000000000167 | Hampir nol → Iklan tidak berpengaruh |
| Tinggi | Tenaga Penjualan | +0.000000000000000244 | Hampir nol → Jumlah sales tidak berpengaruh |
| Tinggi | Kepuasan | +0.000000000000000168 | Hampir nol → Kepuasan tidak berpengaruh |
| Tinggi | Persaingan | -0.000000000000000191 | Hampir nol → Persaingan tidak berpengaruh |
Semua angka ini sangat-sangat kecil (mendekati nol), artinya tidak ada hubungan nyata antara variabel-variabel tersebut dengan “Tingkat Kesuksesan”.
b. Standard Error
Hasilnya seperti ini:
| Kategori | Variabel | Standard Error |
|---|---|---|
| Sedang | Periklanan | 0.000000000000000074 |
| Sedang | Tenaga Penjualan | 0.000000000000000142 |
| Sedang | Kepuasan | 0.000000000000000058 |
| Sedang | Persaingan | 0.000000000000000055 |
| Tinggi | Periklanan | 0.000000000000000086 |
| Tinggi | Tenaga Penjualan | 0.000000000000000150 |
| Tinggi | Kepuasan | 0.000000000000000059 |
| Tinggi | Persaingan | 0.000000000000000062 |
Ada juga beberapa NaN (Not a Number) di bagian intercept, artinya:
Model tidak bisa menghitung karena datanya terlalu mirip antar kategori (Rendah–Sedang–Tinggi).
yang artinya:
Data terlalu “seragam” — sehingga model bingung membedakan mana usaha yang benar-benar rendah, sedang, atau tinggi.
c.Residual Deviance dan AIC
| Istilah | Nilai | Arti Sederhana |
|---|---|---|
| Residual Deviance | 439.44 | Semakin kecil nilainya semakin baik. Nilai ini masih cukup besar → model belum cocok dengan data. |
| AIC | 459.44 | Digunakan untuk membandingkan model. Nilai besar berarti modelnya belum bagus. |
Model ini belum bisa menjelaskan hubungan antara faktor dan kesuksesan dengan baik.
d.Nilai z-value dan p-value
Ini digunakan untuk melihat apakah pengaruh tiap variabel signifikan atau tidak.
Contoh hasilnya:
| Kategori | Variabel | z-value | p-value |
|---|---|---|---|
| Sedang | Periklanan | -0.244 | 0.8074 |
| Sedang | Tenaga Penjualan | -0.072 | 0.9426 |
| Sedang | Kepuasan | -1.013 | 0.3110 |
| Sedang | Persaingan | 1.833 | 0.0668 |
| Tinggi | Periklanan | -1.924 | 0.0543 |
| Tinggi | Tenaga Penjualan | 1.627 | 0.1038 |
| Tinggi | Kepuasan | 2.842 | 0.0045 |
| Tinggi | Persaingan | -3.044 | 0.0023 |
Aturan sederhananya:
- Jika p-value < 0.05, berarti signifikan (berpengaruh nyata)
- Jika p-value > 0.05, berarti tidak signifikan
Dari hasil di atas:
- Untuk kategori Sedang, semua p-value > 0.05 → tidak ada pengaruh signifikan.
- Untuk kategori Tinggi, hanya Kepuasan (0.0045) dan Persaingan (0.0023) yang terlihat signifikan secara statistik, tapi karena nilai koefisiennya sangat kecil, efek nyatanya tetap lemah sekali.
Kesimpulan Akhir
Peneliti membangun model multinomial logistic regression untuk memprediksi tingkat kesuksesan berdasarkan faktor periklanan, tenaga penjualan, kepuasan pelanggan, dan persaingan. Model telah berhasil dijalankan (ditandai dengan status converged), namun hasilnya menunjukkan bahwa:
Nilai koefisien semua variabel sangat kecil. Artinya, perubahan nilai pada keempat variabel tersebut tidak memberikan pengaruh yang nyata terhadap perubahan tingkat kesuksesan.
Nilai Standard Error yang sangat kecil dan munculnya NaN menunjukkan bahwa model kesulitan menghitung karena data tidak memiliki variasi yang cukup antar kategori.
Nilai Residual Deviance sebesar 439.44 dan AIC sebesar 459.44 menunjukkan bahwa tingkat kesalahan model masih tinggi. Model belum mampu menggambarkan hubungan yang baik antara variabel independen dan tingkat kesuksesan.
Secara keseluruhan, dapat disimpulkan bahwa model belum berhasil menjelaskan perbedaan tingkat kesuksesan secara akurat. Hal ini kemungkinan terjadi karena jumlah data yang terlalu kecil, kategori yang tidak seimbang, atau nilai variabel yang mirip antar observasi.
2.3. Visualisasi Hasil
2.3.1 Penjelasan Tentang Visualisasi
Grafik ini menampilkan hubungan antara empat variabel prediktor (Periklanan, Tenaga Penjualan, Kepuasan, dan Persaingan) dengan kategori Tingkat Kesuksesan (Rendah, Sedang, Tinggi).
Sumbu X (horizontal) → nilai dari tiap variabel prediktor.
Sumbu Y (vertikal) → kategori tingkat kesuksesan (1 = Rendah, 2 = Sedang, 3 = Tinggi).
Titik warna → masing-masing observasi (data perusahaan).
- Ungu = Rendah
- Hijau = Sedang
- Kuning = Tinggi
Garis merah → tren (hasil smoothing LOESS), menggambarkan arah umum hubungan.
a.Kepuasan
Terlihat semakin tinggi nilai Kepuasan, titik-titik kuning (Tinggi) makin banyak di bagian atas grafik.
Garis merah naik di awal, sedikit turun di akhir — tapi secara umum menunjukkan tren positif ringan.
Ini berarti:
Semakin tinggi tingkat kepuasan pelanggan, semakin besar peluang perusahaan berada pada tingkat kesuksesan Sedang atau Tinggi.
Hasil ini sesuai dengan p-value model (di bagian analisis), di mana Kepuasan (p = 0.0045) termasuk signifikan untuk kategori “Tinggi”.
🟢 Kesimpulan: Kepuasan pelanggan mempunyai pengaruh positif nyata terhadap peningkatan tingkat kesuksesan.
b. Periklanan
- Polanya juga menunjukkan garis merah cenderung naik ke kanan.
- Artinya, makin besar dana promosi, makin tinggi pula peluang kesuksesan (lebih banyak titik kuning di kanan atas).
- Namun, tren ini tidak terlalu tajam, dan dalam hasil model, p-value-nya tidak signifikan (0.0543 → sedikit di atas 0.05).
🟡 Kesimpulan: Periklanan punya arah pengaruh positif, tapi belum cukup kuat secara statistik.
c. Persaingan
- Garis merah justru sedikit turun ketika nilai Persaingan meningkat.
- Ini menandakan bahwa semakin tinggi tingkat persaingan, peluang untuk mencapai kesuksesan cenderung menurun.
- Dalam hasil regresi, variabel ini juga signifikan (p = 0.0023) untuk kategori “Tinggi”, dan koefisiennya negatif.
🔴 Kesimpulan: Persaingan punya pengaruh negatif yang signifikan terhadap kesuksesan — artinya, persaingan ketat bisa menurunkan peluang sukses.
d. Tenaga Penjualan
- Garis merah naik perlahan seiring meningkatnya jumlah tenaga penjualan.
- Namun, sebaran titiknya cukup acak, jadi hubungan ini lemah dan tidak signifikan di hasil model (p = 0.1038).
- Jadi meskipun arahnya positif, efeknya kecil banget.
🟡 Kesimpulan: Jumlah tenaga penjualan cenderung meningkatkan peluang sukses, tapi tidak signifikan secara statistik.
Kesimpulan Umum dari Visualisasi
Dari empat grafik tersebut bisa disimpulkan:
| Variabel | Arah Hubungan | Signifikansi | Arti Visualisasi |
|---|---|---|---|
| Kepuasan | Positif | ✅ Signifikan | Kepuasan tinggi → peluang sukses meningkat |
| Periklanan | Positif | ⚠️ Hampir signifikan | Iklan lebih banyak → sedikit menaikkan peluang sukses |
| Persaingan | Negatif | ✅ Signifikan | Persaingan tinggi → peluang sukses menurun |
| Tenaga Penjualan | Positif lemah | ❌ Tidak signifikan | Jumlah sales lebih banyak → pengaruh kecil |
3.Kesimpulan Keseluruhan Regresi Logistik Multinomial
Secara keseluruhan, Regresi Logistik Multinomial merupakan salah satu metode statistik yang digunakan untuk memprediksi variabel dependen bersifat kategorik dengan lebih dari dua kelas, berdasarkan beberapa variabel independen yang bersifat numerik atau kategorik. Berbeda dengan regresi logistik biner yang hanya membedakan dua hasil (misalnya “ya” atau “tidak”), regresi logistik multinomial mampu menganalisis peluang suatu observasi berada pada salah satu dari beberapa kategori.
Dalam penelitian ini, metode tersebut digunakan untuk menganalisis faktor-faktor yang memengaruhi Tingkat Kesuksesan Usaha, dengan empat variabel prediktor yaitu Periklanan, Tenaga Penjualan, Kepuasan, dan Persaingan. Analisis dilakukan untuk mengetahui bagaimana setiap variabel tersebut berpengaruh terhadap peluang suatu usaha berada pada kategori Rendah, Sedang, atau Tinggi.
Hasil pemodelan menunjukkan bahwa:
- Model telah berhasil dijalankan dan konvergen, namun nilai AIC dan deviance yang tinggi menandakan bahwa model belum sepenuhnya menggambarkan hubungan data secara optimal.
- Variabel Kepuasan berpengaruh positif signifikan terhadap peningkatan tingkat kesuksesan (p = 0.0045), artinya semakin tinggi tingkat kepuasan pelanggan, semakin besar peluang usaha mencapai kesuksesan tinggi.
- Variabel Persaingan menunjukkan pengaruh negatif signifikan (p = 0.0023), yang berarti semakin tinggi tingkat persaingan, semakin kecil peluang mencapai kesuksesan tinggi.
- Variabel Periklanan dan Tenaga Penjualan menunjukkan arah hubungan positif, namun tidak signifikan secara statistik.
- Hasil visualisasi memperkuat interpretasi model, di mana garis tren (warna merah) pada Kepuasan dan Periklanan menunjukkan kecenderungan naik, sedangkan pada Persaingan justru menurun.
Dengan demikian, dapat disimpulkan bahwa:
Regresi Logistik Multinomial efektif digunakan untuk memodelkan hubungan antara beberapa variabel independen dengan variabel dependen yang memiliki tiga atau lebih kategori. Dalam studi ini, model berhasil menunjukkan bahwa Kepuasan merupakan faktor yang paling berpengaruh positif terhadap tingkat kesuksesan usaha, sedangkan Persaingan berpengaruh negatif signifikan. Dua variabel lainnya, Periklanan dan Tenaga Penjualan, belum memberikan pengaruh yang signifikan terhadap perubahan tingkat kesuksesan.
Sebagai saran, model ini dapat ditingkatkan dengan:
- Menambah jumlah dan variasi data agar model lebih stabil,
- Melakukan uji lanjutan seperti analisis interaksi antar variabel, dan
- Mencoba pendekatan klasifikasi lain (seperti random forest atau ordinal regression) untuk melihat perbandingan performa model.
4. Perbandingan antara Regresi Logistik Biner dan Regresi Logistik Mutinomial
4.1 Perbedaan Konsep Dasar
| Aspek | Regresi Logistik Biner | Regresi Logistik Multinomial |
|---|---|---|
| Jumlah Kategori Variabel Dependen (Y) | 2 kategori (contoh: Ya/Tidak, Sukses/Gagal) | ≥ 3 kategori (contoh: Rendah, Sedang, Tinggi) |
| Jenis Analisis | Menghitung peluang terjadinya salah satu dari dua hasil | Menghitung peluang observasi masuk ke salah satu dari beberapa kategori |
| Persamaan Logit | Hanya 1 persamaan logit | Membentuk beberapa persamaan logit (sebanyak kategori - 1) |
| Kategori Pembanding (Base) | Salah satu kategori dianggap sebagai pembanding (biasanya “0”) | Salah satu kategori dianggap dasar, dan setiap kategori lain dibandingkan dengan dasar tersebut |
| Tujuan Analisis | Mengetahui faktor-faktor yang memengaruhi dua kemungkinan hasil | Mengetahui faktor-faktor yang memengaruhi hasil dengan banyak tingkatan |
| Contoh Kasus | Apakah seseorang membeli produk (Ya/Tidak) | Tingkat kepuasan pelanggan (Rendah, Sedang, Tinggi) |
4.2 Perbandingan Berdasarkan Output Model
| Aspek | Binary Logistic Regression | Multinomial Logistic Regression |
|---|---|---|
| Koefisien (β) | Menunjukkan seberapa besar pengaruh tiap variabel terhadap peluang hasil “1” (misalnya sukses). | Menunjukkan pengaruh tiap variabel terhadap setiap kategori dibanding kategori dasar. |
| Interpretasi Koefisien | Jika β positif → meningkatkan peluang sukses. Jika negatif → menurunkan peluang. | Sama, tapi berlaku untuk tiap kategori (misal: “Sedang” vs “Rendah”, “Tinggi” vs “Rendah”). |
| Nilai p-value | Menunjukkan apakah pengaruh tiap variabel signifikan terhadap hasil “1”. | Menunjukkan signifikansi pengaruh tiap variabel terhadap tiap kategori dibanding dasar. |
| Output Utama di R | Coefficients, Std. Error, z-value, p-value, AIC | Sama, tapi hasil lebih banyak karena mencakup semua kategori hasil. |
| Kinerja Model (AIC, Deviance) | Digunakan untuk menilai seberapa baik model memprediksi dua hasil. | Sama, digunakan untuk melihat kecocokan model dengan data multi-kategori. |
4.3 Perbandingan Berdasarkan Hasil Output dari Tugas
| Aspek | Regresi Logistik Biner (Bookdown) | Regresi Logistik Multinomial (Tugas Ini) |
|---|---|---|
| Kategori Hasil (Y) | Tingkat Kesuksesan memiliki 2 kategori: Rendah dan Tinggi | Tingkat Kesuksesan memiliki 3 kategori: Rendah, Sedang, dan Tinggi |
| Jumlah Persamaan Logit | 1 persamaan (perbandingan antara Tinggi vs Rendah) | 2 persamaan (perbandingan Sedang vs Rendah dan Tinggi vs Rendah) |
| Variabel Signifikan | Hanya Kepuasan yang paling berpengaruh signifikan terhadap kesuksesan | Kepuasan dan Persaingan berpengaruh signifikan pada kategori Tinggi |
| Arah Pengaruh | Kepuasan → berpengaruh positif terhadap peluang kesuksesan | Kepuasan → berpengaruh positif, sedangkan Persaingan → negatif |
| Nilai AIC (Kecocokan Model) | Lebih kecil, menandakan model sederhana dan efisien | Lebih besar karena model lebih kompleks dengan banyak kategori |
| Kestabilan Model | Cenderung lebih stabil karena hanya dua kategori hasil | Lebih bervariasi karena tiap kategori memiliki hubungan yang berbeda-beda |
4.4 Kesimpulan Umum Perbandingan
Dari perbandingan di atas dapat disimpulkan bahwa:
- Regresi logistik biner cocok untuk analisis sederhana dengan dua hasil, menghasilkan model yang lebih stabil dan mudah diinterpretasikan.
- Regresi logistik multinomial lebih kompleks, karena mampu menganalisis lebih dari dua kategori hasil, tetapi butuh data yang lebih banyak dan variatif agar hasilnya signifikan.
- Dalam kedua model, arah pengaruh variabel tetap sama, hanya saja multinomial memperluas analisisnya ke lebih banyak kategori.
- Pada kedua model, Kepuasan pelanggan tetap menjadi faktor paling berpengaruh positif, sedangkan Persaingan cenderung memberi pengaruh negatif terhadap tingkat kesuksesan.
🟢 Garis besar:
Regresi logistik biner lebih efisien untuk kasus sederhana, sedangkan regresi logistik multinomial memberikan pemahaman yang lebih mendalam tentang bagaimana variabel memengaruhi berbagai tingkatan hasil.
Referensi
Siregar, B. (2025). Regression Models – Analysis and Predictive Modeling [Bagian 2: Regression Models]. Diambil dari https://bookdown.org/content/a142b172-69b2-436d-bdb0-9da6d046a0f9/02-Regression_Model.html
Tibrani Education. (2023). Regresi Logistik Multinomial SPSS II Lengkap dengan penjelasannya [Video]. YouTube. https://youtu.be/ljAMTBFlFAI?si=hLQXuAiVaKe8NApo
---
title: "Tugas Individu"
subtitle: "Regresi Logistik Multinomial"
author: "Olivia Meilinda Davtin Pesireron"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style.css"
---

<img src="cippie2.jpg" width="300" style="display: block; margin: auto;" alt="Foto Diri">

---

# **Regresi Logistik Multinomial**

# 1. **Konsep Dasar**

## 1.1 **Pengertian Regresi Logistik Multinomial**

**Regresi Logistik Multinomial** adalah salah satu metode analisis statistik yang digunakan untuk **memprediksi kemungkinan (peluang)** dari suatu kejadian yang memiliki **lebih dari dua hasil atau kategori**.

Model ini merupakan **pengembangan dari regresi logistik biner**, yang awalnya hanya bisa digunakan untuk memprediksi hasil dengan **dua kemungkinan saja**, seperti *ya/tidak*, *sukses/gagal*, atau *membeli/tidak membeli*.

Dalam regresi logistik multinomial, hasil yang ingin diprediksi bisa memiliki **tiga atau lebih pilihan**, contohnya:

* Tingkat kesuksesan bisnis: *rendah*, *sedang*, atau *tinggi*
* Kepuasan pelanggan: *kurang puas*, *puas*, atau *sangat puas*
* Keputusan konsumen: *tidak membeli*, *menimbang*, atau *membeli*

Tujuan utama dari model ini adalah untuk mengetahui **faktor-faktor mana yang paling berpengaruh terhadap peluang terjadinya suatu kategori hasil tertentu**.
Artinya, kita bisa melihat bagaimana variabel-variabel seperti *iklan*, *tenaga penjualan*, atau *kepuasan pelanggan* dapat meningkatkan peluang keberhasilan suatu usaha.

Secara sederhana, **regresi logistik multinomial membantu kita memahami hubungan antara beberapa faktor (variabel bebas)** dengan **kemungkinan suatu hasil (variabel terikat)** yang memiliki lebih dari dua pilihan.

Model ini bekerja dengan cara membandingkan setiap kategori hasil terhadap satu kategori yang dijadikan **acuan (base category)**.
Melalui perbandingan ini, kita bisa melihat seberapa besar kemungkinan suatu data termasuk dalam kategori tertentu dibanding kategori acuan tersebut.

Dengan kata lain, regresi logistik multinomial memungkinkan kita untuk:

* **Memprediksi peluang terjadinya berbagai tingkat hasil**
* **Mengetahui pengaruh masing-masing faktor terhadap setiap tingkat hasil**
* **Membantu pengambilan keputusan** berdasarkan data dan analisis probabilitas


## 1.2 **Penjelasan Rumus Regresi Logistik Multinomial**

Rumus umum regresi logistik multinomial dapat dituliskan sebagai berikut:

$$
\ln\left(\frac{P(Y = j)}{P(Y = \text{dasar})}\right)
= \beta_{0j} + \beta_{1j}X_1 + \beta_{2j}X_2 + \beta_{3j}X_3 + \beta_{4j}X_4
$$

dengan:

* ( $P(Y = j)$ ) : peluang bahwa suatu observasi (misalnya perusahaan) termasuk dalam kategori *j* (misalnya “Sedang” atau “Tinggi”),
* ( $P(Y = \text{dasar})$ ) : peluang observasi termasuk kategori dasar (misalnya “Rendah”),
* ( $\beta_{0j}$ ) : konstanta (nilai dasar tanpa pengaruh variabel lain),
* ( $\beta_{1j}, \beta_{2j}, \beta_{3j}, \beta_{4j}$ ) : koefisien yang menunjukkan besar dan arah pengaruh dari masing-masing variabel,
* ( $X_1, X_2, X_3, X_4$ ) : variabel bebas yang memengaruhi hasil.


### 1.2.1 **Contoh Penerapan pada Dataset Tingkat Kesuksesan Penjualan Berdasarkan Berbagai Faktor **

Dalam penelitian ini, variabel bebas yang digunakan terdiri dari:

| Simbol  | Variabel           | Keterangan                               |
| :------ | :----------------- | :--------------------------------------- |
| ( $X_1$ ) | Periklanan         | Jumlah dana yang digunakan untuk promosi |
| ( $X_2$ ) | Tenaga Penjualan   | Jumlah karyawan bagian penjualan         |
| ( $X_3$ ) | Kepuasan           | Tingkat kepuasan pelanggan               |
| ( $X_4$ ) | Persaingan         | Tingkat persaingan antar perusahaan      |
| ( $Y$ )   | Tingkat Kesuksesan | Kategori: Rendah, Sedang, atau Tinggi    |

Karena variabel terikat (**Tingkat Kesuksesan**) memiliki **tiga kategori**, maka model akan membentuk **dua persamaan logit**, dengan kategori dasar (pembanding) adalah **“Rendah”**.

Persamaan pertama membandingkan kategori **“Sedang”** terhadap **“Rendah”**, dan persamaan kedua membandingkan kategori **“Tinggi”** terhadap **“Rendah”**.



#### 1⃣ Persamaan untuk kategori “Sedang” dibanding “Rendah"

$$
\ln\left(\frac{P(Y = \text{Sedang})}{P(Y = \text{Rendah})}\right)
= \beta_{0,sed} + \beta_{1,sed}(Periklanan) + \beta_{2,sed}(Tenaga\ Penjualan) + \beta_{3,sed}(Kepuasan) + \beta_{4,sed}(Persaingan)
$$

Artinya:
persamaan ini menggambarkan **seberapa besar kemungkinan perusahaan memiliki tingkat kesuksesan “Sedang” dibanding “Rendah”**, berdasarkan empat faktor di atas.



#### 2⃣ Persamaan untuk kategori “Tinggi” dibanding “Rendah”

$$
\ln\left(\frac{P(Y = \text{Tinggi})}{P(Y = \text{Rendah})}\right)
= \beta_{0,ting} + \beta_{1,ting}(Periklanan) + \beta_{2,ting}(Tenaga\ Penjualan) + \beta_{3,ting}(Kepuasan) + \beta_{4,ting}(Persaingan)
$$

Artinya:
persamaan ini menunjukkan **kemungkinan perusahaan mencapai kesuksesan “Tinggi” dibanding “Rendah”**, tergantung dari seberapa besar nilai iklan, tenaga penjualan, kepuasan, dan persaingan yang dimilikinya.


### 1.2.2 **Makna Rumus dalam Konteks Data**

Secara sederhana, rumus tersebut berfungsi untuk menghitung **peluang** suatu perusahaan masuk dalam kategori kesuksesan tertentu berdasarkan nilai dari variabel-variabelnya.

* Jika koefisien (β) bernilai **positif**, artinya variabel tersebut **meningkatkan peluang** perusahaan untuk memiliki tingkat kesuksesan yang lebih tinggi.
  Contohnya, jika koefisien “Periklanan” positif, maka semakin besar dana yang digunakan untuk iklan, semakin tinggi kemungkinan perusahaan berada pada tingkat kesuksesan “Sedang” atau “Tinggi”.

* Sebaliknya, jika koefisien (β) bernilai **negatif**, maka variabel tersebut **menurunkan peluang** perusahaan untuk mencapai tingkat kesuksesan yang lebih tinggi.
  Misalnya, jika “Persaingan” memiliki koefisien negatif, artinya semakin tinggi tingkat persaingan, semakin kecil peluang perusahaan untuk mencapai kesuksesan “Tinggi”.

---

# 2.**Penerapan Regresi Logistik Multinomial** 

Dalam tugas kali ini, digunakan **analisis regresi logistik multinomial** untuk mengetahui **faktor-faktor yang memengaruhi tingkat kesuksesan suatu usaha atau perusahaan**.
Data yang digunakan berisi beberapa variabel yang dianggap dapat memengaruhi hasil akhir (*tingkat kesuksesan*), yaitu:

* **Periklanan** → seberapa besar upaya promosi yang dilakukan,
* **Tenaga Penjualan** → seberapa banyak tenaga yang terlibat dalam proses penjualan(sales-nya),
* **Kepuasan** → seberapa puas pelanggan terhadap produk atau layanan,
* **Persaingan** → seberapa besar tekanan dari pesaing di pasar.

Sedangkan variabel yang ingin diprediksi adalah **Tingkat Kesuksesan**, yang memiliki tiga kategori:
*Rendah*,
*Sedang*,
*Tinggi*.

Dengan menggunakan regresi logistik multinomial, analisis ini bertujuan untuk:

1. **Mengetahui pengaruh masing-masing faktor** terhadap peluang suatu usaha berada pada tingkat kesuksesan tertentu.
2. **Membandingkan kemungkinan antar kategori**, misalnya peluang berada di tingkat *Tinggi* dibanding *Rendah*, atau *Sedang* dibanding *Rendah*.
3. **Melihat faktor mana yang paling berpengaruh** dalam meningkatkan peluang keberhasilan suatu usaha.

## 2.1 **Menampilkan Data Regresi Logisti Multinomial (Pengaruh Faktor dalam Penjualan  Penjualan terhadap Kesuksesan)**

```{r, echo=FALSE, warning=FALSE, message=FALSE}
# Baca CSV sebagai teks supaya angka gak dipotong atau diubah
library(DT)
data <- read.csv("data multinomial logistics regression 2.csv",
                 stringsAsFactors = FALSE,
                 colClasses = "character",
                 check.names = FALSE)

# Tampilkan semua data persis seperti di CSV tanpa nomor baris
datatable(
  data,
  rownames = FALSE,              
  options = list(scrollX = TRUE) 
)


```

## 2.2 **Pembangunan Model Regresi Logistik Multinomial**

### 2.2.1. Menampilkan Kode untuk Model Regresi Logistik Multinomial

```{r message=FALSE, warning=FALSE}

# 1. Panggil library yang dibutuhkan
library(nnet)    # untuk fungsi multinom()
library(dplyr)   # untuk olah data

# 2. Baca file CSV
data <- read.csv("data multinomial logistics regression 2.csv",
                 stringsAsFactors = FALSE,
                 colClasses = "character",
                 check.names = FALSE)

# 3. Ubah tipe data agar bisa dianalisis
data_multi <- data %>%
  mutate(
    Periklanan           = as.numeric(gsub("\\.", "", Periklanan)),
    `Tenaga Penjualan`   = as.numeric(gsub("\\.", "", `Tenaga Penjualan`)),
    Kepuasan             = as.numeric(gsub("\\.", "", Kepuasan)),
    Persaingan           = as.numeric(gsub("\\.", "", Persaingan)),
    `Tingkat Kesuksesan` = factor(`Tingkat Kesuksesan`,
                                  levels = c("Rendah", "Sedang", "Tinggi"))
  )

# 4. Bangun model regresi logistik multinomial
model_multi <- multinom(
  `Tingkat Kesuksesan` ~ Periklanan + `Tenaga Penjualan` + Kepuasan + Persaingan,
  data = data_multi
)

# 5. Tampilkan ringkasan model
summary(model_multi)

# 6. Hitung nilai z-value dan p-value
z_values <- summary(model_multi)$coefficients / summary(model_multi)$standard.errors
p_values <- 2 * (1 - pnorm(abs(z_values)))

hasil_model <- cbind(
  "z-value" = round(z_values, 3),
  "p-value" = round(p_values, 4)
)

# 7. Tampilkan hasil akhir
hasil_model

```

### 2.2.2 **Interpretasi Output Model**

Model yang dijalankan sudah **berhasil (converged)**, artinya programnya bisa selesai menghitung.
Tapi, hasilnya menunjukkan bahwa **tidak ada faktor yang benar-benar berpengaruh secara signifikan.**

Mari lihat satu per satu hasilnya :

####  a.Tabel Koefisien

| Kategori | Variabel         | Nilai Koefisien       | Arti Singkat                                            |
| -------- | ---------------- | --------------------- | ------------------------------------------------------- |
| Sedang   | Periklanan       | -0.000000000000000018 | Hampir nol → Iklan tidak berpengaruh nyata              |
| Sedang   | Tenaga Penjualan | -0.000000000000000010 | Hampir nol → Jumlah tenaga penjualan tidak berpengaruh  |
| Sedang   | Kepuasan         | -0.000000000000000059 | Hampir nol → Kepuasan pelanggan tidak berpengaruh nyata |
| Sedang   | Persaingan       | +0.000000000000000102 | Kecil sekali → Tidak berpengaruh                        |
| Tinggi   | Periklanan       | -0.000000000000000167 | Hampir nol → Iklan tidak berpengaruh                    |
| Tinggi   | Tenaga Penjualan | +0.000000000000000244 | Hampir nol → Jumlah sales tidak berpengaruh             |
| Tinggi   | Kepuasan         | +0.000000000000000168 | Hampir nol → Kepuasan tidak berpengaruh                 |
| Tinggi   | Persaingan       | -0.000000000000000191 | Hampir nol → Persaingan tidak berpengaruh               |


> Semua angka ini **sangat-sangat kecil (mendekati nol)**, artinya **tidak ada hubungan nyata** antara variabel-variabel tersebut dengan “Tingkat Kesuksesan”.


#### b. Standard Error 

Hasilnya seperti ini:

| Kategori | Variabel         | Standard Error       |
| -------- | ---------------- | -------------------- |
| Sedang   | Periklanan       | 0.000000000000000074 |
| Sedang   | Tenaga Penjualan | 0.000000000000000142 |
| Sedang   | Kepuasan         | 0.000000000000000058 |
| Sedang   | Persaingan       | 0.000000000000000055 |
| Tinggi   | Periklanan       | 0.000000000000000086 |
| Tinggi   | Tenaga Penjualan | 0.000000000000000150 |
| Tinggi   | Kepuasan         | 0.000000000000000059 |
| Tinggi   | Persaingan       | 0.000000000000000062 |

Ada juga beberapa **NaN (Not a Number)** di bagian intercept, artinya:

> Model tidak bisa menghitung karena datanya **terlalu mirip** antar kategori (Rendah–Sedang–Tinggi).

yang artinya:

> Data terlalu “seragam” — sehingga model bingung membedakan mana usaha yang benar-benar rendah, sedang, atau tinggi.


#### c.Residual Deviance dan AIC

| Istilah               | Nilai  | Arti Sederhana                                                                                    |
| --------------------- | ------ | ------------------------------------------------------------------------------------------------- |
| **Residual Deviance** | 439.44 | Semakin kecil nilainya semakin baik. Nilai ini masih cukup besar → model belum cocok dengan data. |
| **AIC**               | 459.44 | Digunakan untuk membandingkan model. Nilai besar berarti modelnya belum bagus.                    |

> Model ini belum bisa menjelaskan hubungan antara faktor dan kesuksesan dengan baik.


#### d.Nilai z-value dan p-value

Ini digunakan untuk melihat apakah pengaruh tiap variabel **signifikan atau tidak**.

Contoh hasilnya:

| Kategori | Variabel         | z-value | p-value |
| -------- | ---------------- | ------- | ------- |
| Sedang   | Periklanan       | -0.244  | 0.8074  |
| Sedang   | Tenaga Penjualan | -0.072  | 0.9426  |
| Sedang   | Kepuasan         | -1.013  | 0.3110  |
| Sedang   | Persaingan       | 1.833   | 0.0668  |
| Tinggi   | Periklanan       | -1.924  | 0.0543  |
| Tinggi   | Tenaga Penjualan | 1.627   | 0.1038  |
| Tinggi   | Kepuasan         | 2.842   | 0.0045  |
| Tinggi   | Persaingan       | -3.044  | 0.0023  |

**Aturan sederhananya:**

* Jika **p-value < 0.05**, berarti signifikan (berpengaruh nyata)
* Jika **p-value > 0.05**, berarti tidak signifikan

 Dari hasil di atas:

* Untuk kategori **Sedang**, semua p-value **> 0.05** → tidak ada pengaruh signifikan.
* Untuk kategori **Tinggi**, hanya **Kepuasan (0.0045)** dan **Persaingan (0.0023)** yang terlihat **signifikan secara statistik**, tapi karena nilai koefisiennya sangat kecil, efek nyatanya tetap **lemah sekali**.


#### **Kesimpulan Akhir **

Peneliti membangun model multinomial logistic regression untuk memprediksi tingkat kesuksesan berdasarkan faktor periklanan, tenaga penjualan, kepuasan pelanggan, dan persaingan.
Model telah berhasil dijalankan (ditandai dengan status *converged*), namun hasilnya menunjukkan bahwa:

1. **Nilai koefisien semua variabel sangat kecil**.
   Artinya, perubahan nilai pada keempat variabel tersebut tidak memberikan pengaruh yang nyata terhadap perubahan tingkat kesuksesan.

2. **Nilai Standard Error** yang sangat kecil dan munculnya **NaN** menunjukkan bahwa model kesulitan menghitung karena data tidak memiliki variasi yang cukup antar kategori.

3. **Nilai Residual Deviance sebesar 439.44** dan **AIC sebesar 459.44** menunjukkan bahwa tingkat kesalahan model masih tinggi. Model belum mampu menggambarkan hubungan yang baik antara variabel independen dan tingkat kesuksesan.

Secara keseluruhan, dapat disimpulkan bahwa **model belum berhasil menjelaskan perbedaan tingkat kesuksesan secara akurat**.
Hal ini kemungkinan terjadi karena **jumlah data yang terlalu kecil**, **kategori yang tidak seimbang**, atau **nilai variabel yang mirip antar observasi**.


## 2.3. **Visualisasi Hasil**

```{r, echo=FALSE, warning=FALSE, message=FALSE, results='hide'}
# ===============================================
# 📊 Visualisasi Multinomial Logistic Regression
# ===============================================

# 1️⃣ Install & panggil library yang diperlukan
# install.packages(c("nnet", "ggplot2", "dplyr", "tidyr"))
library(nnet)
library(ggplot2)
library(dplyr)
library(tidyr)

# 2️⃣ Baca dataset
data <- read.csv("data multinomial logistics regression 2.csv",
                 stringsAsFactors = FALSE,
                 check.names = FALSE)

# 3️⃣ Bersihkan nama kolom biar bisa dipanggil di R
names(data) <- make.names(names(data))

# 4️⃣ Pastikan variabel target (Tingkat Kesuksesan) berupa faktor
data$Tingkat.Kesuksesan <- factor(data$Tingkat.Kesuksesan,
                                  levels = c("Rendah", "Sedang", "Tinggi"),
                                  ordered = TRUE)

# 5️⃣ Bangun model regresi logistik multinomial
model <- multinom(Tingkat.Kesuksesan ~ Periklanan + Tenaga.Penjualan + Kepuasan + Persaingan,
                  data = data)

# 6️⃣ Buat prediksi probabilitas untuk setiap kelas
pred_probs <- predict(model, type = "probs")

# 7️⃣ Gabungkan hasil prediksi ke dataset
data_pred <- cbind(data, pred_probs)

# 8️⃣ Ubah data ke format panjang untuk plotting
data_long <- data_pred %>%
  pivot_longer(cols = c(Periklanan, Tenaga.Penjualan, Kepuasan, Persaingan),
               names_to = "Variabel",
               values_to = "Nilai")

# 9️⃣ Buat visualisasi
ggplot(data_long, aes(x = Nilai, y = as.numeric(Tingkat.Kesuksesan))) +
  geom_jitter(aes(color = Tingkat.Kesuksesan), width = 0.2, alpha = 0.6, size = 2) +
  geom_smooth(method = "loess", color = "red", se = FALSE, size = 1.2) +
  facet_wrap(~Variabel, scales = "free_x", ncol = 2) +
  scale_y_continuous(breaks = 1:3, labels = c("Rendah", "Sedang", "Tinggi")) +
  labs(
    title = "Visualisasi Multinomial Logistic Regression",
    subtitle = "Hubungan antara Variabel Prediktor dan Tingkat Kesuksesan",
    x = "Nilai Variabel Prediktor",
    y = "Kategori Tingkat Kesuksesan",
    color = "Kategori"
  ) +
  theme_minimal(base_size = 13) +
  theme(
    legend.position = "bottom",
    plot.title = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(hjust = 0.5)
  )

```

### 2.3.1 **Penjelasan Tentang Visualisasi**

Grafik ini menampilkan **hubungan antara empat variabel prediktor**
(*Periklanan, Tenaga Penjualan, Kepuasan, dan Persaingan*)
dengan **kategori Tingkat Kesuksesan** (*Rendah, Sedang, Tinggi*).

* **Sumbu X (horizontal)** → nilai dari tiap variabel prediktor.
* **Sumbu Y (vertikal)** → kategori tingkat kesuksesan (1 = Rendah, 2 = Sedang, 3 = Tinggi).
* **Titik warna** → masing-masing observasi (data perusahaan).

  * Ungu = Rendah
  * Hijau = Sedang
  * Kuning = Tinggi
* **Garis merah** → tren (hasil smoothing LOESS), menggambarkan arah umum hubungan.


#### a.Kepuasan

* Terlihat **semakin tinggi nilai Kepuasan**, titik-titik *kuning (Tinggi)* makin banyak di bagian atas grafik.
* Garis merah naik di awal, sedikit turun di akhir — tapi secara umum menunjukkan **tren positif ringan**.
* Ini berarti:

  > Semakin tinggi tingkat kepuasan pelanggan, semakin besar peluang perusahaan berada pada tingkat kesuksesan *Sedang atau Tinggi*.
* Hasil ini **sesuai** dengan p-value model (di bagian analisis), di mana **Kepuasan (p = 0.0045)** termasuk signifikan untuk kategori “Tinggi”.

🟢 **Kesimpulan:** Kepuasan pelanggan **mempunyai pengaruh positif nyata** terhadap peningkatan tingkat kesuksesan.


#### b. Periklanan

* Polanya juga menunjukkan **garis merah cenderung naik ke kanan**.
* Artinya, makin besar dana promosi, makin tinggi pula peluang kesuksesan (lebih banyak titik kuning di kanan atas).
* Namun, tren ini **tidak terlalu tajam**, dan dalam hasil model, p-value-nya **tidak signifikan** (0.0543 → sedikit di atas 0.05).

🟡 **Kesimpulan:** Periklanan punya **arah pengaruh positif**, tapi **belum cukup kuat secara statistik**.


#### c. Persaingan

* Garis merah justru sedikit **turun** ketika nilai Persaingan meningkat.
* Ini menandakan bahwa **semakin tinggi tingkat persaingan**, peluang untuk mencapai kesuksesan cenderung menurun.
* Dalam hasil regresi, variabel ini juga **signifikan (p = 0.0023)** untuk kategori “Tinggi”, dan koefisiennya **negatif**.

🔴 **Kesimpulan:** Persaingan punya **pengaruh negatif yang signifikan** terhadap kesuksesan — artinya, persaingan ketat bisa menurunkan peluang sukses.


#### d. Tenaga Penjualan

* Garis merah naik perlahan seiring meningkatnya jumlah tenaga penjualan.
* Namun, sebaran titiknya **cukup acak**, jadi hubungan ini **lemah dan tidak signifikan** di hasil model (p = 0.1038).
* Jadi meskipun arahnya positif, efeknya kecil banget.

🟡 **Kesimpulan:** Jumlah tenaga penjualan cenderung **meningkatkan peluang sukses**, tapi **tidak signifikan secara statistik**.


### **Kesimpulan Umum dari Visualisasi**

Dari empat grafik tersebut bisa disimpulkan:

| Variabel             | Arah Hubungan | Signifikansi         | Arti Visualisasi                                      |
| -------------------- | ------------- | -------------------- | ----------------------------------------------------- |
| **Kepuasan**         | Positif       | ✅ Signifikan         | Kepuasan tinggi → peluang sukses meningkat            |
| **Periklanan**       | Positif       | ⚠️ Hampir signifikan | Iklan lebih banyak → sedikit menaikkan peluang sukses |
| **Persaingan**       | Negatif       | ✅ Signifikan         | Persaingan tinggi → peluang sukses menurun            |
| **Tenaga Penjualan** | Positif lemah | ❌ Tidak signifikan   | Jumlah sales lebih banyak → pengaruh kecil            |

---

# 3.**Kesimpulan Keseluruhan Regresi Logistik Multinomial** 

Secara keseluruhan, **Regresi Logistik Multinomial** merupakan salah satu metode statistik yang digunakan untuk memprediksi **variabel dependen bersifat kategorik dengan lebih dari dua kelas**, berdasarkan beberapa variabel independen yang bersifat numerik atau kategorik.
Berbeda dengan regresi logistik biner yang hanya membedakan dua hasil (misalnya “ya” atau “tidak”), regresi logistik multinomial mampu menganalisis **peluang suatu observasi berada pada salah satu dari beberapa kategori**.

Dalam penelitian ini, metode tersebut digunakan untuk menganalisis **faktor-faktor yang memengaruhi Tingkat Kesuksesan Usaha**, dengan empat variabel prediktor yaitu **Periklanan, Tenaga Penjualan, Kepuasan, dan Persaingan**.
Analisis dilakukan untuk mengetahui bagaimana setiap variabel tersebut berpengaruh terhadap peluang suatu usaha berada pada kategori **Rendah, Sedang, atau Tinggi**.

Hasil pemodelan menunjukkan bahwa:

1. Model telah **berhasil dijalankan dan konvergen**, namun nilai **AIC dan deviance yang tinggi** menandakan bahwa model belum sepenuhnya menggambarkan hubungan data secara optimal.
2. Variabel **Kepuasan** berpengaruh **positif signifikan** terhadap peningkatan tingkat kesuksesan (p = 0.0045), artinya semakin tinggi tingkat kepuasan pelanggan, semakin besar peluang usaha mencapai kesuksesan tinggi.
3. Variabel **Persaingan** menunjukkan pengaruh **negatif signifikan** (p = 0.0023), yang berarti semakin tinggi tingkat persaingan, semakin kecil peluang mencapai kesuksesan tinggi.
4. Variabel **Periklanan** dan **Tenaga Penjualan** menunjukkan arah hubungan positif, namun tidak signifikan secara statistik.
5. Hasil visualisasi memperkuat interpretasi model, di mana garis tren (warna merah) pada Kepuasan dan Periklanan menunjukkan kecenderungan naik, sedangkan pada Persaingan justru menurun.

Dengan demikian, dapat disimpulkan bahwa:

> **Regresi Logistik Multinomial efektif digunakan untuk memodelkan hubungan antara beberapa variabel independen dengan variabel dependen yang memiliki tiga atau lebih kategori.**
> Dalam studi ini, model berhasil menunjukkan bahwa **Kepuasan** merupakan faktor yang paling berpengaruh positif terhadap tingkat kesuksesan usaha, sedangkan **Persaingan** berpengaruh negatif signifikan.
> Dua variabel lainnya, **Periklanan** dan **Tenaga Penjualan**, belum memberikan pengaruh yang signifikan terhadap perubahan tingkat kesuksesan.

Sebagai saran, model ini dapat ditingkatkan dengan:

* Menambah jumlah dan variasi data agar model lebih stabil,
* Melakukan uji lanjutan seperti **analisis interaksi antar variabel**, dan
* Mencoba **pendekatan klasifikasi lain** (seperti *random forest* atau *ordinal regression*) untuk melihat perbandingan performa model.

---

# 4. **Perbandingan antara Regresi Logistik Biner dan Regresi Logistik Mutinomial**

## 4.1 **Perbedaan Konsep Dasar**

| Aspek                                     | **Regresi Logistik Biner**                                      | **Regresi Logistik Multinomial**                                                                |
| :---------------------------------------- | :-------------------------------------------------------------- | :---------------------------------------------------------------------------------------------- |
| **Jumlah Kategori Variabel Dependen (Y)** | 2 kategori (contoh: *Ya/Tidak*, *Sukses/Gagal*)                 | ≥ 3 kategori (contoh: *Rendah*, *Sedang*, *Tinggi*)                                             |
| **Jenis Analisis**                        | Menghitung peluang terjadinya salah satu dari dua hasil         | Menghitung peluang observasi masuk ke salah satu dari beberapa kategori                         |
| **Persamaan Logit**                       | Hanya 1 persamaan logit                                         | Membentuk beberapa persamaan logit (sebanyak kategori - 1)                                      |
| **Kategori Pembanding (Base)**            | Salah satu kategori dianggap sebagai pembanding (biasanya “0”)  | Salah satu kategori dianggap dasar, dan setiap kategori lain dibandingkan dengan dasar tersebut |
| **Tujuan Analisis**                       | Mengetahui faktor-faktor yang memengaruhi dua kemungkinan hasil | Mengetahui faktor-faktor yang memengaruhi hasil dengan banyak tingkatan                         |
| **Contoh Kasus**                          | Apakah seseorang membeli produk (Ya/Tidak)                      | Tingkat kepuasan pelanggan (Rendah, Sedang, Tinggi)                                             |


## 4.2 **Perbandingan Berdasarkan Output Model**

| Aspek                             | **Binary Logistic Regression**                                                                  | **Multinomial Logistic Regression**                                                              |
| :-------------------------------- | :---------------------------------------------------------------------------------------------- | :----------------------------------------------------------------------------------------------- |
| **Koefisien (β)**                 | Menunjukkan seberapa besar pengaruh tiap variabel terhadap peluang hasil “1” (misalnya sukses). | Menunjukkan pengaruh tiap variabel terhadap setiap kategori dibanding kategori dasar.            |
| **Interpretasi Koefisien**        | Jika β positif → meningkatkan peluang sukses. Jika negatif → menurunkan peluang.                | Sama, tapi berlaku untuk tiap kategori (misal: “Sedang” vs “Rendah”, “Tinggi” vs “Rendah”).      |
| **Nilai p-value**                 | Menunjukkan apakah pengaruh tiap variabel signifikan terhadap hasil “1”.                        | Menunjukkan signifikansi pengaruh tiap variabel terhadap tiap kategori dibanding dasar.          |
| **Output Utama di R**             | Coefficients, Std. Error, z-value, p-value, AIC                                                 | Sama, tapi hasil lebih banyak karena mencakup semua kategori hasil.                              |
| **Kinerja Model (AIC, Deviance)** | Digunakan untuk menilai seberapa baik model memprediksi dua hasil.                              | Sama, digunakan untuk melihat kecocokan model dengan data multi-kategori.                        |


## 4.3 **Perbandingan Berdasarkan Hasil Output dari Tugas**

| **Aspek**                       | **Regresi Logistik Biner (Bookdown)**                              | **Regresi Logistik Multinomial (Tugas Ini)**                                   |
| :------------------------------ | :----------------------------------------------------------------- | :----------------------------------------------------------------------------- |
| **Kategori Hasil (Y)**          | *Tingkat Kesuksesan* memiliki 2 kategori: *Rendah* dan *Tinggi*    | *Tingkat Kesuksesan* memiliki 3 kategori: *Rendah*, *Sedang*, dan *Tinggi*     |
| **Jumlah Persamaan Logit**      | 1 persamaan (perbandingan antara *Tinggi* vs *Rendah*)             | 2 persamaan (perbandingan *Sedang* vs *Rendah* dan *Tinggi* vs *Rendah*)       |
| **Variabel Signifikan**         | Hanya **Kepuasan** yang paling berpengaruh signifikan terhadap kesuksesan | **Kepuasan** dan **Persaingan** berpengaruh signifikan pada kategori *Tinggi*  |
| **Arah Pengaruh**               | **Kepuasan** → berpengaruh **positif** terhadap peluang kesuksesan | **Kepuasan** → berpengaruh **positif**, sedangkan **Persaingan** → **negatif** |
| **Nilai AIC (Kecocokan Model)** | Lebih kecil, menandakan model sederhana dan efisien                | Lebih besar karena model lebih kompleks dengan banyak kategori                 |
| **Kestabilan Model**            | Cenderung lebih stabil karena hanya dua kategori hasil             | Lebih bervariasi karena tiap kategori memiliki hubungan yang berbeda-beda      |


## 4.4 **Kesimpulan Umum Perbandingan**

Dari perbandingan di atas dapat disimpulkan bahwa:

1. **Regresi logistik biner** cocok untuk analisis sederhana dengan dua hasil, menghasilkan model yang lebih stabil dan mudah diinterpretasikan.
2. **Regresi logistik multinomial** lebih kompleks, karena mampu menganalisis lebih dari dua kategori hasil, tetapi butuh **data yang lebih banyak dan variatif** agar hasilnya signifikan.
3. Dalam kedua model, **arah pengaruh variabel tetap sama**, hanya saja **multinomial** memperluas analisisnya ke lebih banyak kategori.
4. Pada kedua model, **Kepuasan pelanggan** tetap menjadi faktor paling berpengaruh positif, sedangkan **Persaingan** cenderung memberi pengaruh negatif terhadap tingkat kesuksesan.

🟢 **Garis besar:**

> Regresi logistik biner lebih efisien untuk kasus sederhana, sedangkan regresi logistik multinomial memberikan pemahaman yang lebih mendalam tentang bagaimana variabel memengaruhi berbagai tingkatan hasil.


# Referensi

>Siregar, B. (2025). Regression Models – Analysis and Predictive Modeling [Bagian 2: Regression Models]. Diambil dari https://bookdown.org/content/a142b172-69b2-436d-bdb0-9da6d046a0f9/02-Regression_Model.html

>Tibrani Education. (2023). Regresi Logistik Multinomial SPSS II Lengkap dengan penjelasannya [Video]. YouTube. https://youtu.be/ljAMTBFlFAI?si=hLQXuAiVaKe8NApo