UTS Data Science Programing

Binary Model

Binary Logistic Regression digunakan saat variabel dependen (\(Y\)) bersifat kategori/biner, misalnya 0 atau 1, Ya atau Tidak, Lulus atau Gagal.
Model ini memprediksi kemungkinan (probabilitas) terjadinya suatu kejadian [1].

Persamaan Logistic Regression:

\[ P(Y = 1 \mid X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k)}} \]

Atau setara dengan:

\[ \text{logit}(P) = \ln\left(\frac{P}{1 - P}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k \]

Keterangan:

\(P(Y = 1 \mid X)\) : Probabilitas kejadian terjadi (misalnya, probabilitas “Ya” atau “1”).
\(X_1, X_2, \dots, X_k\) : Variabel independen (faktor-faktor yang memengaruhi, seperti usia atau pendapatan).
\(\beta_0, \beta_1, \dots, \beta_k\) : Koefisien model (menunjukkan seberapa besar pengaruh setiap \(X\) terhadap probabilitas).
\(\text{logit}(P)\) : Logaritma odds dari probabilitas, digunakan untuk mengubah hubungan menjadi linear.

Model ini bisa diibaratkan seperti keran air yang memprediksi apakah air akan mengalir (1) atau tidak mengalir (0), berdasarkan faktor-faktor seperti tekanan air, posisi tuas keran, dan kondisi pipa.

Alih-alih garis lurus seperti regresi linear, logistic regression menggunakan kurva sigmoid (S) agar probabilitas selalu antara 0 dan 1.

Perbandingan

Perbandingan dengan Multinomial Regression:

Binary hanya untuk 2 kategori, sedangkan Multinomial digunakan untuk lebih dari 2 kategori (misalnya Rendah/Sedang/Tinggi).
Koefisien pada Binary menunjukkan efek langsung terhadap odds sukses, sedangkan pada Multinomial dibandingkan antar kategori relatif terhadap satu acuan.

Dalam studi ini, tujuan utamanya yaitu memodelkan hubungan antara faktor-faktor pemasaran dan probabilitas keberhasilan,
di mana variabel target (\(Y\)) bersifat biner (Berhasil / Gagal).

Variabel independen yang digunakan adalah:

Anggaran Iklan (\(X_1\)): Pengeluaran pemasaran (dalam ribuan dolar), diasumsikan dapat meningkatkan peluang keberhasilan.
Jumlah Tenaga Penjual (\(X_2\)): Jumlah tenaga penjualan, diperkirakan berpengaruh positif terhadap probabilitas keberhasilan.
Kepuasan Pelanggan (\(X_3\)): Diukur dalam skala 1–10; semakin tinggi kepuasan, semakin besar peluang keberhasilan.
Tingkat Persaingan (\(X_4\)): Semakin tinggi tingkat persaingan, semakin kecil kemungkinan keberhasilan.

Dataset

Dataset simulasi (Tabel 1.1) mencakup hubungan-hubungan ini dengan 200 observasi.

Model

Untuk mengetahui bagaimana faktor-faktor pemasaran (marketing factors) memengaruhi peluang keberhasilan (probability of success), kita menggunakan model regresi logistik. Regresi logistik digunakan ketika variabel target bersifat kategori biner, misalnya Sukses (1) atau Gagal (0).

Model ini bertujuan untuk memperkirakan probabilitas keberhasilan suatu produk berdasarkan empat variabel utama:

Advertising \((X₁)\) → jumlah anggaran iklan (ribu dolar)
Salespeople \((X₂)\) → jumlah tenaga penjualan
Satisfaction \((X₃)\) → skor kepuasan pelanggan (1–10)
Competition \((X₄)\) → tingkat persaingan pasar (1–10)

Semua variabel ini diasumsikan memiliki pengaruh terhadap kemungkinan keberhasilan produk di pasar.

# Membangun Model Regresi Logistik
model_logit <- glm(
  Success ~ Advertising + Salespeople + Satisfaction + Competition,
  data = data,
  family = binomial
)

# Melihat hasil model
summary(model_logit)

## 
## Call:
## glm(formula = Success ~ Advertising + Salespeople + Satisfaction + 
##     Competition, family = binomial, data = data)
## 
## 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: 7

Interpretasi Hasil Model Regresi:

Advertising (Iklan): Koefisien positif artinya semakin besar pengeluaran iklan, semakin tinggi kemungkinan produk berhasil. Jadi, iklan yang lebih banyak pengeluaran biasanya meningkatkan peluang keberhasilan.
Salespeople (Tenaga Penjualan): Semakin banyak tenaga penjualan, peluang keberhasilan juga meningkat. Ini karena cakupan penjualan lebih luas.
Satisfaction (Kepuasan Pelanggan): Semakin tinggi kepuasan pelanggan, semakin besar peluang keberhasilan, terutama ketika kepuasan awal masih rendah.
Competition (Persaingan): Koefisien negatif artinya semakin tinggi persaingan, peluang keberhasilan juga menurun. Ini sesuai dengan logika pasar.
Performa Model: Untuk menilai seberapa baik model, bisa dilihat dari accuracy, confusion matrix, atau AUC. Probabilitas prediksi juga bisa divisualisasikan untuk memahami pengaruh masing-masing variabel terhadap peluang sukses.

Visualisasi

# Prediksi probabilitas dan kelas 
data$pred_prob <- predict(model_logit, newdata = data, type = "response")
data$pred_class <- ifelse(data$pred_prob > 0.5, 1, 0)

# Hitung confusion matrix
cm <- confusionMatrix(as.factor(data$pred_class), as.factor(data$Success))
tp <- as.numeric(cm$table[2,2])
fp <- as.numeric(cm$table[2,1])
fn <- as.numeric(cm$table[1,2])
tn <- as.numeric(cm$table[1,1])

# Dapatkan AIC
aic_val <- round(AIC(model_logit), 2)

# Koefisien model
coefs <- round(coef(model_logit), 2)
eq_str <- paste("Logistic Model:\nlogit(p) = ", coefs[1], " + ", coefs[2], "(Advertising) + ",
                coefs[3], "(Salespeople) + ", coefs[4], "(Satisfaction) + ",
                coefs[5], "(Competition)\np = 1 / [1 + exp(-logit(p))]", sep="")

# String untuk confusion matrix
cm_str <- paste("Confusion Matrix:\nTP = ", tp, ", FP = ", fp,
                "\nFN = ", fn, ", TN = ", tn, "\nAIC = ", aic_val, sep="")

# Data prediksi untuk kurva
pred_data <- data.frame(
  Advertising = seq(min(data$Advertising), max(data$Advertising), length.out = 100),
  Salespeople = mean(data$Salespeople),
  Satisfaction = mean(data$Satisfaction),
  Competition = mean(data$Competition)
)
pred_data$pred_prob <- predict(model_logit, newdata = pred_data, type = "response")

# Plotly
fig <- plot_ly() %>%
  # Titik probabilitas aktual
  add_markers(data = data, 
              x = ~Advertising, 
              y = ~pred_prob, 
              type = 'scatter', 
              mode = 'markers',
              name = 'Data Aktual',
              marker = list(color = 'lightblue', size = 8, opacity = 0.7),
              hoverinfo = "text",
              text = ~paste("Advertising: ", Advertising,
                            "<br>Predicted Prob: ", round(pred_prob, 3),
                            "<br>Success: ", Success)) %>%
  # Garis prediksi
  add_lines(data = pred_data, 
            x = ~Advertising, 
            y = ~pred_prob, 
            line = list(color = 'red', width = 3),
            name = 'Kurva Prediksi') %>%
  layout(
    xaxis = list(title = "Advertising Budget"),
    yaxis = list(title = "Predicted Probability of Success", range = c(0, 1)),
    legend = list(orientation = "h", x = 0.3, y = -0.2),
    annotations = list(
      list(
        x = min(data$Advertising), 
        y = 0.15, 
        text = eq_str, 
        showarrow = FALSE,
        xanchor = "left", 
        align = "left", 
        font = list(size = 11, color = "blue")
      ),
      list(
        x = max(data$Advertising), 
        y = 0.05, 
        text = cm_str, 
        showarrow = FALSE,
        xanchor = "right",
        align = "left", 
        font = list(size = 11, color = "blue")
      )
    )
  )

fig

Interpretasi Visualisasi:

1. Arah Hubungan Positif Garis kurva yang menanjak menunjukkan bahwa semakin tinggi anggaran iklan (Advertising), maka probabilitas keberhasilan produk juga meningkat. Artinya, investasi tambahan dalam promosi memiliki dampak nyata terhadap peluang sukses pemasaran.

2. Perubahan Marginal (Efek Bertahap) Pada nilai Advertising yang rendah, kenaikan anggaran iklan memberikan peningkatan probabilitas yang cukup signifikan. Namun, ketika nilai Advertising semakin besar, kenaikan tambahan tidak lagi menghasilkan peningkatan probabilitas yang besar (efeknya mulai melandai). > Hal ini konsisten dengan sifat fungsi logistik yang memiliki batas atas (mendekati 1).

3. Sebaran Titik Data

Titik-titik data (Success = 1 atau 0) tersebar di sekitar kurva model.

Titik di bagian bawah (dekat 0) menggambarkan observasi yang gagal (Failure).
Titik di bagian atas (dekat 1) menggambarkan observasi yang berhasil (Success).

Sebaran yang mengikuti pola kurva menandakan bahwa model cukup baik dalam memisahkan dua kategori hasil.

4. Probabilitas Prediksi Kurva biru (hasil model) menunjukkan nilai probabilitas prediksi untuk setiap nilai Advertising. Dengan begitu, kita bisa memperkirakan:

Saat Advertising = 10, probabilitas keberhasilan mungkin sekitar 0.3.
Saat Advertising = 30, probabilitas meningkat hingga sekitar 0.8.

Ini menunjukkan pengaruh positif dan signifikan dari anggaran iklan terhadap keberhasilan produk.

5. Kualitas Model (Tambahan Interpretasi) Model ini mampu menangkap pola yang logis secara ekonomi: semakin besar usaha promosi, semakin tinggi peluang sukses. Namun, untuk memastikan performanya kuat secara statistik, perlu juga dilihat akurasi, confusion matrix, dan AUC, seperti disebutkan dalam analisis sebelumnya.

Multinomial Model

Multinomial Logistic Regression

Multinomial Logistic Regression digunakan ketika variabel target memiliki lebih dari dua kategori. Contohnya, keputusan konsumen bisa terdiri dari tiga pilihan seperti “Tidak Membeli”, “Membeli Sedikit”, dan “Membeli Banyak”.

Berbeda dengan Binary Logistic Regression yang hanya memiliki dua kelas, model ini memperkirakan peluang untuk setiap kategori berdasarkan nilai variabel bebas yang dimasukkan. Dengan demikian, setiap kategori akan memiliki kemungkinan tersendiri yang dihitung secara bersamaan. [2].

Persamaan Umum

Untuk setiap kategori \(j\) (dengan \(j = 2, 3, \dots, J\), dan kategori 1 sebagai referensi):

\[ \ln\left(\frac{P(Y = j \mid X)}{P(Y = 1 \mid X)}\right) = \beta_{0j} + \beta_{1j}X_1 + \beta_{2j}X_2 + \dots + \beta_{kj}X_k \]

Penjelasan

Bagian kiri, \(\ln\left(\frac{P(Y = j \mid X)}{P(Y = 1 \mid X)}\right)\), adalah log-odds: seberapa besar kemungkinan kategori \(j\) dibanding kategori referensi.
\(P(Y = j \mid X)\) → kemungkinan observasi masuk kategori \(j\).
\(P(Y = 1 \mid X)\) → kemungkinan observasi masuk kategori referensi.
\(\beta_{0j}\) → nilai dasar (intersep) untuk kategori \(j\).
\(\beta_{1j}, \dots, \beta_{kj}\) → seberapa besar tiap variabel independen mempengaruhi kemungkinan kategori \(j\).
\(X_1, \dots, X_k\) → variabel yang mempengaruhi hasil, misal anggaran iklan, jumlah sales, kepuasan pelanggan, dll.

Probabilitas

Persamaan Probabilitas

Probabilitas tiap kategori \(j\) dihitung dengan:

\[ P(Y = j \mid X) = \frac{\exp(\beta_{0j} + \beta_{1j}X_1 + \dots + \beta_{kj}X_k)} {\sum_{m=1}^{J} \exp(\beta_{0m} + \beta_{1m}X_1 + \dots + \beta_{km}X_k)} \]

Penjelasan:

Fungsi eksponensial (\(\exp\)) digunakan untuk mengubah log-odds menjadi bentuk probabilitas.
Bagian bawah (penyebut) memastikan total seluruh probabilitas kategori bernilai 1.
Setiap kategori memiliki “nilai skor” masing-masing, dan probabilitas akhir diperoleh dari perbandingan antar-skor tersebut.
Biasanya, kategori referensi memiliki koefisien nol (\(\beta_{01} = 0\)) agar hasil perbandingan dapat dihitung dengan mudah. [2].

Model ini bisa diterapkan untuk menganalisis hubungan antara faktor-faktor pemasaran dengan tingkat keberhasilan produk, misalnya dengan tiga level: Rendah (Low), Sedang (Medium), dan Tinggi (High).

Jika sebelumnya data hanya bersifat biner (dua kategori), maka perlu dilakukan simulasi atau modifikasi data terlebih dahulu agar menjadi multinomial. Sebagai contoh, variabel Success dapat diubah menjadi Sales_Level dengan tiga kategori tadi untuk kemudian dianalisis menggunakan Multinomial Logistic Regression.

Variabel

Variabel yang digunakan sama seperti pada binary logistic regression:

\(X_1\) (Advertising) → jumlah anggaran iklan (ribu dolar)
\(X_2\) (Salespeople) → jumlah tenaga penjualan
\(X_3\) (Satisfaction) → skor kepuasan pelanggan (1–10)
\(X_4\) (Competition) → tingkat persaingan (1–10)

Variabel outcome diasumsikan mempengaruhi kemungkinan tingkat keberhasilan produk di pasar.

Karena model ini variabel target memiliki lebih dari dua kategori, kita akan mengubah isi kolom Success agar memiliki nilai kategori (Low, Medium, dan High)

data$Success <- cut(
  data$Satisfaction,
  breaks = c(-Inf, 3, 9, Inf),   # batas nilai Satisfaction
  labels = c("Low", "Medium", "High"),
  include.lowest = TRUE
)

# Ubah jadi faktor (opsional)
data$Success <- as.factor(data$Success)

# Tampilkan tabel interaktif
datatable(data, options = list(pageLength = 10))

Model

model_multi <- multinom(
  Success ~ Advertising + Salespeople + Satisfaction + Competition,
  data = data
)

## # weights:  18 (10 variable)
## initial  value 219.722458 
## iter  10 value 94.668863
## iter  20 value 9.325577
## iter  30 value 5.611625
## iter  40 value 4.470831
## iter  50 value 2.378333
## iter  60 value 2.338715
## iter  70 value 2.305070
## iter  80 value 2.271950
## iter  90 value 2.261275
## iter 100 value 2.224649
## final  value 2.224649 
## stopped after 100 iterations

# --- Melihat hasil model ---
summary(model_multi)

## Call:
## multinom(formula = Success ~ Advertising + Salespeople + Satisfaction + 
##     Competition, data = data)
## 
## Coefficients:
##        (Intercept) Advertising Salespeople Satisfaction Competition
## Medium   -275.2844  -0.4786453  -0.2353877     91.18099    1.830613
## High     -536.8814  -0.4114306  -0.2983090    120.12333    2.140306
## 
## Std. Errors:
##        (Intercept) Advertising Salespeople Satisfaction Competition
## Medium    80.30762    1.141863    1.278361     27.70573    3.534004
## High      86.72740    1.193863    1.301309     11.69638    3.530117
## 
## Residual Deviance: 4.449299 
## AIC: 24.4493

Interpretasi Hasil Model Multinomial Logistic Regression

Model ini digunakan untuk memprediksi tingkat keberhasilan produk (Success_Level) yang diklasifikasikan menjadi tiga kategori: Low, Medium, dan High. Prediksi dilakukan berdasarkan empat variabel utama, yaitu Advertising, Salespeople, Satisfaction, dan Competition.

Dalam model ini, kategori Low dijadikan sebagai kategori, sehingga seluruh hasil koefisien untuk kategori lainnya diinterpretasikan relatif terhadap kategori tersebut.

1. Intercept (Titik Awal)

Untuk kategori Medium: (Intercept) = -186.53
Untuk kategori High: (Intercept) = -356.39

Nilai konstanta yang negatif dan cukup besar menunjukkan bahwa ketika semua variabel independen bernilai nol, peluang untuk mencapai kategori Medium atau High sangat kecil dibanding Low. Dengan kata lain, tanpa dukungan faktor-faktor seperti iklan dan kepuasan pelanggan, kemungkinan produk berhasil tergolong rendah.

2. Advertising

Medium: -0.175
High: +0.202

Koefisien positif untuk kategori High menandakan bahwa peningkatan dana iklan dapat meningkatkan peluang keberhasilan tinggi.

Sebaliknya, nilai negatif kecil untuk kategori Medium memperlihatkan efek yang sedikit menurun. Secara umum, semakin besar anggaran iklan, semakin tinggi potensi produk masuk ke kategori High.

3. Salespeople

Medium: -0.218
High: -0.668

Koefisien negatif pada kedua kategori menunjukkan bahwa peningkatan jumlah tenaga penjual justru menurunkan peluang keberhasilan produk. Hal ini bisa disebabkan oleh kurangnya efektivitas kerja tim, tumpang tindih tugas, atau persaingan internal antarpenjual yang menurunkan produktivitas.

4. Satisfaction

Medium: +48.54
High: +73.42

Variabel kepuasan pelanggan memiliki pengaruh paling kuat dan positif terhadap keberhasilan produk. Nilai koefisien yang tinggi menandakan bahwa semakin puas pelanggan, semakin besar kemungkinan produk mencapai tingkat Medium maupun High. Kepuasan pelanggan menjadi indikator utama keberhasilan pasar.

5. Competition

Medium: -0.066
High: -0.215

Koefisien negatif menunjukkan bahwa semakin ketat persaingan di pasar, semakin kecil kemungkinan produk mencapai kategori keberhasilan yang lebih tinggi. Artinya, pasar dengan tingkat kompetisi tinggi dapat menekan performa penjualan dan peluang sukses perusahaan.

6. Goodness of Fit

Residual Deviance = 1.518
AIC = 21.52

Nilai AIC yang rendah mengindikasikan bahwa model mampu menyesuaikan diri dengan data secara baik. Secara keseluruhan, model ini menunjukkan hasil yang memuaskan karena dapat menjelaskan variasi tingkat keberhasilan produk dengan cukup baik melalui empat variabel utama tadi.

Faktor berpengaruh positif: Advertising (untuk kategori High) dan Satisfaction
Faktor berpengaruh negatif: Salespeople dan Competition
Faktor paling dominan: Satisfaction (kepuasan pelanggan)
Kesesuaian model: Baik (AIC rendah)

Visualisasi

# Prediksi probabilitas dan kelas

pred_probs <- predict(model_multi, newdata = data, type = "probs")
pred_probs <- as.data.frame(pred_probs) # pastikan hasilnya jadi data.frame
colnames(pred_probs) <- c("Low","Medium","High")

# Pastikan tidak ada kolom lama
data <- data[, !names(data) %in% c("Low","Medium","High","pred_class")]

# Gabungkan
data <- cbind(data, pred_probs)
data$pred_class <- predict(model_multi, newdata = data)

# Evaluasi model

aic_val <- round(AIC(model_multi), 2)
cm <- confusionMatrix(as.factor(data$pred_class), as.factor(data$Success))
acc_val <- round(cm$overall["Accuracy"], 3)
cm_str <- paste("Accuracy =", acc_val, "| AIC =", aic_val)

# Data prediksi kurva
pred_data <- data.frame(
  Advertising = seq(min(data$Advertising), max(data$Advertising), length.out = 100),
  Salespeople = mean(data$Salespeople),
  Satisfaction = mean(data$Satisfaction),
  Competition = mean(data$Competition)
)

pred_curve <- predict(model_multi, newdata = pred_data, type = "probs")
pred_curve <- as.data.frame(pred_curve)  # Pastikan bentuknya data frame
colnames(pred_curve) <- c("Low","Medium","High")  # Pastikan nama kolom jelas
pred_data <- cbind(pred_data, pred_curve)

# Format long untuk Plotly
pred_long <- pred_data %>%
  pivot_longer(
    cols = c("Low","Medium","High"),
    names_to = "Kategori",
    values_to = "Probabilitas"
  )

# Pastikan kolom numerik
pred_long$Advertising <- as.numeric(pred_long$Advertising)
pred_long$Probabilitas <- as.numeric(pred_long$Probabilitas)

# Warna kategori
colors_scatter <- c("Low"="blue", "Medium"="orange", "High"="green")

# Plot interaktif

fig <- plot_ly()

# Scatter data aktual (yaxis kiri)
for(cat in c("Low","Medium","High")){
  fig <- fig %>% add_markers(
    data = data %>% filter(Success == cat) %>%
      mutate(Advertising_jitter = Advertising + runif(n(), -0.3, 0.3)),
    x = ~Advertising_jitter,
    y = ~Satisfaction,
    color = I(colors_scatter[cat]),
    name = paste("Data", cat),
    marker = list(size=8, opacity=0.6),
    hoverinfo="text",
    text = ~paste(
      "Advertising:", round(Advertising,2),
      "<br>Satisfaction:", round(Satisfaction,2),
      "<br>Salespeople:", round(Salespeople,2),
      "<br>Competition:", round(Competition,2),
      "<br>Success:", Success
    )
  )
}

# Garis prediksi (yaxis kanan)
for(cat in c("Low","Medium","High")){
  fig <- fig %>% add_lines(
    data = pred_long %>% filter(Kategori == cat),
    x = ~Advertising,
    y = ~Probabilitas,
    line = list(color = colors_scatter[cat], width = 3),
    name = paste("Prediksi", cat),
    yaxis = "y2",
    hoverinfo="text",
    text = ~paste("Advertising:", round(Advertising,2),
                  "<br>Probabilitas:", round(Probabilitas,3))
  )
}

# Layout
fig <- fig %>% layout(
  title = list(text="Multinomial Logistic Regression: Scatter & Garis Prediksi", x=0.5),
  xaxis = list(title="Advertising"),
  yaxis = list(title="Satisfaction (Data Aktual)", range=c(min(data$Satisfaction), max(data$Satisfaction))),
  yaxis2 = list(title="Probabilitas Prediksi", overlaying="y", side="right", range=c(0,1)),
  legend = list(orientation="h", x=0.5, y=-0.2, xanchor="center"),
  annotations = list(
    list(
      x=max(data$Advertising), y=max(data$Satisfaction),
      text=cm_str, showarrow=FALSE, xanchor="right",
      font=list(size=12, color="darkred")
    )
  )
)

fig

Interpretasi Visualisasi:

1. Penyebaran Data Aktual (Scatter Plot)

Low (Blue) → Sebagian besar data muncul pada tingkat Advertising yang rendah.
Medium (Orange) → Nilainya tersebar di kisaran sedang pada variabel Advertising.
High (Grenn) → Lebih banyak ditemukan pada tingkat Advertising yang tinggi.

2. Probabilitas Prediksi Model

Grafik tiap kategori menggambarkan peluang prediksi model terhadap perubahan nilai Advertising, dengan asumsi variabel lainnya berada pada nilai rata-rata.
Low (Blue) → Probabilitasnya menurun seiring peningkatan Advertising; menunjukkan bahwa peluang masuk kategori Low semakin kecil saat iklan bertambah.
Medium (Orange) → Memiliki probabilitas tertinggi pada tingkat Advertising sedang; menandakan kategori ini paling mungkin muncul di kisaran tengah.
High (Green) → Peluangnya meningkat seiring bertambahnya Advertising; artinya kategori High semakin mungkin terjadi ketika iklan meningkat.

3. Pola Tren

Secara keseluruhan, pola yang terbentuk menunjukkan hubungan yang masuk akal antara variabel:

Low → cenderung menurun
Medium → berada di tengah (stabil atau sedikit naik-turun)
High → cenderung meningkat

Pola ini menegaskan bahwa model berhasil menggambarkan keterkaitan antara tingkat Advertising dan Success_Level dengan cukup baik.

Perbandingan

Kita bisa ringkas perbandingan Binary vs Multinomial Logistic Regression dalam bentuk tabel:

Aspek	Binary Logistic Regression	Multinomial Logistic Regression
Variabel Target	Memiliki dua kategori (contoh: Success = 0 atau 1)	Memiliki lebih dari dua kategori (contoh: Success_Level = Low / Medium / High)
Probabilitas Prediksi	Menghasilkan satu nilai probabilitas untuk kelas “1”, sedangkan kelas “0” dihitung sebagai (1 – p)	Menghasilkan probabilitas untuk tiap kategori, di mana total seluruh probabilitas = 1
Garis Prediksi (Trend)	Menampilkan satu kurva S (S-curve) yang menunjukkan perubahan peluang keberhasilan seiring peningkatan variabel prediktor	Memiliki tiga garis prediksi (misalnya untuk Low, Medium, High) yang menggambarkan perubahan peluang tiap kategori
Visualisasi	Umumnya menggunakan scatter plot dan satu kurva prediksi	Menggunakan scatter plot dan tiga kurva prediksi (per kategori) untuk menunjukkan distribusi peluang masing-masing kelas
Interpretasi	Lebih mudah karena hanya dua kelas, cocok untuk analisis sederhana	Lebih kompleks, namun mampu memberikan gambaran yang lebih detail tentang distribusi peluang tiap kategori
Akurasi & AIC	Nilai akurasi dan AIC dihitung secara keseluruhan untuk dua kelas	Akurasi dihitung untuk seluruh kategori, dan AIC digunakan untuk menilai kesesuaian model secara umum
Kelebihan	Sederhana, mudah dibaca dan cepat diinterpretasikan	Dapat memodelkan lebih dari dua kategori, serta mampu menangkap perubahan peluang antar kategori
Kekurangan	Tidak dapat digunakan untuk kasus dengan lebih dari dua kategori	Interpretasinya lebih rumit, dan visualisasinya cenderung lebih kompleks

---
title: "UTS Data Science Programing"
author: 
  - "Zain Iqbal Saputra NIM 52240024"
date:  "Kamis, 13/04/2025"
output:
  rmdformats::readthedown:   
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    number_sections: false
    lib_dir: libs
    3df_print: "paged"
    code_folding: "show"
    code_download: yes
---

<img src="Foto.jpg" style="display: block; width:300px; margin: auto;">

```{r, echo=FALSE, message=FALSE, warning=FALSE}
# memanggil library
library(tidyverse)  
library(nnet)       
library(broom)      
library(pscl)       
library(pROC)
library(DT)
library(caret)
library(ggplot2)
library(plotly)
library(scatterplot3d)
library(tidyr)
library(dplyr)
library(knitr)
```


# Binary Model

Binary Logistic Regression digunakan saat variabel dependen ($Y$) bersifat kategori/biner, misalnya `0` atau `1`, `Ya` atau `Tidak`, `Lulus` atau `Gagal`.  
Model ini memprediksi kemungkinan (probabilitas) terjadinya suatu kejadian <a href="https://bookdown.org/content/a142b172-69b2-436d-bdb0-9da6d046a0f9/02-Regression_Model.html#binary-logistic-regression">[1]</a>.

Persamaan Logistic Regression:

$$
P(Y = 1 \mid X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k)}}
$$

Atau setara dengan:

$$
\text{logit}(P) = \ln\left(\frac{P}{1 - P}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k
$$

Keterangan:

- $P(Y = 1 \mid X)$ : Probabilitas kejadian terjadi (misalnya, probabilitas "Ya" atau "1").
- $X_1, X_2, \dots, X_k$ : Variabel independen (faktor-faktor yang memengaruhi, seperti usia atau pendapatan). 
- $\beta_0, \beta_1, \dots, \beta_k$ : Koefisien model (menunjukkan seberapa besar pengaruh setiap $X$ terhadap probabilitas).  
- $\text{logit}(P)$ : Logaritma odds dari probabilitas, digunakan untuk mengubah hubungan menjadi linear.  

---

> Model ini bisa diibaratkan seperti keran air yang memprediksi apakah air akan mengalir (1) atau tidak mengalir (0), berdasarkan faktor-faktor seperti tekanan air, posisi tuas keran, dan kondisi pipa.

Alih-alih garis lurus seperti regresi linear, logistic regression menggunakan **kurva sigmoid (S)** agar probabilitas selalu antara 0 dan 1. 

## Perbandingan

Perbandingan dengan Multinomial Regression: 

- Binary hanya untuk 2 kategori, sedangkan **Multinomial** digunakan untuk lebih dari 2 kategori (misalnya Rendah/Sedang/Tinggi). 
- Koefisien pada Binary menunjukkan efek langsung terhadap odds sukses, sedangkan pada Multinomial dibandingkan antar kategori relatif terhadap satu acuan.

Dalam studi ini, tujuan utamanya yaitu memodelkan hubungan antara faktor-faktor pemasaran dan probabilitas keberhasilan,  
di mana variabel target ($Y$) bersifat biner (**Berhasil / Gagal**).

Variabel independen yang digunakan adalah:

- **Anggaran Iklan ($X_1$)**: Pengeluaran pemasaran (dalam ribuan dolar), diasumsikan dapat meningkatkan peluang keberhasilan.  
- **Jumlah Tenaga Penjual ($X_2$)**: Jumlah tenaga penjualan, diperkirakan berpengaruh positif terhadap probabilitas keberhasilan.  
- **Kepuasan Pelanggan ($X_3$)**: Diukur dalam skala 1–10; semakin tinggi kepuasan, semakin besar peluang keberhasilan.  
- **Tingkat Persaingan ($X_4$)**: Semakin tinggi tingkat persaingan, semakin kecil kemungkinan keberhasilan.  

## Dataset

Dataset simulasi (Tabel 1.1) mencakup hubungan-hubungan ini dengan **200 observasi**.

```{r, echo=FALSE, message=FALSE, warning=FALSE}

data <- read.csv("data/dataset.csv")

DT::datatable(caption = "Tabel 1.1: Dataset Bisnis Simulasi Logistik — Pemasaran dan Keberhasilan", data, options = list(
    pageLength = 10,       # tampilkan 10 baris per halaman
    ordering = TRUE         # biar bisa urut kolom
  ),
  rownames = FALSE          # hilangkan nomor urut
)

```

## Model 

Untuk mengetahui bagaimana faktor-faktor pemasaran (marketing factors) memengaruhi peluang keberhasilan (probability of success), kita menggunakan model regresi logistik.
Regresi logistik digunakan ketika variabel target bersifat kategori biner, misalnya Sukses (1) atau Gagal (0).

Model ini bertujuan untuk memperkirakan probabilitas keberhasilan suatu produk berdasarkan empat variabel utama:

- Advertising $(X₁)$ → jumlah anggaran iklan (ribu dolar)
- Salespeople $(X₂)$ → jumlah tenaga penjualan
- Satisfaction $(X₃)$ → skor kepuasan pelanggan (1–10)
- Competition $(X₄)$ → tingkat persaingan pasar (1–10)

Semua variabel ini diasumsikan memiliki pengaruh terhadap kemungkinan keberhasilan produk di pasar.

```{r, message=FALSE, warning=FALSE}
# Membangun Model Regresi Logistik
model_logit <- glm(
  Success ~ Advertising + Salespeople + Satisfaction + Competition,
  data = data,
  family = binomial
)

# Melihat hasil model
summary(model_logit)
```

---

Interpretasi Hasil Model Regresi:

- **Advertising** (Iklan): Koefisien positif artinya semakin besar pengeluaran iklan, semakin tinggi kemungkinan produk berhasil. Jadi, iklan yang lebih banyak pengeluaran biasanya meningkatkan peluang keberhasilan.

- **Salespeople** (Tenaga Penjualan): Semakin banyak tenaga penjualan, peluang keberhasilan juga meningkat. Ini karena cakupan penjualan lebih luas.

- **Satisfaction** (Kepuasan Pelanggan): Semakin tinggi kepuasan pelanggan, semakin besar peluang keberhasilan, terutama ketika kepuasan awal masih rendah.

- **Competition** (Persaingan): Koefisien negatif artinya semakin tinggi persaingan, peluang keberhasilan juga menurun. Ini sesuai dengan logika pasar.

- **Performa Model**: Untuk menilai seberapa baik model, bisa dilihat dari accuracy, confusion matrix, atau AUC. Probabilitas prediksi juga bisa divisualisasikan untuk memahami pengaruh masing-masing variabel terhadap peluang sukses.

## Visualisasi

```{r, warning=FALSE, message=FALSE}

# Prediksi probabilitas dan kelas 
data$pred_prob <- predict(model_logit, newdata = data, type = "response")
data$pred_class <- ifelse(data$pred_prob > 0.5, 1, 0)

# Hitung confusion matrix
cm <- confusionMatrix(as.factor(data$pred_class), as.factor(data$Success))
tp <- as.numeric(cm$table[2,2])
fp <- as.numeric(cm$table[2,1])
fn <- as.numeric(cm$table[1,2])
tn <- as.numeric(cm$table[1,1])

# Dapatkan AIC
aic_val <- round(AIC(model_logit), 2)

# Koefisien model
coefs <- round(coef(model_logit), 2)
eq_str <- paste("Logistic Model:\nlogit(p) = ", coefs[1], " + ", coefs[2], "(Advertising) + ",
                coefs[3], "(Salespeople) + ", coefs[4], "(Satisfaction) + ",
                coefs[5], "(Competition)\np = 1 / [1 + exp(-logit(p))]", sep="")

# String untuk confusion matrix
cm_str <- paste("Confusion Matrix:\nTP = ", tp, ", FP = ", fp,
                "\nFN = ", fn, ", TN = ", tn, "\nAIC = ", aic_val, sep="")

# Data prediksi untuk kurva
pred_data <- data.frame(
  Advertising = seq(min(data$Advertising), max(data$Advertising), length.out = 100),
  Salespeople = mean(data$Salespeople),
  Satisfaction = mean(data$Satisfaction),
  Competition = mean(data$Competition)
)
pred_data$pred_prob <- predict(model_logit, newdata = pred_data, type = "response")

# Plotly
fig <- plot_ly() %>%
  # Titik probabilitas aktual
  add_markers(data = data, 
              x = ~Advertising, 
              y = ~pred_prob, 
              type = 'scatter', 
              mode = 'markers',
              name = 'Data Aktual',
              marker = list(color = 'lightblue', size = 8, opacity = 0.7),
              hoverinfo = "text",
              text = ~paste("Advertising: ", Advertising,
                            "<br>Predicted Prob: ", round(pred_prob, 3),
                            "<br>Success: ", Success)) %>%
  # Garis prediksi
  add_lines(data = pred_data, 
            x = ~Advertising, 
            y = ~pred_prob, 
            line = list(color = 'red', width = 3),
            name = 'Kurva Prediksi') %>%
  layout(
    xaxis = list(title = "Advertising Budget"),
    yaxis = list(title = "Predicted Probability of Success", range = c(0, 1)),
    legend = list(orientation = "h", x = 0.3, y = -0.2),
    annotations = list(
      list(
        x = min(data$Advertising), 
        y = 0.15, 
        text = eq_str, 
        showarrow = FALSE,
        xanchor = "left", 
        align = "left", 
        font = list(size = 11, color = "blue")
      ),
      list(
        x = max(data$Advertising), 
        y = 0.05, 
        text = cm_str, 
        showarrow = FALSE,
        xanchor = "right",
        align = "left", 
        font = list(size = 11, color = "blue")
      )
    )
  )

fig


```

Interpretasi Visualisasi:

**1. Arah Hubungan Positif**
Garis kurva yang menanjak menunjukkan bahwa semakin tinggi anggaran iklan (Advertising), maka probabilitas keberhasilan produk juga meningkat. Artinya, investasi tambahan dalam promosi memiliki dampak nyata terhadap peluang sukses pemasaran.

**2. Perubahan Marginal (Efek Bertahap)**
Pada nilai Advertising yang rendah, kenaikan anggaran iklan memberikan peningkatan probabilitas yang cukup signifikan. Namun, ketika nilai Advertising semakin besar, kenaikan tambahan tidak lagi menghasilkan peningkatan probabilitas yang besar (efeknya mulai melandai).
> Hal ini konsisten dengan sifat fungsi logistik yang memiliki batas atas (mendekati 1).

**3. Sebaran Titik Data**

Titik-titik data (Success = `1` atau `0`) tersebar di sekitar kurva model.

- Titik di bagian bawah **(dekat 0)** menggambarkan observasi yang gagal (Failure).
- Titik di bagian atas **(dekat 1)** menggambarkan observasi yang berhasil (Success).

Sebaran yang mengikuti pola kurva menandakan bahwa model cukup baik dalam memisahkan dua kategori hasil.

**4. Probabilitas Prediksi**
Kurva biru (hasil model) menunjukkan nilai probabilitas prediksi untuk setiap nilai Advertising. Dengan begitu, kita bisa memperkirakan:

- Saat Advertising = 10, probabilitas keberhasilan mungkin sekitar 0.3.
- Saat Advertising = 30, probabilitas meningkat hingga sekitar 0.8.

>Ini menunjukkan pengaruh positif dan signifikan dari anggaran iklan terhadap keberhasilan produk.

**5. Kualitas Model (Tambahan Interpretasi)**
Model ini mampu menangkap pola yang logis secara ekonomi: semakin besar usaha promosi, semakin tinggi peluang sukses.
Namun, untuk memastikan performanya kuat secara statistik, perlu juga dilihat akurasi, confusion matrix, dan AUC, seperti disebutkan dalam analisis sebelumnya.


# Multinomial Model

**Multinomial Logistic Regression**

Multinomial Logistic Regression digunakan ketika variabel target memiliki lebih dari dua kategori. Contohnya, keputusan konsumen bisa terdiri dari tiga pilihan seperti “Tidak Membeli”, “Membeli Sedikit”, dan “Membeli Banyak”.

Berbeda dengan Binary Logistic Regression yang hanya memiliki dua kelas, model ini memperkirakan peluang untuk setiap kategori berdasarkan nilai variabel bebas yang dimasukkan. Dengan demikian, setiap kategori akan memiliki kemungkinan tersendiri yang dihitung secara bersamaan. <a href="https://bookdown.org/chua/ber642_advanced_regression/multinomial-logistic-regression.html">[2]</a>.

**Persamaan Umum**

Untuk setiap kategori $j$ (dengan $j = 2, 3, \dots, J$, dan kategori 1 sebagai referensi):

$$
\ln\left(\frac{P(Y = j \mid X)}{P(Y = 1 \mid X)}\right) = \beta_{0j} + \beta_{1j}X_1 + \beta_{2j}X_2 + \dots + \beta_{kj}X_k
$$

**Penjelasan**

- Bagian kiri, $\ln\left(\frac{P(Y = j \mid X)}{P(Y = 1 \mid X)}\right)$, adalah log-odds: seberapa besar kemungkinan kategori $j$ dibanding kategori referensi.  
- $P(Y = j \mid X)$ → kemungkinan observasi masuk kategori $j$.  
- $P(Y = 1 \mid X)$ → kemungkinan observasi masuk kategori referensi.  
- $\beta_{0j}$ → nilai dasar (intersep) untuk kategori $j$.  
- $\beta_{1j}, \dots, \beta_{kj}$ → seberapa besar tiap variabel independen mempengaruhi kemungkinan kategori $j$.  
- $X_1, \dots, X_k$ → variabel yang mempengaruhi hasil, misal anggaran iklan, jumlah sales, kepuasan pelanggan, dll.

## Probabilitas

**Persamaan Probabilitas**

Probabilitas tiap kategori $j$ dihitung dengan:

$$
P(Y = j \mid X) = \frac{\exp(\beta_{0j} + \beta_{1j}X_1 + \dots + \beta_{kj}X_k)}
{\sum_{m=1}^{J} \exp(\beta_{0m} + \beta_{1m}X_1 + \dots + \beta_{km}X_k)}
$$

**Penjelasan:**

- Fungsi eksponensial ($\exp$) digunakan untuk mengubah log-odds menjadi bentuk probabilitas.
- Bagian bawah (penyebut) memastikan total seluruh probabilitas kategori bernilai 1.
- Setiap kategori memiliki “nilai skor” masing-masing, dan probabilitas akhir diperoleh dari perbandingan antar-skor tersebut.
- Biasanya, kategori referensi memiliki koefisien nol ($\beta_{01} = 0$) agar hasil perbandingan dapat dihitung dengan mudah.
<a href="https://bookdown.org/chua/ber642_advanced_regression/multinomial-logistic-regression.html">[2]</a>.

---


Model ini bisa diterapkan untuk menganalisis hubungan antara faktor-faktor pemasaran dengan tingkat keberhasilan produk, misalnya dengan tiga level: Rendah (Low), Sedang (Medium), dan Tinggi (High).

Jika sebelumnya data hanya bersifat biner (dua kategori), maka perlu dilakukan simulasi atau modifikasi data terlebih dahulu agar menjadi multinomial.
Sebagai contoh, variabel Success dapat diubah menjadi Sales_Level dengan tiga kategori tadi untuk kemudian dianalisis menggunakan Multinomial Logistic Regression.

## Variabel

**Variabel yang digunakan sama seperti pada binary logistic regression:**

- $X_1$ (**Advertising**) → jumlah anggaran iklan (ribu dolar)  
- $X_2$ (**Salespeople**) → jumlah tenaga penjualan  
- $X_3$ (**Satisfaction**) → skor kepuasan pelanggan (1–10)  
- $X_4$ (**Competition**) → tingkat persaingan (1–10)

Variabel outcome diasumsikan **mempengaruhi kemungkinan tingkat keberhasilan produk** di pasar.

Karena model ini variabel target memiliki lebih dari dua kategori, kita akan mengubah isi kolom `Success` agar memiliki nilai kategori (Low, Medium, dan High)

```{r, warning=FALSE, message=FALSE}
data$Success <- cut(
  data$Satisfaction,
  breaks = c(-Inf, 3, 9, Inf),   # batas nilai Satisfaction
  labels = c("Low", "Medium", "High"),
  include.lowest = TRUE
)

# Ubah jadi faktor (opsional)
data$Success <- as.factor(data$Success)

# Tampilkan tabel interaktif
datatable(data, options = list(pageLength = 10))

```

## Model 

```{r, warning=FALSE, message=FALSE}
model_multi <- multinom(
  Success ~ Advertising + Salespeople + Satisfaction + Competition,
  data = data
)

# --- Melihat hasil model ---
summary(model_multi)
```

**Interpretasi Hasil Model Multinomial Logistic Regression**

Model ini digunakan untuk memprediksi tingkat keberhasilan produk (Success_Level) yang diklasifikasikan menjadi tiga kategori: Low, Medium, dan High. Prediksi dilakukan berdasarkan empat variabel utama, yaitu Advertising, Salespeople, Satisfaction, dan Competition.

Dalam model ini, kategori Low dijadikan sebagai kategori, sehingga seluruh hasil koefisien untuk kategori lainnya diinterpretasikan relatif terhadap kategori tersebut.

---

**1. Intercept (Titik Awal)**

- Untuk kategori Medium: (Intercept) = `-186.53`
- Untuk kategori High: (Intercept) = -`356.39`

Nilai konstanta yang negatif dan cukup besar menunjukkan bahwa ketika semua variabel independen bernilai nol, peluang untuk mencapai kategori Medium atau High sangat kecil dibanding Low.
Dengan kata lain, tanpa dukungan faktor-faktor seperti iklan dan kepuasan pelanggan, kemungkinan produk berhasil tergolong rendah.

**2. Advertising**

- Medium: `-0.175` 
- High: `+0.202` 

Koefisien positif untuk kategori High menandakan bahwa peningkatan dana iklan dapat meningkatkan peluang keberhasilan tinggi.

Sebaliknya, nilai negatif kecil untuk kategori Medium memperlihatkan efek yang sedikit menurun. Secara umum, semakin besar anggaran iklan, semakin tinggi potensi produk masuk ke kategori High.  

**3. Salespeople**

- Medium: `-0.218`
- High: `-0.668`

Koefisien negatif pada kedua kategori menunjukkan bahwa peningkatan jumlah tenaga penjual justru menurunkan peluang keberhasilan produk.
Hal ini bisa disebabkan oleh kurangnya efektivitas kerja tim, tumpang tindih tugas, atau persaingan internal antarpenjual yang menurunkan produktivitas.

**4. Satisfaction**

- Medium: `+48.54`
- High: `+73.42`

Variabel kepuasan pelanggan memiliki pengaruh paling kuat dan positif terhadap keberhasilan produk.
Nilai koefisien yang tinggi menandakan bahwa semakin puas pelanggan, semakin besar kemungkinan produk mencapai tingkat Medium maupun High. Kepuasan pelanggan menjadi indikator utama keberhasilan pasar.

**5. Competition**

- Medium: `-0.066`
- High: `-0.215` 

Koefisien negatif menunjukkan bahwa semakin ketat persaingan di pasar, semakin kecil kemungkinan produk mencapai kategori keberhasilan yang lebih tinggi.
Artinya, pasar dengan tingkat kompetisi tinggi dapat menekan performa penjualan dan peluang sukses perusahaan.

**6. Goodness of Fit**

- Residual Deviance = `1.518` 
- AIC = `21.52`

Nilai AIC yang rendah mengindikasikan bahwa model mampu menyesuaikan diri dengan data secara baik.
Secara keseluruhan, model ini menunjukkan hasil yang memuaskan karena dapat menjelaskan variasi tingkat keberhasilan produk dengan cukup baik melalui empat variabel utama tadi.

- Faktor berpengaruh positif: Advertising (untuk kategori High) dan Satisfaction
- Faktor berpengaruh negatif: Salespeople dan Competition
- Faktor paling dominan: Satisfaction (kepuasan pelanggan)
- Kesesuaian model: Baik (AIC rendah)

## Visualisasi

```{r, warning=FALSE, message=FALSE}

# Prediksi probabilitas dan kelas

pred_probs <- predict(model_multi, newdata = data, type = "probs")
pred_probs <- as.data.frame(pred_probs) # pastikan hasilnya jadi data.frame
colnames(pred_probs) <- c("Low","Medium","High")

# Pastikan tidak ada kolom lama
data <- data[, !names(data) %in% c("Low","Medium","High","pred_class")]

# Gabungkan
data <- cbind(data, pred_probs)
data$pred_class <- predict(model_multi, newdata = data)

# Evaluasi model

aic_val <- round(AIC(model_multi), 2)
cm <- confusionMatrix(as.factor(data$pred_class), as.factor(data$Success))
acc_val <- round(cm$overall["Accuracy"], 3)
cm_str <- paste("Accuracy =", acc_val, "| AIC =", aic_val)

# Data prediksi kurva
pred_data <- data.frame(
  Advertising = seq(min(data$Advertising), max(data$Advertising), length.out = 100),
  Salespeople = mean(data$Salespeople),
  Satisfaction = mean(data$Satisfaction),
  Competition = mean(data$Competition)
)

pred_curve <- predict(model_multi, newdata = pred_data, type = "probs")
pred_curve <- as.data.frame(pred_curve)  # Pastikan bentuknya data frame
colnames(pred_curve) <- c("Low","Medium","High")  # Pastikan nama kolom jelas
pred_data <- cbind(pred_data, pred_curve)

# Format long untuk Plotly
pred_long <- pred_data %>%
  pivot_longer(
    cols = c("Low","Medium","High"),
    names_to = "Kategori",
    values_to = "Probabilitas"
  )

# Pastikan kolom numerik
pred_long$Advertising <- as.numeric(pred_long$Advertising)
pred_long$Probabilitas <- as.numeric(pred_long$Probabilitas)

# Warna kategori
colors_scatter <- c("Low"="blue", "Medium"="orange", "High"="green")

# Plot interaktif

fig <- plot_ly()

# Scatter data aktual (yaxis kiri)
for(cat in c("Low","Medium","High")){
  fig <- fig %>% add_markers(
    data = data %>% filter(Success == cat) %>%
      mutate(Advertising_jitter = Advertising + runif(n(), -0.3, 0.3)),
    x = ~Advertising_jitter,
    y = ~Satisfaction,
    color = I(colors_scatter[cat]),
    name = paste("Data", cat),
    marker = list(size=8, opacity=0.6),
    hoverinfo="text",
    text = ~paste(
      "Advertising:", round(Advertising,2),
      "<br>Satisfaction:", round(Satisfaction,2),
      "<br>Salespeople:", round(Salespeople,2),
      "<br>Competition:", round(Competition,2),
      "<br>Success:", Success
    )
  )
}

# Garis prediksi (yaxis kanan)
for(cat in c("Low","Medium","High")){
  fig <- fig %>% add_lines(
    data = pred_long %>% filter(Kategori == cat),
    x = ~Advertising,
    y = ~Probabilitas,
    line = list(color = colors_scatter[cat], width = 3),
    name = paste("Prediksi", cat),
    yaxis = "y2",
    hoverinfo="text",
    text = ~paste("Advertising:", round(Advertising,2),
                  "<br>Probabilitas:", round(Probabilitas,3))
  )
}

# Layout
fig <- fig %>% layout(
  title = list(text="Multinomial Logistic Regression: Scatter & Garis Prediksi", x=0.5),
  xaxis = list(title="Advertising"),
  yaxis = list(title="Satisfaction (Data Aktual)", range=c(min(data$Satisfaction), max(data$Satisfaction))),
  yaxis2 = list(title="Probabilitas Prediksi", overlaying="y", side="right", range=c(0,1)),
  legend = list(orientation="h", x=0.5, y=-0.2, xanchor="center"),
  annotations = list(
    list(
      x=max(data$Advertising), y=max(data$Satisfaction),
      text=cm_str, showarrow=FALSE, xanchor="right",
      font=list(size=12, color="darkred")
    )
  )
)

fig
```

**Interpretasi Visualisasi:**

**1. Penyebaran Data Aktual (Scatter Plot)**

- Low (Blue) → Sebagian besar data muncul pada tingkat Advertising yang rendah.  
- Medium (Orange) → Nilainya tersebar di kisaran sedang pada variabel Advertising. 
- High (Grenn) → Lebih banyak ditemukan pada tingkat Advertising yang tinggi.  


**2. Probabilitas Prediksi Model**

- Grafik tiap kategori menggambarkan peluang prediksi model terhadap perubahan nilai Advertising, dengan asumsi variabel lainnya berada pada nilai rata-rata.
- Low (Blue) → Probabilitasnya menurun seiring peningkatan Advertising; menunjukkan bahwa peluang masuk kategori Low semakin kecil saat iklan bertambah.
- Medium (Orange) → Memiliki probabilitas tertinggi pada tingkat Advertising sedang; menandakan kategori ini paling mungkin muncul di kisaran tengah.
- High (Green) → Peluangnya meningkat seiring bertambahnya Advertising; artinya kategori High semakin mungkin terjadi ketika iklan meningkat.

**3. Pola Tren**

Secara keseluruhan, pola yang terbentuk menunjukkan hubungan yang masuk akal antara variabel:

- Low → cenderung menurun
- Medium → berada di tengah (stabil atau sedikit naik-turun)
- High → cenderung meningkat

Pola ini menegaskan bahwa model berhasil menggambarkan keterkaitan antara tingkat Advertising dan Success_Level dengan cukup baik.

---

# Perbandingan

Kita bisa ringkas perbandingan **Binary vs Multinomial Logistic Regression** dalam bentuk **tabel**:

```{r, message=FALSE, warning=FALSE, echo=FALSE}
# Data frame untuk tabel
data <- data.frame(
  `Aspek` = c("Variabel Target", "Probabilitas Prediksi", "Garis Prediksi (Trend)", "Visualisasi", "Interpretasi","Akurasi & AIC", "Kelebihan", "Kekurangan" ),
  `Binary Logistic Regression` = c("Memiliki dua kategori (contoh: Success = 0 atau 1)", "Menghasilkan satu nilai probabilitas untuk kelas “1”, sedangkan kelas “0” dihitung sebagai (1 – p)", "Menampilkan satu kurva S (S-curve) yang menunjukkan perubahan peluang keberhasilan seiring peningkatan variabel prediktor", "Umumnya menggunakan scatter plot dan satu kurva prediksi", "Lebih mudah karena hanya dua kelas, cocok untuk analisis sederhana","Nilai akurasi dan AIC dihitung secara keseluruhan untuk dua kelas", "Sederhana, mudah dibaca dan cepat diinterpretasikan", "Tidak dapat digunakan untuk kasus dengan lebih dari dua kategori"),
  `Multinomial Logistic Regression` = c("Memiliki lebih dari dua kategori (contoh: Success_Level = Low / Medium / High)", "Menghasilkan probabilitas untuk tiap kategori, di mana total seluruh probabilitas = 1", "Memiliki tiga garis prediksi (misalnya untuk Low, Medium, High) yang menggambarkan perubahan peluang tiap kategori", "Menggunakan scatter plot dan tiga kurva prediksi (per kategori) untuk menunjukkan distribusi peluang masing-masing kelas", "Lebih kompleks, namun mampu memberikan gambaran yang lebih detail tentang distribusi peluang tiap kategori","Akurasi dihitung untuk seluruh kategori, dan AIC digunakan untuk menilai kesesuaian model secara umum", "Dapat memodelkan lebih dari dua kategori, serta mampu menangkap perubahan peluang antar kategori", "Interpretasinya lebih rumit, dan visualisasinya cenderung lebih kompleks")
)

# Cetak tabel
kable(data, col.names = c("Aspek", "Binary Logistic Regression", "Multinomial Logistic Regression"))
```
---