#MEMBANGKITKAN DATA

#SKENARIO

#Y = Keputusan dilantik/tidak dilantik sebagai pimpinan organisasi ;

#X1 = Lama masa mengabdi (bulan) ;

#X2 = Status kemahasiswaan saat ini (0: aktif, 1: Tidak aktif) ;

#X3 = Tingkat pendidikan (0: Di bawah semester 4, 1: Di atas semester 4) ;

#X4 = IPK (skala 4)

#MEMBANGKITKAN DATA X1

#X1: Lama masa mengabdi di organisasi (bulan). Membangkitkan variabel X1 dengan lama mengabdi 0-36 bulan dengan nilai tengah 12 dan banyak kandidat adalah 15 orang.

set.seed(1234)
n = 15
u = runif(n)

x1 = round(36*(-(log(1-u)/12)))
x1
##  [1] 0 3 3 3 6 3 0 1 3 2 4 2 1 8 1

#MEMBANGKITKAN DATA X2

#X2: Status kemahasiswaan saat ini (0: Aktif, 1: Tidak aktif)

set.seed(12345)
x2 = round(runif(n))
x2
##  [1] 1 1 1 1 0 0 0 1 1 1 0 0 1 0 0

#MEMBANGKITKAN DATA X3

#X3: Tingkat pendidikan (0: Di bawah semester 4, 1: Di atas semester 4)

set.seed(123)
x3 = round(runif(n))
x3
##  [1] 0 1 0 1 1 0 1 1 1 0 1 0 1 1 0

#MEMBANGKITKAN DATA X4

#X4: data IPK kandidat dengan skala 4

set.seed(222)
x4 = round(rnorm(n, 3, 0.5), 2)
x4
##  [1] 3.74 3.00 3.69 2.81 3.09 2.88 2.39 3.78 3.21 2.40 3.53 2.35 2.65 3.30 2.90
set.seed(222)
x44 = round(rnorm(n, 2.8, 0.5), 2)
x44
##  [1] 3.54 2.80 3.49 2.61 2.89 2.68 2.19 3.58 3.01 2.20 3.33 2.15 2.45 3.10 2.70
summary(x44)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.150   2.530   2.800   2.848   3.215   3.580

#MEMBANGKITKAN DATA Y

#Menentukan koef

b0 = -9
b1 = 2.7
b2 = 0.5
b3 = 2.5
b4 = 3.0
set.seed(1)
datapendukung = b0+(b1*x1)+(b2*x2)+(b3*x3)+(b4*x4)
datapendukung
##  [1]  2.72 11.10 10.67 10.53 18.97  7.74  0.67  8.04 11.73  4.10 14.89  3.45
## [13]  4.65 25.00  2.40
p = exp(datapendukung)/(1+exp(datapendukung))
p
##  [1] 0.9381965 0.9999849 0.9999768 0.9999733 1.0000000 0.9995651 0.6615032
##  [8] 0.9996778 0.9999920 0.9836975 0.9999997 0.9692311 0.9905290 1.0000000
## [15] 0.9168273
set.seed(2)
y = rbinom(n, 1, p)
y
##  [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
datagab = data.frame(y, x1, x2, x3, x4)
datagab
##    y x1 x2 x3   x4
## 1  1  0  1  0 3.74
## 2  1  3  1  1 3.00
## 3  1  3  1  0 3.69
## 4  1  3  1  1 2.81
## 5  1  6  0  1 3.09
## 6  1  3  0  0 2.88
## 7  1  0  0  1 2.39
## 8  1  1  1  1 3.78
## 9  1  3  1  1 3.21
## 10 1  2  1  0 2.40
## 11 1  4  0  1 3.53
## 12 1  2  0  0 2.35
## 13 1  1  1  1 2.65
## 14 1  8  0  1 3.30
## 15 1  1  0  0 2.90

#ANALISIS REGRESI LOGISTIK

modelreglog = glm(y~x1+x2+x3+x4, family = binomial(link = "logit"), data = datagab)
summary(modelreglog)
## 
## Call:
## glm(formula = y ~ x1 + x2 + x3 + x4, family = binomial(link = "logit"), 
##     data = datagab)
## 
## Coefficients:
##               Estimate Std. Error z value Pr(>|z|)
## (Intercept)  2.557e+01  3.675e+05       0        1
## x1           2.519e-07  3.193e+04       0        1
## x2           4.826e-07  1.288e+05       0        1
## x3           1.529e-07  1.226e+05       0        1
## x4          -2.122e-06  1.277e+05       0        1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 0.0000e+00  on 14  degrees of freedom
## Residual deviance: 2.3655e-10  on 10  degrees of freedom
## AIC: 10
## 
## Number of Fisher Scoring iterations: 24