#Skenario Y : Keputusan menolak/menerima pelamar kerja pada PT A posisi B X1 : Lama pengalaman kerja sebelumnya (bulan) X2 : Status pekerjaan saat ini (0: Bekerja, 1: Tidak bekerja) X3 : Tingkat pendidikan (0: Lulusah Sekolah Menengah, 1: Lulusan Perguruan Tinggi) X4 : IPK (skala 4)

#Membangkitkan data X1 X1 : Lama pengalaman kerja sebelumnya (bulan) Membangkitkan variabel X1 dengan lama pekerjaan 0-60 bulan dengan nilai tengah 12 dan banyak pelamar adalah 100

set.seed(1234)
n <-  50
u <- runif(n)

x1 <- round(60*(-(log(1-u)/12)))
x1
##  [1]  1  5  5  5 10  5  0  1  5  4  6  4  2 13  2  9  2  2  1  1  2  2  1  0  1
## [26]  8  4 12  9  0  3  2  2  4  1  7  1  1 24  8  4  5  2  5  2  3  6  3  1  7

#Membangkitkan data X2 X2 : Status pekerjaan Keterangan yang digunakan (0 = Tidak bekerja) dan (1 = Bekerja)

set.seed(12345)
x2 <- round(runif(n))
x2
##  [1] 1 1 1 1 0 0 0 1 1 1 0 0 1 0 0 0 0 0 0 1 0 0 1 1 1 0 1 1 0 0 1 0 0 1 0 0 1 1
## [39] 1 0 1 0 1 1 0 0 0 0 0 1

#Membangkitkan data X3 X3 : Tingkat pendidikan Keterangan yang digunakan (0 = lulus SMA/Tidak kuliah) dan (1 = lulus kuliah)

set.seed(123)
x3 <- round(runif(n))
x3
##  [1] 0 1 0 1 1 0 1 1 1 0 1 0 1 1 0 1 0 0 0 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 0 0 1 0
## [39] 0 0 0 0 0 0 0 0 0 0 0 1

#Membangkitkan data X4 X4 adalah data IPK pelamar dengan skala 4

set.seed(3)
x4 <- round(rnorm(n,3,0.5),2)
x4
##  [1] 2.52 2.85 3.13 2.42 3.10 3.02 3.04 3.56 2.39 3.63 2.63 2.43 2.64 3.13 3.08
## [16] 2.85 2.52 2.68 3.61 3.10 2.71 2.53 2.90 2.17 2.76 2.63 3.58 3.51 2.96 2.43
## [31] 3.45 3.43 3.36 3.37 2.82 3.35 3.65 3.02 2.51 3.40 3.39 2.84 3.85 2.60 3.17
## [46] 1.87 2.92 3.57 2.77 2.55
set.seed(33)
x44 <- round(rnorm(n,2.7,0.5),2)
x44
##  [1] 2.63 2.68 3.21 2.62 1.62 2.95 2.32 3.09 3.08 2.15 2.78 2.69 3.64 2.82 3.05
## [16] 2.69 2.63 2.86 2.76 2.40 2.48 2.85 3.06 2.93 2.79 2.82 3.00 3.70 1.78 2.27
## [31] 3.49 2.78 2.56 3.09 2.59 3.40 2.46 2.77 2.70 2.34 2.34 2.60 3.37 2.88 3.12
## [46] 3.09 2.74 2.36 3.62 2.60

#Membangkitkan data Y ##Menentukan koef

b0 <- -11
b1 <- 3.5
b2 <- 0.5
b3 <- 2.7
b4 <- 2.2
set.seed(1)
datapendukung <- b0+(b1*x1)+(b2*x2)+(b3*x3)+(b4*x4)
datapendukung
##  [1] -1.456 15.970 13.886 15.024 33.520 13.144 -1.612  3.532 14.958 11.486
## [11] 18.486  8.346  5.008 44.086  2.776 29.470  1.544  1.896  0.442  2.520
## [21]  4.662  4.266  2.080 -3.026  1.772 25.486 14.076 41.922 27.012 -5.654
## [31] 10.290  6.246  6.092 13.614 -1.296 20.870  3.730 -0.356 79.022 24.480
## [41] 10.958 12.748  4.970 12.720  2.974  3.614 16.424  7.354 -1.406 22.310
p <- exp(datapendukung)/(1+exp(datapendukung))
p
##  [1] 0.189079877 0.999999884 0.999999068 0.999999701 1.000000000 0.999998043
##  [7] 0.166311125 0.971584680 0.999999681 0.999989727 0.999999991 0.999762712
## [13] 0.993360124 1.000000000 0.941365046 1.000000000 0.824045455 0.869438134
## [19] 0.608735487 0.925532055 0.990640872 0.986156510 0.888944033 0.046265005
## [25] 0.854706214 1.000000000 0.999999229 1.000000000 1.000000000 0.003491243
## [31] 0.999966030 0.998065558 0.997744217 0.999998777 0.214838980 0.999999999
## [37] 0.976569332 0.411928197 1.000000000 1.000000000 0.999982582 0.999997092
## [43] 0.993104727 0.999997009 0.951385615 0.973763068 0.999999926 0.999360382
## [49] 0.196865728 1.000000000
set.seed(2)
y <- rbinom(n,1,p)
y
##  [1] 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1
## [39] 1 1 1 1 1 1 1 1 1 1 0 1
datagab <- data.frame(y,x1,x2,x3,x4)
datagab
##    y x1 x2 x3   x4
## 1  0  1  1  0 2.52
## 2  1  5  1  1 2.85
## 3  1  5  1  0 3.13
## 4  1  5  1  1 2.42
## 5  1 10  0  1 3.10
## 6  1  5  0  0 3.02
## 7  0  0  0  1 3.04
## 8  1  1  1  1 3.56
## 9  1  5  1  1 2.39
## 10 1  4  1  0 3.63
## 11 1  6  0  1 2.63
## 12 1  4  0  0 2.43
## 13 1  2  1  1 2.64
## 14 1 13  0  1 3.13
## 15 1  2  0  0 3.08
## 16 1  9  0  1 2.85
## 17 0  2  0  0 2.52
## 18 0  2  0  0 2.68
## 19 1  1  0  0 3.61
## 20 1  1  1  1 3.10
## 21 1  2  0  1 2.71
## 22 1  2  0  1 2.53
## 23 1  1  1  1 2.90
## 24 0  0  1  1 2.17
## 25 1  1  1  1 2.76
## 26 1  8  0  1 2.63
## 27 1  4  1  1 3.58
## 28 1 12  1  1 3.51
## 29 1  9  0  0 2.96
## 30 0  0  0  0 2.43
## 31 1  3  1  1 3.45
## 32 1  2  0  1 3.43
## 33 1  2  0  1 3.36
## 34 1  4  1  1 3.37
## 35 1  1  0  0 2.82
## 36 1  7  0  0 3.35
## 37 1  1  1  1 3.65
## 38 1  1  1  0 3.02
## 39 1 24  1  0 2.51
## 40 1  8  0  0 3.40
## 41 1  4  1  0 3.39
## 42 1  5  0  0 2.84
## 43 1  2  1  0 3.85
## 44 1  5  1  0 2.60
## 45 1  2  0  0 3.17
## 46 1  3  0  0 1.87
## 47 1  6  0  0 2.92
## 48 1  3  0  0 3.57
## 49 0  1  0  0 2.77
## 50 1  7  1  1 2.55

#Analisis Regresi Logistik

modelreglog <- glm(y~x1+x2+x3+x4, family = binomial (link = "logit"), data = datagab)
## Warning: glm.fit: fitted probabilities numerically 0 or 1 occurred
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)  -20.055      9.383  -2.137   0.0326 *
## x1             3.482      1.561   2.230   0.0257 *
## x2             2.290      1.963   1.167   0.2433  
## x3             2.537      2.161   1.174   0.2403  
## x4             5.248      2.692   1.950   0.0512 .
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 40.496  on 49  degrees of freedom
## Residual deviance: 11.538  on 45  degrees of freedom
## AIC: 21.538
## 
## Number of Fisher Scoring iterations: 10