UTS PSS Pembangkitan Data
Fathir Rizwa
2026-04-20
Deskripsi Kasus
Studi kasus ini berfokus pada analisis pola pengeluaran bulanan mahasiswa Universitas Negeri Semarang di era digital. Fenomena saat ini menunjukkan bahwa pengeluaran mahasiswa tidak hanya dipengaruhi oleh kebutuhan pokok, tetapi juga oleh gaya hidup digital, khususnya konsumsi konten hiburan/streaming berbayar, seperti Netflix, Spotify, Youtube, dll. Penelitian ini bertujuan untuk memodelkan bagaimana Uang Saku dan Durasi Penggunaan Layanan Streaming Digital memengaruhi Total Pengeluaran (Y) mahasiswa Universitas Negeri Semarang.
Logika Dasar Penggunaan Software R
Dalam pemodelan ini menggunakan logika dasar dengan proses yang bertumpu pada teknik simulasi stokastik dan pemodelan regresi linier. Data dibangkitkan dengan terlebih dahulu menetapkan parameter untuk variabel independen, yaitu ‘UangSaku’ dan ‘Streaming’, yang diasumsikan memiliki distribusi atau variansi tertentu dalam populasi. Selanjutnya, variabel dependen berupa ‘Pengeluaran’ dikonstruksi melalui persamaan matematis sebagai kombinasi linier dari variabel independen tersebut. Untuk menghindari hasil regresi yang terlalu sempurna atau tidak realistis, ditambahkan komponen galat (error term atau noise) secara acak. Komponen galat ini berfungsi merepresentasikan varians yang tidak dapat dijelaskan oleh model, sehingga data kuantitatif yang dihasilkan memiliki karakteristik keacakan yang natural dan mencerminkan kompleksitas finansial di dunia nyata.
Langkah-Langkah Sintaks
Berikut alur pembangkitan data dan evaluasinya, yaitu:
- Inisialisasi Parameter & Seed: Menetapkan titik awal (seed) pengacakan agar angka acak yang dihasilkan komputasi konsisten dan dapat direproduksi.
- Pembangkitan Variabel Independen: Membuat sekumpulan vektor data numerik secara acak untuk merepresentasikan variabel UangSaku dan tingkat konsumsi Streaming.
- Pembangkitan Distribusi Noise: Menghasilkan nilai fluktuasi acak (error) berdistribusi normal untuk memberikan efek sisa (residual) pada data.
- Formulasi Variabel Dependen: Menghitung variabel Pengeluaran menggunakan persamaan matematis yang melibatkan UangSaku, Streaming, dan noise.
- Penggabungan Data: Mengikat semua variabel yang telah terbuat ke dalam satu struktur Data Frame.
- Pemodelan Statistik: Melatih model regresi linier berganda menggunakan Data Frame tersebut untuk mengevaluasi bobot hubungan antarkolom.
- Kalkulasi Metrik Evaluasi: Mengeksekusi perintah untuk menghitung nilai R-Squared, Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE).
Sintaks R
# 1. Persiapan
set.seed(123)
n <- 1000 # Jumlah data mahasiswa
n## [1] 1000Interpretasi
Sintaks set.seed(123) digunakan sebagai titik awal penentuan pengacakan angka (random seed) untuk memastikan bahwa simulasi pembangkitan data akan menghasilkan angka yang sama dan konsisten (reproducible) setiap kali program tersebut dijalankan ulang. Kemudian, perintah n <- 1000 berfungsi untuk menginisiasi variabel n guna menetapkan jumlah sampel observasi sebanyak 1.000 mahasiswa. Output [1] 1000 yang muncul merupakan bentuk konfirmasi dari sistem R bahwa angka 1.000 telah berhasil disimpan ke dalam variabel n, yang menandakan bahwa dataset akhir yang dibangun nantinya akan memuat tepat seribu baris data simulasi mahasiswa.
# 2. Pembangkitan Data Sintetis
# X1: Uang saku bulanan (Rata-rata 1.5jt, SD 500rb)
set.seed(123)
X1 <- rnorm(n, mean = 1500000, sd = 500000)
X1 <- pmax(0, X1) # Pendapatan tidak boleh < 0
X1 <- round(pmax(500000, X1) / 1000) * 1000
X1## [1] 1220000 1385000 2279000 1535000 1565000 2358000 1730000 867000 1157000
## [10] 1277000 2112000 1680000 1700000 1555000 1222000 2393000 1749000 517000
## [19] 1851000 1264000 966000 1391000 987000 1136000 1187000 657000 1919000
## [28] 1577000 931000 2127000 1713000 1352000 1948000 1939000 1911000 1844000
## [37] 1777000 1469000 1347000 1310000 1153000 1396000 867000 2584000 2104000
## [46] 938000 1299000 1267000 1890000 1458000 1627000 1486000 1479000 2184000
## [55] 1387000 2258000 726000 1792000 1562000 1608000 1690000 1249000 1333000
## [64] 991000 964000 1652000 1724000 1527000 1961000 2525000 1254000 500000
## [73] 2003000 1145000 1156000 2013000 1358000 890000 1591000 1431000 1503000
## [82] 1693000 1315000 1822000 1390000 1666000 2048000 1718000 1337000 2074000
## [91] 1997000 1774000 1619000 1186000 2180000 1200000 2594000 2266000 1382000
## [100] 987000 1145000 1628000 1377000 1326000 1024000 1477000 1108000 666000
## [109] 1310000 1959000 1212000 1804000 691000 1472000 1760000 1651000 1553000
## [118] 1180000 1075000 988000 1559000 1026000 1255000 1372000 2422000 1174000
## [127] 1618000 1539000 1019000 1464000 2222000 1726000 1521000 1289000 500000
## [136] 2066000 770000 1870000 2455000 778000 1851000 1369000 714000 743000
## [145] 699000 1235000 769000 1844000 2550000 856000 1894000 1885000 1666000
## [154] 996000 1440000 1360000 1781000 1314000 1988000 1313000 2026000 975000
## [163] 870000 3121000 1292000 1649000 1818000 1258000 1758000 1684000 1392000
## [172] 1533000 1483000 2564000 1129000 952000 1519000 1655000 1718000 1271000
## [181] 968000 2132000 1325000 1067000 1382000 1401000 2055000 1542000 1877000
## [190] 1250000 1607000 1338000 1547000 1052000 845000 2499000 1800000 874000
## [199] 1194000 907000 2599000 2156000 1367000 1772000 1293000 1262000 1106000
## [208] 1203000 2325000 1473000 1560000 1622000 2116000 1242000 1004000 2338000
## [217] 1279000 1138000 882000 858000 1213000 1809000 2055000 1854000 1318000
## [226] 1530000 1148000 1141000 1942000 992000 2478000 1455000 1607000 1131000
## [235] 1213000 841000 1409000 1709000 1662000 1109000 1106000 1249000 2248000
## [244] 931000 1410000 2451000 1450000 820000 1168000 1743000 1312000 1219000
## [253] 1328000 1545000 2299000 1456000 2040000 1815000 1443000 734000 1239000
## [262] 1255000 1524000 2150000 2647000 2274000 1433000 622000 1306000 1545000
## [271] 1923000 1981000 1842000 802000 1925000 1277000 1587000 1537000 1714000
## [280] 1512000 666000 1868000 1693000 1367000 1559000 1567000 1611000 2320000
## [289] 1390000 1584000 2084000 2027000 2073000 1211000 2501000 1533000 2433000
## [298] 825000 1510000 2125000 1142000 1124000 1031000 974000 1281000 1666000
## [307] 500000 1606000 2118000 2519000 2151000 1878000 637000 1199000 1324000
## [316] 1852000 1447000 871000 2342000 1956000 1619000 2109000 831000 1830000
## [325] 1239000 1842000 1470000 1816000 2168000 1504000 2009000 906000 1139000
## [334] 2260000 1689000 500000 818000 1400000 1933000 1449000 1812000 1980000
## [343] 2336000 1528000 1474000 623000 1550000 1214000 1013000 1410000 2007000
## [352] 504000 1286000 1558000 1053000 1667000 1706000 1483000 500000 2786000
## [361] 1397000 1826000 1637000 2012000 1909000 1395000 1689000 1027000 1928000
## [370] 1269000 2708000 674000 1268000 1913000 1755000 1205000 1002000 1572000
## [379] 1493000 605000 1517000 1595000 1587000 972000 1738000 2189000 1728000
## [388] 932000 1282000 1673000 1176000 500000 1942000 1085000 1213000 2252000
## [397] 1113000 1923000 870000 1323000 1463000 916000 1183000 1486000 1835000
## [406] 675000 1325000 1878000 1231000 1614000 1746000 1634000 1827000 1439000
## [415] 1293000 500000 1454000 1715000 1768000 1222000 2390000 1643000 1563000
## [424] 2136000 1141000 1275000 2699000 1506000 2317000 781000 1405000 1689000
## [433] 1650000 997000 1510000 961000 1856000 2042000 500000 2118000 879000
## [442] 1727000 1830000 1400000 1177000 1583000 1719000 1942000 500000 682000
## [451] 2215000 2023000 1718000 1858000 1959000 500000 2055000 1258000 1615000
## [460] 1352000 1936000 1326000 1759000 1305000 954000 2105000 1870000 2362000
## [469] 1533000 2063000 2488000 1359000 839000 1380000 1393000 1576000 2356000
## [478] 1337000 1687000 1386000 1510000 1657000 2164000 1561000 1856000 1889000
## [487] 1957000 1213000 2313000 1310000 1447000 2202000 2147000 955000 1063000
## [496] 821000 1591000 1582000 1682000 1776000 1199000 1003000 2013000 1876000
## [505] 745000 1452000 1052000 500000 1575000 1460000 1451000 1608000 1941000
## [514] 1603000 1192000 1133000 1434000 1655000 980000 1408000 1984000 1446000
## [523] 1151000 1362000 2057000 1775000 2118000 1570000 1705000 1221000 1803000
## [532] 1247000 790000 1564000 2473000 1900000 2083000 1679000 1196000 1399000
## [541] 1363000 1266000 1852000 901000 1933000 1932000 901000 1820000 2715000
## [550] 1221000 1922000 1109000 2055000 1625000 2326000 771000 1474000 1237000
## [559] 1401000 1185000 1083000 1789000 956000 2242000 907000 1551000 1766000
## [568] 1793000 1349000 1540000 1981000 772000 1109000 1660000 1278000 2185000
## [577] 1837000 1536000 746000 1513000 1342000 1449000 909000 1749000 981000
## [586] 1387000 1691000 1108000 1791000 842000 500000 1732000 1920000 1357000
## [595] 1752000 922000 1436000 529000 2091000 2430000 2037000 1486000 1483000
## [604] 742000 1895000 1395000 1172000 794000 1350000 1075000 1301000 891000
## [613] 2344000 1492000 2037000 500000 1273000 1162000 889000 2273000 792000
## [622] 1659000 1923000 1589000 1062000 1971000 1585000 968000 806000 2543000
## [631] 1161000 572000 1767000 1655000 823000 529000 1442000 2070000 1818000
## [640] 1254000 1083000 1636000 1579000 1815000 1302000 1950000 1085000 1335000
## [649] 1870000 1995000 531000 1554000 1804000 775000 1740000 1086000 2010000
## [658] 1769000 1885000 1560000 1932000 2190000 2483000 1486000 500000 1516000
## [667] 1603000 1422000 1784000 2005000 1241000 1353000 1699000 1225000 1546000
## [676] 519000 940000 836000 1073000 1153000 1691000 1991000 1136000 1002000
## [685] 979000 1293000 1380000 1742000 1339000 500000 1454000 2094000 2096000
## [694] 1106000 726000 2729000 1419000 1451000 1710000 693000 1136000 730000
## [703] 1153000 1559000 818000 1795000 1645000 1048000 1613000 1874000 2031000
## [712] 1394000 1453000 1457000 2221000 2063000 1917000 1356000 1687000 1702000
## [721] 979000 636000 1821000 735000 1501000 1625000 1782000 1595000 1134000
## [730] 1993000 2369000 1941000 528000 2200000 1472000 1762000 1811000 1452000
## [739] 1462000 2010000 1856000 1995000 2691000 1832000 1604000 500000 2846000
## [748] 1259000 2687000 1687000 2269000 1445000 1756000 1607000 1407000 1440000
## [757] 2006000 1399000 500000 1402000 1770000 1808000 1808000 654000 1684000
## [766] 1984000 2138000 1388000 1339000 2244000 666000 1282000 1729000 691000
## [775] 1640000 2439000 1498000 1361000 1737000 1360000 1907000 1952000 1501000
## [784] 912000 841000 1204000 1899000 521000 557000 1173000 1697000 1043000
## [793] 1943000 1667000 1415000 1909000 1694000 1277000 1616000 1824000 1678000
## [802] 1171000 1928000 2076000 1638000 1572000 1462000 2581000 1638000 1421000
## [811] 500000 717000 1461000 1603000 1638000 1911000 1403000 2107000 1039000
## [820] 896000 886000 1871000 1459000 1895000 1366000 1204000 1316000 574000
## [829] 915000 779000 2027000 1201000 1895000 2258000 1404000 1642000 624000
## [838] 1091000 1528000 1650000 1120000 2842000 1271000 1532000 1825000 1487000
## [847] 1178000 2023000 2308000 1485000 1781000 1451000 2008000 922000 2660000
## [856] 1198000 771000 1325000 1573000 2312000 1956000 1571000 805000 1067000
## [865] 1418000 2777000 570000 2066000 1236000 2333000 930000 1572000 950000
## [874] 1952000 2242000 2475000 1899000 2422000 2123000 1434000 1739000 1014000
## [883] 1407000 2110000 1771000 1729000 981000 1198000 1118000 1698000 1005000
## [892] 1781000 942000 2414000 1730000 1149000 1621000 1324000 1686000 1622000
## [901] 993000 1104000 1650000 2320000 2042000 1188000 1913000 1476000 1651000
## [910] 1630000 2788000 907000 1550000 610000 1795000 2048000 2223000 537000
## [919] 1706000 2297000 1293000 1394000 1482000 1683000 1833000 2159000 1452000
## [928] 1598000 2744000 1716000 1594000 829000 1501000 1389000 1494000 1212000
## [937] 1157000 1140000 1393000 2184000 2025000 1320000 657000 1078000 1271000
## [946] 1552000 1169000 2503000 1364000 893000 1429000 997000 1578000 1617000
## [955] 1678000 689000 1610000 1655000 789000 1978000 1892000 2650000 1578000
## [964] 1523000 1548000 1535000 576000 664000 1461000 1209000 1527000 500000
## [973] 751000 949000 1993000 951000 1100000 1540000 1339000 1573000 2653000
## [982] 938000 1347000 1242000 2256000 1115000 1459000 1894000 971000 2328000
## [991] 1838000 963000 1727000 1393000 1657000 1455000 2035000 824000 1239000
## [1000] 1375000Interpretasi
Pada tahap pembangkitan data sintetis ini, variabel independen pertama (X1), yakni uang saku bulanan, dibentuk secara terprogram menggunakan distribusi normal dengan nilai tengah (rata-rata) sebesar Rp1.500.000 dan simpangan baku Rp500.000. Untuk menjaga rasionalitas data finansial di dunia nyata, sebuah fungsi pembatasan (pmax) diterapkan agar nilai minimum uang saku tidak kurang dari Rp500.000, yang kemudian dibulatkan ke ribuan terdekat.
# X2: Durasi Streaming (Rata-rata 4 jam, SD 1 jam)
set.seed(123)
X2 <- rnorm(n, mean = 4, sd = 1)
X2 <- pmax(0, X2) # Jam tidak boleh < 0
X2 <- round(X2, 0)
X2## [1] 3 4 6 4 4 6 4 3 3 4 5 4 4 4 3 6 4 2 5 4 3 4 3 3 3 2 5 4 3 5 4 4 5 5 5 5 5
## [38] 4 4 4 3 4 3 6 5 3 4 4 5 4 4 4 4 5 4 6 2 5 4 4 4 3 4 3 3 4 4 4 5 6 4 2 5 3
## [75] 3 5 4 3 4 4 4 4 4 5 4 4 5 4 4 5 5 5 4 3 5 3 6 6 4 3 3 4 4 4 3 4 3 2 4 5 3
## [112] 5 2 4 5 4 4 3 3 3 4 3 4 4 6 3 4 4 3 4 5 4 4 4 2 5 3 5 6 3 5 4 2 2 2 3 3 5
## [149] 6 3 5 5 4 3 4 4 5 4 5 4 5 3 3 7 4 4 5 4 5 4 4 4 4 6 3 3 4 4 4 4 3 5 4 3 4
## [186] 4 5 4 5 4 4 4 4 3 3 6 5 3 3 3 6 5 4 5 4 4 3 3 6 4 4 4 5 3 3 6 4 3 3 3 3 5
## [223] 5 5 4 4 3 3 5 3 6 4 4 3 3 3 4 4 4 3 3 3 5 3 4 6 4 3 3 4 4 3 4 4 6 4 5 5 4
## [260] 2 3 4 4 5 6 6 4 2 4 4 5 5 5 3 5 4 4 4 4 4 2 5 4 4 4 4 4 6 4 4 5 5 5 3 6 4
## [297] 6 3 4 5 3 3 3 3 4 4 2 4 5 6 5 5 2 3 4 5 4 3 6 5 4 5 3 5 3 5 4 5 5 4 5 3 3
## [334] 6 4 2 3 4 5 4 5 5 6 4 4 2 4 3 3 4 5 2 4 4 3 4 4 4 2 7 4 5 4 5 5 4 4 3 5 4
## [371] 6 2 4 5 5 3 3 4 4 2 4 4 4 3 4 5 4 3 4 4 3 2 5 3 3 6 3 5 3 4 4 3 3 4 5 2 4
## [408] 5 3 4 4 4 5 4 4 1 4 4 5 3 6 4 4 5 3 4 6 4 6 3 4 4 4 3 4 3 5 5 2 5 3 4 5 4
## [445] 3 4 4 5 2 2 5 5 4 5 5 1 5 4 4 4 5 4 5 4 3 5 5 6 4 5 6 4 3 4 4 4 6 4 4 4 4
## [482] 4 5 4 5 5 5 3 6 4 4 5 5 3 3 3 4 4 4 5 3 3 5 5 2 4 3 2 4 4 4 4 5 4 3 3 4 4
## [519] 3 4 5 4 3 4 5 5 5 4 4 3 5 3 3 4 6 5 5 4 3 4 4 4 5 3 5 5 3 5 6 3 5 3 5 4 6
## [556] 3 4 3 4 3 3 5 3 5 3 4 5 5 4 4 5 3 3 4 4 5 5 4 2 4 4 4 3 4 3 4 4 3 5 3 1 4
## [593] 5 4 5 3 4 2 5 6 5 4 4 2 5 4 3 3 4 3 4 3 6 4 5 1 4 3 3 6 3 4 5 4 3 5 4 3 3
## [630] 6 3 2 5 4 3 2 4 5 5 4 3 4 4 5 4 5 3 4 5 5 2 4 5 3 4 3 5 5 5 4 5 5 6 4 2 4
## [667] 4 4 5 5 3 4 4 3 4 2 3 3 3 3 4 5 3 3 3 4 4 4 4 2 4 5 5 3 2 6 4 4 4 2 3 2 3
## [704] 4 3 5 4 3 4 5 5 4 4 4 5 5 5 4 4 4 3 2 5 2 4 4 5 4 3 5 6 5 2 5 4 5 5 4 4 5
## [741] 5 5 6 5 4 2 7 4 6 4 6 4 5 4 4 4 5 4 2 4 5 5 5 2 4 5 5 4 4 5 2 4 4 2 4 6 4
## [778] 4 4 4 5 5 4 3 3 3 5 2 2 3 4 3 5 4 4 5 4 4 4 5 4 3 5 5 4 4 4 6 4 4 1 2 4 4
## [815] 4 5 4 5 3 3 3 5 4 5 4 3 4 2 3 3 5 3 5 6 4 4 2 3 4 4 3 7 4 4 5 4 3 5 6 4 5
## [852] 4 5 3 6 3 3 4 4 6 5 4 3 3 4 7 2 5 3 6 3 4 3 5 5 6 5 6 5 4 4 3 4 5 5 4 3 3
## [889] 3 4 3 5 3 6 4 3 4 4 4 4 3 3 4 6 5 3 5 4 4 4 7 3 4 2 5 5 5 2 4 6 4 4 4 4 5
## [926] 5 4 4 6 4 4 3 4 4 4 3 3 3 4 5 5 4 2 3 4 4 3 6 4 3 4 3 4 4 4 2 4 4 3 5 5 6
## [963] 4 4 4 4 2 2 4 3 4 2 3 3 5 3 3 4 4 4 6 3 4 3 6 3 4 5 3 6 5 3 4 4 4 4 5 3 3
## [1000] 4Interpretasi
variabel independen kedua (X2), yaitu durasi layanan streaming, juga dibangkitkan menggunakan distribusi normal. Parameter komputasi yang dieksekusi menetapkan rata-rata sebesar 4 jam dengan simpangan baku 1 jam. Nilai observasi pada X2 ini kemudian dibatasi agar tidak bernilai negatif dan dibulatkan menjadi bilangan bulat (round(X2, 0)) untuk merepresentasikan satuan jam yang utuh dan logis. Penggunaan kembali fungsi set.seed(123) pada tiap tahapan memastikan pola distribusi acak yang terbentuk dapat direplikasi secara presisi pada pengujian di masa mendatang.
# 3. Pembangkitan Error dan Variabel Dependen
set.seed(123)
epsilon <- rnorm(n, mean = 0, sd = 150000) # Pengeluaran tak terduga
epsilon <- round(epsilon)
epsilon## [1] -84071 -34527 233806 10576 19393 257260 69137 -189759 -103028
## [10] -66849 183612 53972 60116 16602 -83376 268037 74678 -294993
## [19] 105203 -70919 -160174 -32696 -153901 -109334 -93756 -253004 125668
## [28] 23006 -170721 188072 63970 -44261 134269 131720 123237 103296
## [37] 83088 -9287 -45894 -57071 -104206 -31188 -189809 325343 181194
## [46] -168466 -60433 -69998 116995 -12505 37998 -4282 -6431 205290
## [55] -33866 227471 -232313 87692 18578 32391 56946 -75349 -49981
## [64] -152786 -160769 45529 67231 7951 138340 307513 -73655 -346375
## [73] 150861 -106380 -103201 153836 -42716 -183108 27196 -20834 865
## [82] 57792 -55599 96656 -33073 49767 164526 65277 -48890 172321
## [91] 149026 82260 35810 -94186 204098 -90039 328100 229892 -35355
## [100] -153963 -106561 38533 -37004 -52131 -142743 -6754 -117736 -250191
## [109] -57034 137849 -86302 91195 -242682 -8334 77911 45173 15851
## [118] -96106 -127456 -153619 17647 -142121 -73584 -38414 276579 -97792
## [127] 35308 11694 -144278 -10696 216683 67726 6185 -63375 -307987
## [136] 169701 -219096 110992 286366 -216584 105268 -39330 -235822 -227200
## [145] -240230 -79636 -219263 103188 315016 -193055 118161 115356 49830
## [154] -151256 -17918 -42059 84448 -55866 146546 -56187 157907 -157377
## [163] -189023 486156 -62529 44734 95485 -72567 77529 55345 -32307
## [172] 9794 -5110 319268 -111200 -164399 5668 46572 65479 -68755
## [181] -159499 189478 -52448 -129827 -35442 -29576 166488 12711 113108
## [190] -74894 32167 -48703 14188 -134305 -196620 299582 90106 -187691
## [199] -91675 -177822 329822 196862 -39772 81479 -62151 -71437 -118290
## [208] -89193 247636 -8104 17887 36553 184871 -77410 -148876 251355
## [217] -66174 -108460 -185441 -192707 -86096 92698 166477 106138 -54549
## [226] 8962 -105689 -107583 132698 -152339 293294 -13548 32181 -110779
## [235] -86158 -197552 -27439 62847 48646 -117230 -118293 -75330 224409
## [244] -170596 -26858 285354 -15146 -203976 -99715 72819 -56340 -84281
## [253] -51588 13574 239776 -13285 162120 94613 -17046 -229935 -78168
## [262] -73481 7073 195030 343962 232137 -19973 -263479 -58317 13381
## [271] 126752 144379 102646 -209291 127446 -66984 26220 11183 64225
## [280] 3701 -250121 110474 57904 -39848 17722 20106 33153 246127
## [289] -32858 25210 175258 158127 171789 -86620 300372 10005 280028
## [298] -202635 3148 187487 -107286 -112903 -140781 -157877 -65574 49677
## [307] -302132 31797 185501 305636 195176 113516 -259010 -90226 -52807
## [316] 105529 -15851 -188797 252665 136709 35615 182716 -200816 99123
## [325] -78437 102562 -9123 94944 200328 1094 152634 -178265 -108241
## [334] 227883 56608 -307833 -204606 -30117 129867 -15282 93628 143851
## [343] 250658 8403 -7797 -262986 14899 -85778 -146101 -26986 152241
## [352] -298912 -64092 17496 -133981 50085 61714 -4955 -369885 385719
## [361] -30795 97679 41065 153701 122649 -31469 56725 -141811 128538
## [370] -69156 362516 -247657 -69598 123807 76520 -88422 -149517 21671
## [379] -2146 -268542 5183 28535 26209 -158253 71420 206786 68435
## [388] -170338 -65347 51916 -97057 -323647 132638 -124422 -86034 225585
## [397] -116122 126860 -189102 -53181 -11033 -175298 -95212 -4326 100604
## [406] -247582 -52463 113461 -80821 34094 73834 40175 97989 -18406
## [415] -62051 -396472 -13941 64543 80310 -83292 266925 42964 18947
## [424] 190840 -107770 -67551 359618 1669 245035 -215776 -28578 56764
## [433] 45006 -150845 2889 -161613 106905 162716 -333748 185354 -186157
## [442] 68215 98985 -29983 -96767 24798 65823 132495 -307851 -245457
## [451] 214560 156994 65293 107277 137576 -399138 166542 -72748 34593
## [460] -44274 130795 -52271 77776 -58603 -163918 181502 111135 258639
## [469] 9773 168750 296313 -42222 -198443 -35903 -32106 22752 256846
## [478] -48922 55951 -34153 3068 47109 199232 18198 106926 116829
## [487] 137216 -86159 244032 -57144 -15868 210608 194113 -163499 -130961
## [496] -203712 27277 24726 54617 82824 -90284 -149055 154018 112659
## [505] -226375 -14272 -134392 -310613 22518 -11882 -14605 32423 132370
## [514] 30840 -92465 -110220 -19770 46503 -155952 -27646 145090 -16242
## [523] -104763 -41392 167197 82507 185501 20865 61541 -83769 90806
## [532] -75950 -213085 19199 291878 120137 174788 53828 -91284 -30336
## [541] -40987 -70305 105625 -179605 129955 129623 -179793 95924 364534
## [550] -83582 126736 -117330 166607 37474 247787 -218846 -7695 -79039
## [559] -29590 -94437 -125077 86808 -163137 222605 -177931 15162 79948
## [568] 88010 -45262 11925 144190 -218470 -117261 48060 -66717 205501
## [577] 100988 10825 -226164 3915 -47462 -15352 -177234 74799 -155843
## [586] -33933 57214 -117527 87449 -197477 -421466 69745 126081 -42877
## [595] 75619 -173387 -19072 -291228 177177 278987 161102 -4102 -5000
## [604] -227410 118558 -31610 -98511 -211804 -44964 -127359 -59555 -182640
## [613] 253138 -2400 161242 -390255 -67980 -101322 -183439 231991 -212292
## [622] 47759 126965 26729 -131288 141175 25588 -159525 -208207 313008
## [631] -101775 -278336 79989 46535 -203075 -291443 -17445 170909 95419
## [640] -73941 -125128 40660 23603 94457 -59370 134903 -124622 -49582
## [649] 111122 148496 -290776 16079 91317 -217624 72094 -124226 153038
## [658] 80772 115358 18108 129547 207077 294937 -4259 -337358 4729
## [667] 30834 -23302 85243 151602 -77697 -44114 59676 -82534 13690
## [676] -294256 -167985 -199163 -128044 -103996 57346 147317 -109108 -149526
## [685] -156253 -62188 -35854 72543 -48199 -311773 -13715 178078 178740
## [694] -118344 -232166 368709 -24363 -14618 63086 -242106 -109233 -231066
## [703] -103964 17827 -204706 88497 43402 -135632 33949 112212 159164
## [712] -31927 -14046 -13007 216219 168761 125160 -43101 55986 60494
## [721] -156251 -259246 96275 -229397 253 37537 84580 28414 -109928
## [730] 147955 260795 132177 -291548 209936 -8408 78737 93305 -14503
## [739] -11289 152874 106740 148539 357439 99662 31107 -331595 403757
## [748] -72402 356210 56197 230765 -16457 76721 32094 -27918 -18059
## [757] 151925 -30219 -305652 -29383 80969 92468 92485 -253815 55311
## [766] 145179 191487 -33744 -48284 223176 -250189 -65524 68619 -242666
## [775] 41944 281680 -609 -41768 71237 -41861 122010 135665 404
## [784] -176504 -197733 -88950 119607 -293731 -282949 -98067 59159 -137035
## [793] 133012 50005 -25596 122824 58255 -66890 34667 97127 53443
## [802] -98702 128280 172940 41441 21616 -11344 324212 41447 -23744
## [811] -376188 -234792 -11651 30944 41531 123226 -29123 182188 -138227
## [820] -181266 -184348 111345 -12438 118473 -40156 -88784 -55253 -277893
## [829] -175442 -216305 158148 -89600 118419 227474 -28766 42582 -262660
## [838] -122800 8432 44863 -113910 402729 -68759 9637 97469 -3903
## [847] -96535 156796 242332 -4454 84340 -14612 152468 -173425 348129
## [856] -90530 -218827 -52638 22006 243543 136681 21369 -208423 -129906
## [865] -24493 382954 -279034 169658 -79085 249899 -170880 21543 -164933
## [874] 135527 222567 292608 119640 276490 186964 -19781 71556 -145799
## [883] -27780 183145 81193 68604 -155720 -90677 -114691 59294 -148576
## [892] 84306 -167462 274280 69089 -105151 36157 -52868 55672 36530
## [901] -152117 -118697 44939 245858 162693 -93685 123888 -7285 45197
## [910] 39054 386317 -177793 15138 -266997 88475 164491 216849 -288772
## [919] 61915 239005 -62102 -31823 -5481 54753 99774 197673 -14323
## [928] 29442 373200 64665 28313 -201336 428 -33199 -1657 -86313
## [937] -103022 -108116 -32176 205220 157363 -53996 -252887 -126688 -68664
## [946] 15546 -99391 301002 -40840 -182092 -21189 -150807 23423 35045
## [955] 53338 -243279 33107 46568 -213166 143305 117626 344943 23505
## [964] 7010 14488 10465 -277271 -250669 -11631 -87160 8210 -316681
## [973] -224805 -165223 147909 -164774 -119927 11981 -48412 21963 345759
## [982] -168691 -45820 -77514 226859 -115423 -12313 118070 -158789 248276
## [991] 101364 -161131 68187 -31996 46984 -13496 160577 -202665 -78393
## [1000] -37379Interpretasi
Pada tahapan ini, komponen galat atau error term (epsilon) dibangkitkan untuk mensimulasikan faktor pengeluaran tak terduga yang tidak dapat diukur secara langsung oleh variabel independen sebelumnya. Nilai galat ini dihasilkan melalui distribusi normal dengan nilai rata-rata nol dan simpangan baku sebesar Rp150.000, yang merepresentasikan fluktuasi acak yang wajar dalam keuangan mahasiswa. Data tersebut kemudian dibulatkan menjadi bilangan bulat utuh (round) agar secara logis merepresentasikan nominal mata uang Rupiah di dunia nyata. Penerapan fungsi set.seed(123) kembali dilakukan untuk menjamin konsistensi hasil pengacakan. Output dari pemanggilan epsilon ini menghasilkan deretan angka acak (berupa nilai positif untuk pengeluaran ekstra maupun negatif untuk penghematan) yang nantinya akan diintegrasikan sebagai komponen noise atau residual dalam perhitungan akhir total pengeluaran mahasiswa.
# 4. Pemodelan
# Rumus: Pengeluaran = 500rb + 65% * Uang Saku + (60rb * jam streaming) + Error
set.seed(123)
Y <- 500000 + 0.65 * X1 + 60000 * X2 + epsilon
Y <- pmax(500000, Y) # Asumsi pengeluaran minimum adalah biaya hidup dasar
Y <- round(Y)
Y## [1] 1388929 1605723 2575156 1748326 1776643 2649960 1933637 1053791 1329022
## [10] 1503201 2356412 1885972 1905116 1767352 1390924 2683487 1951528 661057
## [19] 2108353 1490681 1147726 1611454 1167649 1309066 1357794 794046 2173018
## [28] 1788056 1114429 2370622 1917420 1574539 2200469 2192070 2165387 2101896
## [37] 2038138 1685563 1569656 1534429 1325244 1616212 1053741 2864943 2348794
## [46] 1121234 1523917 1493552 2145495 1675195 1835548 1701618 1694919 2424890
## [55] 1607684 2555171 859587 2052492 1773878 1817591 1895446 1416501 1556469
## [64] 1171364 1145831 1859329 1927831 1740501 2212990 2808763 1481445 598625
## [73] 2252811 1317870 1328199 2262286 1579984 1075392 1801346 1649316 1717815
## [82] 1898242 1539151 2080956 1610427 1872667 2295726 1921977 1560160 2320421
## [91] 2247076 2035360 1828160 1356714 2421098 1369961 2874200 2562792 1602945
## [100] 1167587 1317689 1836733 1598046 1549769 1202857 1693296 1282464 802709
## [109] 1534466 2211199 1381498 2063795 826468 1688466 2021911 1858323 1765301
## [118] 1350894 1251294 1168581 1770997 1204779 1482166 1593386 2710879 1345308
## [127] 1827008 1752044 1198072 1680904 2460983 1929626 1734835 1514475 637013
## [136] 2312601 961404 2126492 2742116 969116 2108418 1590520 848278 875750
## [145] 834120 1403114 960587 2101788 2832516 1043345 2149261 2140606 1872730
## [154] 1176144 1658082 1581941 2042098 1538234 2238746 1537263 2274807 1156373
## [163] 1056477 3434806 1517271 1856584 2077185 1485133 2020229 1889945 1612493
## [172] 1746244 1698840 2845868 1302650 1134401 1733018 1862322 1922179 1497395
## [181] 1149701 2375278 1548802 1243723 1602858 1621074 2302238 1755011 2133158
## [190] 1477606 1816717 1560997 1759738 1229495 1032630 2783932 2060106 1060409
## [199] 1364425 1091728 2879172 2398262 1588778 2033279 1518299 1488863 1280610
## [208] 1372757 2618886 1689346 1771887 1830853 2360271 1409890 1183724 2631055
## [217] 1505176 1311240 1067859 1044993 1382354 2068548 2302227 2111238 1542151
## [226] 1743462 1320511 1314067 2194998 1172461 2763994 1672202 1816731 1304371
## [235] 1382292 1029098 1628411 1913697 1868946 1283620 1280607 1416520 2485609
## [244] 1114554 1629642 2738504 1667354 1009024 1339485 1945769 1536460 1388069
## [253] 1551612 1757824 2594126 1673115 2288120 2074363 1660904 867165 1407182
## [262] 1482269 1737673 2392530 2924512 2570237 1651477 760821 1530583 1757631
## [271] 2176702 2232029 2099946 992009 2178696 1503066 1797770 1750233 1918325
## [280] 1726501 802779 2124674 1898354 1588702 1771072 1778656 1820303 2614127
## [289] 1610642 1794810 2329858 2275677 2319239 1380530 2786022 1746455 2721478
## [298] 1013615 1724648 2368737 1315014 1297697 1209369 1155223 1507076 1872577
## [307] 642868 1815697 2362201 2802986 2393326 2134216 775040 1369124 1547793
## [316] 2109329 1664699 1057353 2634965 2208109 1827965 2353566 1019334 2088623
## [325] 1406913 2099862 1686377 2075344 2409528 1718694 2258484 1090635 1312109
## [334] 2556883 1894458 637167 1007094 1619883 2186317 1666568 2071428 2230851
## [343] 2629058 1741603 1690303 761964 1762399 1383322 1192349 1629514 2256791
## [352] 648688 1511808 1770196 1230469 1873635 1910614 1698995 575115 3116619
## [361] 1617255 2084579 1845115 2261501 2163499 1615281 1894575 1205739 2181738
## [370] 1495694 2982716 810443 1494602 2167257 2017270 1374828 1181783 1783471
## [379] 1708304 744708 1731233 1805285 1797759 1153547 1941120 2429636 1931635
## [388] 1115462 1507953 1879366 1347343 621353 2194938 1260828 1382416 2549385
## [397] 1287328 2176810 1056398 1546769 1679917 1100102 1353738 1701574 2093354
## [406] 811168 1548787 2134161 1399329 1823194 1948734 1842275 2085539 1656944
## [415] 1518399 500000 1671159 1919293 2029510 1391008 2680425 1850914 1774897
## [424] 2379240 1313880 1501199 2973968 1720569 2611085 971874 1624672 1894614
## [433] 1857506 1177205 1724389 1143037 2113305 2290016 611252 2362054 1065193
## [442] 1930765 2088485 1620017 1348283 1793748 1923173 2194795 637149 817843
## [451] 2454310 2271944 1921993 2114977 2210926 500000 2302292 1484952 1824343
## [460] 1574526 2189195 1549629 2021126 1529647 1136182 2349752 2126635 2653939
## [469] 1746223 2309700 2773513 1581128 1026907 1601097 1613344 1787152 2648246
## [478] 1560128 1892501 1606747 1724568 1864159 2405832 1772848 2113326 2144679
## [487] 2209266 1382291 2607482 1534356 1664682 2441908 2389663 1137251 1239989
## [496] 1009938 1801427 1793026 1887917 2037224 1369066 1182895 2262468 2132059
## [505] 877875 1669528 1229408 634387 1786268 1677118 1668545 1817623 2194020
## [514] 1812790 1362335 1306230 1652330 1862253 1161048 1627554 2234690 1663658
## [523] 1323387 1583908 2304247 2036257 2362201 1781365 1909791 1389881 2062756
## [532] 1414600 980415 1775799 2759328 2155137 2328738 1885178 1366116 1619014
## [541] 1584963 1492595 2109425 1086045 2186405 2185423 1085857 2078924 2989284
## [550] 1390068 2176036 1283520 2302357 1833724 2619687 962304 1690405 1405011
## [559] 1621060 1355813 1258873 2049658 1138263 2479905 1091619 1763312 2027848
## [568] 2053460 1571588 1752925 2231840 963330 1283589 1867060 1503983 2425751
## [577] 2095038 1749225 878736 1727365 1564838 1666498 1093616 1951649 1161807
## [586] 1607617 1896364 1282673 2051599 1029823 500000 1935545 2174081 1579173
## [595] 2014419 1105913 1654328 672622 2336327 2718487 2285152 1701798 1698950
## [604] 874890 2150308 1615140 1343289 984296 1572536 1251391 1526095 1076510
## [613] 2636738 1707400 2285292 500000 1499470 1333978 1074411 2569441 982508
## [622] 1866109 2176915 1799579 1239012 2222325 1795838 1149675 995693 2825958
## [631] 1332875 713464 2028539 1862285 1011875 672407 1659855 2316409 2077119
## [640] 1481159 1258822 1844060 1789953 2074207 1526930 2202403 1260628 1558168
## [649] 2126622 2245246 674374 1766179 2063917 966126 1943094 1261674 2259538
## [658] 2030622 2140608 1772108 2185347 2430577 2768887 1701641 607642 1730129
## [667] 1812784 1640998 2044843 2254852 1408953 1575336 1904026 1393716 1758590
## [676] 663094 1123015 1024237 1249406 1325454 1896496 2241467 1309292 1181774
## [685] 1160097 1518262 1601146 1944843 1562151 633227 1671385 2339178 2341140
## [694] 1280556 859734 3002559 1637987 1668532 1914586 828344 1309167 863434
## [703] 1325486 1771177 1006994 2055247 1852652 1225568 1822399 2130312 2279314
## [712] 1614173 1670404 1674043 2459869 2309711 2171210 1578299 1892536 1906794
## [721] 1160099 774154 2079925 868353 1715903 1833787 2042880 1805164 1307172
## [730] 2243405 2660645 2193827 671652 2439936 1688392 2024037 2070455 1669297
## [739] 1679011 2259374 2113140 2245289 2966589 2090462 1813707 613405 3173657
## [748] 1485948 2962760 1892747 2565615 1662793 2018121 1816644 1626632 1657941
## [757] 2255825 1619131 639348 1621917 2031469 2067668 2067685 791285 1889911
## [766] 2234779 2381187 1608456 1562066 2481776 802711 1507776 1932469 826484
## [775] 1847944 2727030 1713091 1582882 1940287 1582139 2161560 2204465 1716054
## [784] 1096296 1028917 1373650 2153957 664919 699101 1344383 1902209 1220915
## [793] 2195962 1873555 1634154 2163674 1899355 1503160 1825067 2082727 1884143
## [802] 1342448 2181480 2322340 1846141 1783416 1678956 2861862 1846147 1639906
## [811] 508812 851258 1677999 1812894 1846231 2165376 1622827 2351738 1217123
## [820] 1081134 1071552 2127495 1675912 2150223 1587744 1373816 1540147 715207
## [829] 1099308 970045 2275698 1371050 2150169 2555174 1623834 1849882 762940
## [838] 1266350 1741632 1857363 1294090 3170029 1497391 1745437 2083719 1702647
## [847] 1349165 2271746 2602532 1700796 2041990 1668538 2257668 1105875 2937129
## [856] 1368170 962323 1548612 1784456 2606343 2208081 1782519 994827 1243644
## [865] 1637207 3108004 711466 2312558 1404315 2626349 1113620 1783343 1132567
## [874] 2204327 2479867 2761358 2153990 2710790 2366914 1652319 1941906 1193301
## [883] 1626770 2354645 2032343 1932454 1161930 1368023 1292009 1902994 1184674
## [892] 2041956 1124838 2703380 1933589 1321699 1829807 1547732 1891572 1830830
## [901] 1173333 1278903 1857439 2613858 2289993 1358515 2167338 1692115 1858347
## [910] 1838554 3118517 1091757 1762638 749503 2055225 2295691 2461799 680278
## [919] 1910815 2592055 1518348 1614277 1697819 1888703 2091224 2401023 1669477
## [928] 1808142 3016800 1920065 1804413 1017514 1716078 1609651 1709443 1381487
## [937] 1329028 1312884 1613274 2424820 2273613 1544004 794163 1254012 1497486
## [946] 1764346 1340459 2787952 1585760 1078358 1647661 1177243 1789123 1826095
## [955] 1884038 824571 1819607 1862318 979684 2229005 2147426 2927443 1789205
## [964] 1736960 1760688 1748215 717129 800931 1678019 1378690 1740760 628319
## [973] 943345 1131627 2243359 1133376 1275073 1752981 1561938 1784413 2930209
## [982] 1121009 1569730 1409786 2553259 1289327 1676037 2149170 1152361 2621476
## [991] 2096064 1144819 1930737 1613454 1864034 1672254 2283327 1012935 1406957
## [1000] 1596371Interpretasi
Pada tahapan pemodelan ini, variabel dependen yaitu total pengeluaran mahasiswa (Y) dibentuk berdasarkan persamaan linier teoretis yang mengkombinasikan konstanta biaya hidup dasar dengan proporsi pengeluaran dari variabel independen. Secara matematis, model ini mengasumsikan bahwa mahasiswa mengalokasikan 65% dari uang sakunya (X1) untuk kebutuhan sehari-hari, ditambah dengan biaya spesifik sebesar Rp60.000 untuk setiap jam aktivitas streaming (X2), lalu diakumulasikan dengan faktor fluktuasi tak terduga (epsilon). Guna menjaga validitas logika ekonomi finansial, sebuah batas bawah (threshold) diterapkan melalui fungsi pmax untuk memastikan bahwa nilai total pengeluaran tidak pernah berada di bawah angka biaya hidup minimum (Rp500.000). Nilai komputasi akhir ini kemudian dibulatkan menjadi bilangan utuh (round) untuk mencerminkan nominal mata uang Rupiah secara riil, di mana pemanggilan variabel Y akan memunculkan daftar keseluruhan dari besaran pengeluaran bulanan yang berhasil disimulasikan.
# 5. Membuat Dataframe
df <- data.frame(Pengeluaran = Y, UangSaku = X1, Streaming = X2)
df## Pengeluaran UangSaku Streaming
## 1 1388929 1220000 3
## 2 1605723 1385000 4
## 3 2575156 2279000 6
## 4 1748326 1535000 4
## 5 1776643 1565000 4
## 6 2649960 2358000 6
## 7 1933637 1730000 4
## 8 1053791 867000 3
## 9 1329022 1157000 3
## 10 1503201 1277000 4
## 11 2356412 2112000 5
## 12 1885972 1680000 4
## 13 1905116 1700000 4
## 14 1767352 1555000 4
## 15 1390924 1222000 3
## 16 2683487 2393000 6
## 17 1951528 1749000 4
## 18 661057 517000 2
## 19 2108353 1851000 5
## 20 1490681 1264000 4
## 21 1147726 966000 3
## 22 1611454 1391000 4
## 23 1167649 987000 3
## 24 1309066 1136000 3
## 25 1357794 1187000 3
## 26 794046 657000 2
## 27 2173018 1919000 5
## 28 1788056 1577000 4
## 29 1114429 931000 3
## 30 2370622 2127000 5
## 31 1917420 1713000 4
## 32 1574539 1352000 4
## 33 2200469 1948000 5
## 34 2192070 1939000 5
## 35 2165387 1911000 5
## 36 2101896 1844000 5
## 37 2038138 1777000 5
## 38 1685563 1469000 4
## 39 1569656 1347000 4
## 40 1534429 1310000 4
## 41 1325244 1153000 3
## 42 1616212 1396000 4
## 43 1053741 867000 3
## 44 2864943 2584000 6
## 45 2348794 2104000 5
## 46 1121234 938000 3
## 47 1523917 1299000 4
## 48 1493552 1267000 4
## 49 2145495 1890000 5
## 50 1675195 1458000 4
## 51 1835548 1627000 4
## 52 1701618 1486000 4
## 53 1694919 1479000 4
## 54 2424890 2184000 5
## 55 1607684 1387000 4
## 56 2555171 2258000 6
## 57 859587 726000 2
## 58 2052492 1792000 5
## 59 1773878 1562000 4
## 60 1817591 1608000 4
## 61 1895446 1690000 4
## 62 1416501 1249000 3
## 63 1556469 1333000 4
## 64 1171364 991000 3
## 65 1145831 964000 3
## 66 1859329 1652000 4
## 67 1927831 1724000 4
## 68 1740501 1527000 4
## 69 2212990 1961000 5
## 70 2808763 2525000 6
## 71 1481445 1254000 4
## 72 598625 500000 2
## 73 2252811 2003000 5
## 74 1317870 1145000 3
## 75 1328199 1156000 3
## 76 2262286 2013000 5
## 77 1579984 1358000 4
## 78 1075392 890000 3
## 79 1801346 1591000 4
## 80 1649316 1431000 4
## 81 1717815 1503000 4
## 82 1898242 1693000 4
## 83 1539151 1315000 4
## 84 2080956 1822000 5
## 85 1610427 1390000 4
## 86 1872667 1666000 4
## 87 2295726 2048000 5
## 88 1921977 1718000 4
## 89 1560160 1337000 4
## 90 2320421 2074000 5
## 91 2247076 1997000 5
## 92 2035360 1774000 5
## 93 1828160 1619000 4
## 94 1356714 1186000 3
## 95 2421098 2180000 5
## 96 1369961 1200000 3
## 97 2874200 2594000 6
## 98 2562792 2266000 6
## 99 1602945 1382000 4
## 100 1167587 987000 3
## 101 1317689 1145000 3
## 102 1836733 1628000 4
## 103 1598046 1377000 4
## 104 1549769 1326000 4
## 105 1202857 1024000 3
## 106 1693296 1477000 4
## 107 1282464 1108000 3
## 108 802709 666000 2
## 109 1534466 1310000 4
## 110 2211199 1959000 5
## 111 1381498 1212000 3
## 112 2063795 1804000 5
## 113 826468 691000 2
## 114 1688466 1472000 4
## 115 2021911 1760000 5
## 116 1858323 1651000 4
## 117 1765301 1553000 4
## 118 1350894 1180000 3
## 119 1251294 1075000 3
## 120 1168581 988000 3
## 121 1770997 1559000 4
## 122 1204779 1026000 3
## 123 1482166 1255000 4
## 124 1593386 1372000 4
## 125 2710879 2422000 6
## 126 1345308 1174000 3
## 127 1827008 1618000 4
## 128 1752044 1539000 4
## 129 1198072 1019000 3
## 130 1680904 1464000 4
## 131 2460983 2222000 5
## 132 1929626 1726000 4
## 133 1734835 1521000 4
## 134 1514475 1289000 4
## 135 637013 500000 2
## 136 2312601 2066000 5
## 137 961404 770000 3
## 138 2126492 1870000 5
## 139 2742116 2455000 6
## 140 969116 778000 3
## 141 2108418 1851000 5
## 142 1590520 1369000 4
## 143 848278 714000 2
## 144 875750 743000 2
## 145 834120 699000 2
## 146 1403114 1235000 3
## 147 960587 769000 3
## 148 2101788 1844000 5
## 149 2832516 2550000 6
## 150 1043345 856000 3
## 151 2149261 1894000 5
## 152 2140606 1885000 5
## 153 1872730 1666000 4
## 154 1176144 996000 3
## 155 1658082 1440000 4
## 156 1581941 1360000 4
## 157 2042098 1781000 5
## 158 1538234 1314000 4
## 159 2238746 1988000 5
## 160 1537263 1313000 4
## 161 2274807 2026000 5
## 162 1156373 975000 3
## 163 1056477 870000 3
## 164 3434806 3121000 7
## 165 1517271 1292000 4
## 166 1856584 1649000 4
## 167 2077185 1818000 5
## 168 1485133 1258000 4
## 169 2020229 1758000 5
## 170 1889945 1684000 4
## 171 1612493 1392000 4
## 172 1746244 1533000 4
## 173 1698840 1483000 4
## 174 2845868 2564000 6
## 175 1302650 1129000 3
## 176 1134401 952000 3
## 177 1733018 1519000 4
## 178 1862322 1655000 4
## 179 1922179 1718000 4
## 180 1497395 1271000 4
## 181 1149701 968000 3
## 182 2375278 2132000 5
## 183 1548802 1325000 4
## 184 1243723 1067000 3
## 185 1602858 1382000 4
## 186 1621074 1401000 4
## 187 2302238 2055000 5
## 188 1755011 1542000 4
## 189 2133158 1877000 5
## 190 1477606 1250000 4
## 191 1816717 1607000 4
## 192 1560997 1338000 4
## 193 1759738 1547000 4
## 194 1229495 1052000 3
## 195 1032630 845000 3
## 196 2783932 2499000 6
## 197 2060106 1800000 5
## 198 1060409 874000 3
## 199 1364425 1194000 3
## 200 1091728 907000 3
## 201 2879172 2599000 6
## 202 2398262 2156000 5
## 203 1588778 1367000 4
## 204 2033279 1772000 5
## 205 1518299 1293000 4
## 206 1488863 1262000 4
## 207 1280610 1106000 3
## 208 1372757 1203000 3
## 209 2618886 2325000 6
## 210 1689346 1473000 4
## 211 1771887 1560000 4
## 212 1830853 1622000 4
## 213 2360271 2116000 5
## 214 1409890 1242000 3
## 215 1183724 1004000 3
## 216 2631055 2338000 6
## 217 1505176 1279000 4
## 218 1311240 1138000 3
## 219 1067859 882000 3
## 220 1044993 858000 3
## 221 1382354 1213000 3
## 222 2068548 1809000 5
## 223 2302227 2055000 5
## 224 2111238 1854000 5
## 225 1542151 1318000 4
## 226 1743462 1530000 4
## 227 1320511 1148000 3
## 228 1314067 1141000 3
## 229 2194998 1942000 5
## 230 1172461 992000 3
## 231 2763994 2478000 6
## 232 1672202 1455000 4
## 233 1816731 1607000 4
## 234 1304371 1131000 3
## 235 1382292 1213000 3
## 236 1029098 841000 3
## 237 1628411 1409000 4
## 238 1913697 1709000 4
## 239 1868946 1662000 4
## 240 1283620 1109000 3
## 241 1280607 1106000 3
## 242 1416520 1249000 3
## 243 2485609 2248000 5
## 244 1114554 931000 3
## 245 1629642 1410000 4
## 246 2738504 2451000 6
## 247 1667354 1450000 4
## 248 1009024 820000 3
## 249 1339485 1168000 3
## 250 1945769 1743000 4
## 251 1536460 1312000 4
## 252 1388069 1219000 3
## 253 1551612 1328000 4
## 254 1757824 1545000 4
## 255 2594126 2299000 6
## 256 1673115 1456000 4
## 257 2288120 2040000 5
## 258 2074363 1815000 5
## 259 1660904 1443000 4
## 260 867165 734000 2
## 261 1407182 1239000 3
## 262 1482269 1255000 4
## 263 1737673 1524000 4
## 264 2392530 2150000 5
## 265 2924512 2647000 6
## 266 2570237 2274000 6
## 267 1651477 1433000 4
## 268 760821 622000 2
## 269 1530583 1306000 4
## 270 1757631 1545000 4
## 271 2176702 1923000 5
## 272 2232029 1981000 5
## 273 2099946 1842000 5
## 274 992009 802000 3
## 275 2178696 1925000 5
## 276 1503066 1277000 4
## 277 1797770 1587000 4
## 278 1750233 1537000 4
## 279 1918325 1714000 4
## 280 1726501 1512000 4
## 281 802779 666000 2
## 282 2124674 1868000 5
## 283 1898354 1693000 4
## 284 1588702 1367000 4
## 285 1771072 1559000 4
## 286 1778656 1567000 4
## 287 1820303 1611000 4
## 288 2614127 2320000 6
## 289 1610642 1390000 4
## 290 1794810 1584000 4
## 291 2329858 2084000 5
## 292 2275677 2027000 5
## 293 2319239 2073000 5
## 294 1380530 1211000 3
## 295 2786022 2501000 6
## 296 1746455 1533000 4
## 297 2721478 2433000 6
## 298 1013615 825000 3
## 299 1724648 1510000 4
## 300 2368737 2125000 5
## 301 1315014 1142000 3
## 302 1297697 1124000 3
## 303 1209369 1031000 3
## 304 1155223 974000 3
## 305 1507076 1281000 4
## 306 1872577 1666000 4
## 307 642868 500000 2
## 308 1815697 1606000 4
## 309 2362201 2118000 5
## 310 2802986 2519000 6
## 311 2393326 2151000 5
## 312 2134216 1878000 5
## 313 775040 637000 2
## 314 1369124 1199000 3
## 315 1547793 1324000 4
## 316 2109329 1852000 5
## 317 1664699 1447000 4
## 318 1057353 871000 3
## 319 2634965 2342000 6
## 320 2208109 1956000 5
## 321 1827965 1619000 4
## 322 2353566 2109000 5
## 323 1019334 831000 3
## 324 2088623 1830000 5
## 325 1406913 1239000 3
## 326 2099862 1842000 5
## 327 1686377 1470000 4
## 328 2075344 1816000 5
## 329 2409528 2168000 5
## 330 1718694 1504000 4
## 331 2258484 2009000 5
## 332 1090635 906000 3
## 333 1312109 1139000 3
## 334 2556883 2260000 6
## 335 1894458 1689000 4
## 336 637167 500000 2
## 337 1007094 818000 3
## 338 1619883 1400000 4
## 339 2186317 1933000 5
## 340 1666568 1449000 4
## 341 2071428 1812000 5
## 342 2230851 1980000 5
## 343 2629058 2336000 6
## 344 1741603 1528000 4
## 345 1690303 1474000 4
## 346 761964 623000 2
## 347 1762399 1550000 4
## 348 1383322 1214000 3
## 349 1192349 1013000 3
## 350 1629514 1410000 4
## 351 2256791 2007000 5
## 352 648688 504000 2
## 353 1511808 1286000 4
## 354 1770196 1558000 4
## 355 1230469 1053000 3
## 356 1873635 1667000 4
## 357 1910614 1706000 4
## 358 1698995 1483000 4
## 359 575115 500000 2
## 360 3116619 2786000 7
## 361 1617255 1397000 4
## 362 2084579 1826000 5
## 363 1845115 1637000 4
## 364 2261501 2012000 5
## 365 2163499 1909000 5
## 366 1615281 1395000 4
## 367 1894575 1689000 4
## 368 1205739 1027000 3
## 369 2181738 1928000 5
## 370 1495694 1269000 4
## 371 2982716 2708000 6
## 372 810443 674000 2
## 373 1494602 1268000 4
## 374 2167257 1913000 5
## 375 2017270 1755000 5
## 376 1374828 1205000 3
## 377 1181783 1002000 3
## 378 1783471 1572000 4
## 379 1708304 1493000 4
## 380 744708 605000 2
## 381 1731233 1517000 4
## 382 1805285 1595000 4
## 383 1797759 1587000 4
## 384 1153547 972000 3
## 385 1941120 1738000 4
## 386 2429636 2189000 5
## 387 1931635 1728000 4
## 388 1115462 932000 3
## 389 1507953 1282000 4
## 390 1879366 1673000 4
## 391 1347343 1176000 3
## 392 621353 500000 2
## 393 2194938 1942000 5
## 394 1260828 1085000 3
## 395 1382416 1213000 3
## 396 2549385 2252000 6
## 397 1287328 1113000 3
## 398 2176810 1923000 5
## 399 1056398 870000 3
## 400 1546769 1323000 4
## 401 1679917 1463000 4
## 402 1100102 916000 3
## 403 1353738 1183000 3
## 404 1701574 1486000 4
## 405 2093354 1835000 5
## 406 811168 675000 2
## 407 1548787 1325000 4
## 408 2134161 1878000 5
## 409 1399329 1231000 3
## 410 1823194 1614000 4
## 411 1948734 1746000 4
## 412 1842275 1634000 4
## 413 2085539 1827000 5
## 414 1656944 1439000 4
## 415 1518399 1293000 4
## 416 500000 500000 1
## 417 1671159 1454000 4
## 418 1919293 1715000 4
## 419 2029510 1768000 5
## 420 1391008 1222000 3
## 421 2680425 2390000 6
## 422 1850914 1643000 4
## 423 1774897 1563000 4
## 424 2379240 2136000 5
## 425 1313880 1141000 3
## 426 1501199 1275000 4
## 427 2973968 2699000 6
## 428 1720569 1506000 4
## 429 2611085 2317000 6
## 430 971874 781000 3
## 431 1624672 1405000 4
## 432 1894614 1689000 4
## 433 1857506 1650000 4
## 434 1177205 997000 3
## 435 1724389 1510000 4
## 436 1143037 961000 3
## 437 2113305 1856000 5
## 438 2290016 2042000 5
## 439 611252 500000 2
## 440 2362054 2118000 5
## 441 1065193 879000 3
## 442 1930765 1727000 4
## 443 2088485 1830000 5
## 444 1620017 1400000 4
## 445 1348283 1177000 3
## 446 1793748 1583000 4
## 447 1923173 1719000 4
## 448 2194795 1942000 5
## 449 637149 500000 2
## 450 817843 682000 2
## 451 2454310 2215000 5
## 452 2271944 2023000 5
## 453 1921993 1718000 4
## 454 2114977 1858000 5
## 455 2210926 1959000 5
## 456 500000 500000 1
## 457 2302292 2055000 5
## 458 1484952 1258000 4
## 459 1824343 1615000 4
## 460 1574526 1352000 4
## 461 2189195 1936000 5
## 462 1549629 1326000 4
## 463 2021126 1759000 5
## 464 1529647 1305000 4
## 465 1136182 954000 3
## 466 2349752 2105000 5
## 467 2126635 1870000 5
## 468 2653939 2362000 6
## 469 1746223 1533000 4
## 470 2309700 2063000 5
## 471 2773513 2488000 6
## 472 1581128 1359000 4
## 473 1026907 839000 3
## 474 1601097 1380000 4
## 475 1613344 1393000 4
## 476 1787152 1576000 4
## 477 2648246 2356000 6
## 478 1560128 1337000 4
## 479 1892501 1687000 4
## 480 1606747 1386000 4
## 481 1724568 1510000 4
## 482 1864159 1657000 4
## 483 2405832 2164000 5
## 484 1772848 1561000 4
## 485 2113326 1856000 5
## 486 2144679 1889000 5
## 487 2209266 1957000 5
## 488 1382291 1213000 3
## 489 2607482 2313000 6
## 490 1534356 1310000 4
## 491 1664682 1447000 4
## 492 2441908 2202000 5
## 493 2389663 2147000 5
## 494 1137251 955000 3
## 495 1239989 1063000 3
## 496 1009938 821000 3
## 497 1801427 1591000 4
## 498 1793026 1582000 4
## 499 1887917 1682000 4
## 500 2037224 1776000 5
## 501 1369066 1199000 3
## 502 1182895 1003000 3
## 503 2262468 2013000 5
## 504 2132059 1876000 5
## 505 877875 745000 2
## 506 1669528 1452000 4
## 507 1229408 1052000 3
## 508 634387 500000 2
## 509 1786268 1575000 4
## 510 1677118 1460000 4
## 511 1668545 1451000 4
## 512 1817623 1608000 4
## 513 2194020 1941000 5
## 514 1812790 1603000 4
## 515 1362335 1192000 3
## 516 1306230 1133000 3
## 517 1652330 1434000 4
## 518 1862253 1655000 4
## 519 1161048 980000 3
## 520 1627554 1408000 4
## 521 2234690 1984000 5
## 522 1663658 1446000 4
## 523 1323387 1151000 3
## 524 1583908 1362000 4
## 525 2304247 2057000 5
## 526 2036257 1775000 5
## 527 2362201 2118000 5
## 528 1781365 1570000 4
## 529 1909791 1705000 4
## 530 1389881 1221000 3
## 531 2062756 1803000 5
## 532 1414600 1247000 3
## 533 980415 790000 3
## 534 1775799 1564000 4
## 535 2759328 2473000 6
## 536 2155137 1900000 5
## 537 2328738 2083000 5
## 538 1885178 1679000 4
## 539 1366116 1196000 3
## 540 1619014 1399000 4
## 541 1584963 1363000 4
## 542 1492595 1266000 4
## 543 2109425 1852000 5
## 544 1086045 901000 3
## 545 2186405 1933000 5
## 546 2185423 1932000 5
## 547 1085857 901000 3
## 548 2078924 1820000 5
## 549 2989284 2715000 6
## 550 1390068 1221000 3
## 551 2176036 1922000 5
## 552 1283520 1109000 3
## 553 2302357 2055000 5
## 554 1833724 1625000 4
## 555 2619687 2326000 6
## 556 962304 771000 3
## 557 1690405 1474000 4
## 558 1405011 1237000 3
## 559 1621060 1401000 4
## 560 1355813 1185000 3
## 561 1258873 1083000 3
## 562 2049658 1789000 5
## 563 1138263 956000 3
## 564 2479905 2242000 5
## 565 1091619 907000 3
## 566 1763312 1551000 4
## 567 2027848 1766000 5
## 568 2053460 1793000 5
## 569 1571588 1349000 4
## 570 1752925 1540000 4
## 571 2231840 1981000 5
## 572 963330 772000 3
## 573 1283589 1109000 3
## 574 1867060 1660000 4
## 575 1503983 1278000 4
## 576 2425751 2185000 5
## 577 2095038 1837000 5
## 578 1749225 1536000 4
## 579 878736 746000 2
## 580 1727365 1513000 4
## 581 1564838 1342000 4
## 582 1666498 1449000 4
## 583 1093616 909000 3
## 584 1951649 1749000 4
## 585 1161807 981000 3
## 586 1607617 1387000 4
## 587 1896364 1691000 4
## 588 1282673 1108000 3
## 589 2051599 1791000 5
## 590 1029823 842000 3
## 591 500000 500000 1
## 592 1935545 1732000 4
## 593 2174081 1920000 5
## 594 1579173 1357000 4
## 595 2014419 1752000 5
## 596 1105913 922000 3
## 597 1654328 1436000 4
## 598 672622 529000 2
## 599 2336327 2091000 5
## 600 2718487 2430000 6
## 601 2285152 2037000 5
## 602 1701798 1486000 4
## 603 1698950 1483000 4
## 604 874890 742000 2
## 605 2150308 1895000 5
## 606 1615140 1395000 4
## 607 1343289 1172000 3
## 608 984296 794000 3
## 609 1572536 1350000 4
## 610 1251391 1075000 3
## 611 1526095 1301000 4
## 612 1076510 891000 3
## 613 2636738 2344000 6
## 614 1707400 1492000 4
## 615 2285292 2037000 5
## 616 500000 500000 1
## 617 1499470 1273000 4
## 618 1333978 1162000 3
## 619 1074411 889000 3
## 620 2569441 2273000 6
## 621 982508 792000 3
## 622 1866109 1659000 4
## 623 2176915 1923000 5
## 624 1799579 1589000 4
## 625 1239012 1062000 3
## 626 2222325 1971000 5
## 627 1795838 1585000 4
## 628 1149675 968000 3
## 629 995693 806000 3
## 630 2825958 2543000 6
## 631 1332875 1161000 3
## 632 713464 572000 2
## 633 2028539 1767000 5
## 634 1862285 1655000 4
## 635 1011875 823000 3
## 636 672407 529000 2
## 637 1659855 1442000 4
## 638 2316409 2070000 5
## 639 2077119 1818000 5
## 640 1481159 1254000 4
## 641 1258822 1083000 3
## 642 1844060 1636000 4
## 643 1789953 1579000 4
## 644 2074207 1815000 5
## 645 1526930 1302000 4
## 646 2202403 1950000 5
## 647 1260628 1085000 3
## 648 1558168 1335000 4
## 649 2126622 1870000 5
## 650 2245246 1995000 5
## 651 674374 531000 2
## 652 1766179 1554000 4
## 653 2063917 1804000 5
## 654 966126 775000 3
## 655 1943094 1740000 4
## 656 1261674 1086000 3
## 657 2259538 2010000 5
## 658 2030622 1769000 5
## 659 2140608 1885000 5
## 660 1772108 1560000 4
## 661 2185347 1932000 5
## 662 2430577 2190000 5
## 663 2768887 2483000 6
## 664 1701641 1486000 4
## 665 607642 500000 2
## 666 1730129 1516000 4
## 667 1812784 1603000 4
## 668 1640998 1422000 4
## 669 2044843 1784000 5
## 670 2254852 2005000 5
## 671 1408953 1241000 3
## 672 1575336 1353000 4
## 673 1904026 1699000 4
## 674 1393716 1225000 3
## 675 1758590 1546000 4
## 676 663094 519000 2
## 677 1123015 940000 3
## 678 1024237 836000 3
## 679 1249406 1073000 3
## 680 1325454 1153000 3
## 681 1896496 1691000 4
## 682 2241467 1991000 5
## 683 1309292 1136000 3
## 684 1181774 1002000 3
## 685 1160097 979000 3
## 686 1518262 1293000 4
## 687 1601146 1380000 4
## 688 1944843 1742000 4
## 689 1562151 1339000 4
## 690 633227 500000 2
## 691 1671385 1454000 4
## 692 2339178 2094000 5
## 693 2341140 2096000 5
## 694 1280556 1106000 3
## 695 859734 726000 2
## 696 3002559 2729000 6
## 697 1637987 1419000 4
## 698 1668532 1451000 4
## 699 1914586 1710000 4
## 700 828344 693000 2
## 701 1309167 1136000 3
## 702 863434 730000 2
## 703 1325486 1153000 3
## 704 1771177 1559000 4
## 705 1006994 818000 3
## 706 2055247 1795000 5
## 707 1852652 1645000 4
## 708 1225568 1048000 3
## 709 1822399 1613000 4
## 710 2130312 1874000 5
## 711 2279314 2031000 5
## 712 1614173 1394000 4
## 713 1670404 1453000 4
## 714 1674043 1457000 4
## 715 2459869 2221000 5
## 716 2309711 2063000 5
## 717 2171210 1917000 5
## 718 1578299 1356000 4
## 719 1892536 1687000 4
## 720 1906794 1702000 4
## 721 1160099 979000 3
## 722 774154 636000 2
## 723 2079925 1821000 5
## 724 868353 735000 2
## 725 1715903 1501000 4
## 726 1833787 1625000 4
## 727 2042880 1782000 5
## 728 1805164 1595000 4
## 729 1307172 1134000 3
## 730 2243405 1993000 5
## 731 2660645 2369000 6
## 732 2193827 1941000 5
## 733 671652 528000 2
## 734 2439936 2200000 5
## 735 1688392 1472000 4
## 736 2024037 1762000 5
## 737 2070455 1811000 5
## 738 1669297 1452000 4
## 739 1679011 1462000 4
## 740 2259374 2010000 5
## 741 2113140 1856000 5
## 742 2245289 1995000 5
## 743 2966589 2691000 6
## 744 2090462 1832000 5
## 745 1813707 1604000 4
## 746 613405 500000 2
## 747 3173657 2846000 7
## 748 1485948 1259000 4
## 749 2962760 2687000 6
## 750 1892747 1687000 4
## 751 2565615 2269000 6
## 752 1662793 1445000 4
## 753 2018121 1756000 5
## 754 1816644 1607000 4
## 755 1626632 1407000 4
## 756 1657941 1440000 4
## 757 2255825 2006000 5
## 758 1619131 1399000 4
## 759 639348 500000 2
## 760 1621917 1402000 4
## 761 2031469 1770000 5
## 762 2067668 1808000 5
## 763 2067685 1808000 5
## 764 791285 654000 2
## 765 1889911 1684000 4
## 766 2234779 1984000 5
## 767 2381187 2138000 5
## 768 1608456 1388000 4
## 769 1562066 1339000 4
## 770 2481776 2244000 5
## 771 802711 666000 2
## 772 1507776 1282000 4
## 773 1932469 1729000 4
## 774 826484 691000 2
## 775 1847944 1640000 4
## 776 2727030 2439000 6
## 777 1713091 1498000 4
## 778 1582882 1361000 4
## 779 1940287 1737000 4
## 780 1582139 1360000 4
## 781 2161560 1907000 5
## 782 2204465 1952000 5
## 783 1716054 1501000 4
## 784 1096296 912000 3
## 785 1028917 841000 3
## 786 1373650 1204000 3
## 787 2153957 1899000 5
## 788 664919 521000 2
## 789 699101 557000 2
## 790 1344383 1173000 3
## 791 1902209 1697000 4
## 792 1220915 1043000 3
## 793 2195962 1943000 5
## 794 1873555 1667000 4
## 795 1634154 1415000 4
## 796 2163674 1909000 5
## 797 1899355 1694000 4
## 798 1503160 1277000 4
## 799 1825067 1616000 4
## 800 2082727 1824000 5
## 801 1884143 1678000 4
## 802 1342448 1171000 3
## 803 2181480 1928000 5
## 804 2322340 2076000 5
## 805 1846141 1638000 4
## 806 1783416 1572000 4
## 807 1678956 1462000 4
## 808 2861862 2581000 6
## 809 1846147 1638000 4
## 810 1639906 1421000 4
## 811 508812 500000 1
## 812 851258 717000 2
## 813 1677999 1461000 4
## 814 1812894 1603000 4
## 815 1846231 1638000 4
## 816 2165376 1911000 5
## 817 1622827 1403000 4
## 818 2351738 2107000 5
## 819 1217123 1039000 3
## 820 1081134 896000 3
## 821 1071552 886000 3
## 822 2127495 1871000 5
## 823 1675912 1459000 4
## 824 2150223 1895000 5
## 825 1587744 1366000 4
## 826 1373816 1204000 3
## 827 1540147 1316000 4
## 828 715207 574000 2
## 829 1099308 915000 3
## 830 970045 779000 3
## 831 2275698 2027000 5
## 832 1371050 1201000 3
## 833 2150169 1895000 5
## 834 2555174 2258000 6
## 835 1623834 1404000 4
## 836 1849882 1642000 4
## 837 762940 624000 2
## 838 1266350 1091000 3
## 839 1741632 1528000 4
## 840 1857363 1650000 4
## 841 1294090 1120000 3
## 842 3170029 2842000 7
## 843 1497391 1271000 4
## 844 1745437 1532000 4
## 845 2083719 1825000 5
## 846 1702647 1487000 4
## 847 1349165 1178000 3
## 848 2271746 2023000 5
## 849 2602532 2308000 6
## 850 1700796 1485000 4
## 851 2041990 1781000 5
## 852 1668538 1451000 4
## 853 2257668 2008000 5
## 854 1105875 922000 3
## 855 2937129 2660000 6
## 856 1368170 1198000 3
## 857 962323 771000 3
## 858 1548612 1325000 4
## 859 1784456 1573000 4
## 860 2606343 2312000 6
## 861 2208081 1956000 5
## 862 1782519 1571000 4
## 863 994827 805000 3
## 864 1243644 1067000 3
## 865 1637207 1418000 4
## 866 3108004 2777000 7
## 867 711466 570000 2
## 868 2312558 2066000 5
## 869 1404315 1236000 3
## 870 2626349 2333000 6
## 871 1113620 930000 3
## 872 1783343 1572000 4
## 873 1132567 950000 3
## 874 2204327 1952000 5
## 875 2479867 2242000 5
## 876 2761358 2475000 6
## 877 2153990 1899000 5
## 878 2710790 2422000 6
## 879 2366914 2123000 5
## 880 1652319 1434000 4
## 881 1941906 1739000 4
## 882 1193301 1014000 3
## 883 1626770 1407000 4
## 884 2354645 2110000 5
## 885 2032343 1771000 5
## 886 1932454 1729000 4
## 887 1161930 981000 3
## 888 1368023 1198000 3
## 889 1292009 1118000 3
## 890 1902994 1698000 4
## 891 1184674 1005000 3
## 892 2041956 1781000 5
## 893 1124838 942000 3
## 894 2703380 2414000 6
## 895 1933589 1730000 4
## 896 1321699 1149000 3
## 897 1829807 1621000 4
## 898 1547732 1324000 4
## 899 1891572 1686000 4
## 900 1830830 1622000 4
## 901 1173333 993000 3
## 902 1278903 1104000 3
## 903 1857439 1650000 4
## 904 2613858 2320000 6
## 905 2289993 2042000 5
## 906 1358515 1188000 3
## 907 2167338 1913000 5
## 908 1692115 1476000 4
## 909 1858347 1651000 4
## 910 1838554 1630000 4
## 911 3118517 2788000 7
## 912 1091757 907000 3
## 913 1762638 1550000 4
## 914 749503 610000 2
## 915 2055225 1795000 5
## 916 2295691 2048000 5
## 917 2461799 2223000 5
## 918 680278 537000 2
## 919 1910815 1706000 4
## 920 2592055 2297000 6
## 921 1518348 1293000 4
## 922 1614277 1394000 4
## 923 1697819 1482000 4
## 924 1888703 1683000 4
## 925 2091224 1833000 5
## 926 2401023 2159000 5
## 927 1669477 1452000 4
## 928 1808142 1598000 4
## 929 3016800 2744000 6
## 930 1920065 1716000 4
## 931 1804413 1594000 4
## 932 1017514 829000 3
## 933 1716078 1501000 4
## 934 1609651 1389000 4
## 935 1709443 1494000 4
## 936 1381487 1212000 3
## 937 1329028 1157000 3
## 938 1312884 1140000 3
## 939 1613274 1393000 4
## 940 2424820 2184000 5
## 941 2273613 2025000 5
## 942 1544004 1320000 4
## 943 794163 657000 2
## 944 1254012 1078000 3
## 945 1497486 1271000 4
## 946 1764346 1552000 4
## 947 1340459 1169000 3
## 948 2787952 2503000 6
## 949 1585760 1364000 4
## 950 1078358 893000 3
## 951 1647661 1429000 4
## 952 1177243 997000 3
## 953 1789123 1578000 4
## 954 1826095 1617000 4
## 955 1884038 1678000 4
## 956 824571 689000 2
## 957 1819607 1610000 4
## 958 1862318 1655000 4
## 959 979684 789000 3
## 960 2229005 1978000 5
## 961 2147426 1892000 5
## 962 2927443 2650000 6
## 963 1789205 1578000 4
## 964 1736960 1523000 4
## 965 1760688 1548000 4
## 966 1748215 1535000 4
## 967 717129 576000 2
## 968 800931 664000 2
## 969 1678019 1461000 4
## 970 1378690 1209000 3
## 971 1740760 1527000 4
## 972 628319 500000 2
## 973 943345 751000 3
## 974 1131627 949000 3
## 975 2243359 1993000 5
## 976 1133376 951000 3
## 977 1275073 1100000 3
## 978 1752981 1540000 4
## 979 1561938 1339000 4
## 980 1784413 1573000 4
## 981 2930209 2653000 6
## 982 1121009 938000 3
## 983 1569730 1347000 4
## 984 1409786 1242000 3
## 985 2553259 2256000 6
## 986 1289327 1115000 3
## 987 1676037 1459000 4
## 988 2149170 1894000 5
## 989 1152361 971000 3
## 990 2621476 2328000 6
## 991 2096064 1838000 5
## 992 1144819 963000 3
## 993 1930737 1727000 4
## 994 1613454 1393000 4
## 995 1864034 1657000 4
## 996 1672254 1455000 4
## 997 2283327 2035000 5
## 998 1012935 824000 3
## 999 1406957 1239000 3
## 1000 1596371 1375000 4Interpretasi
Pada tahap ini, seluruh variabel yang telah dibangkitkan secara terpisah diintegrasikan ke dalam sebuah struktur matriks data tabular terpadu menggunakan fungsi data.frame. Variabel dependen Y dipetakan menjadi kolom ‘Pengeluaran’, sedangkan variabel independen X1 dan X2 masing-masing dikonversi menjadi kolom ‘UangSaku’ dan ‘Streaming’. Pemanggilan objek df di akhir sintaks berfungsi untuk mengeksekusi dan menampilkan dataset utuh yang merangkum keseluruhan 1.000 baris observasi simulasi karakteristik finansial mahasiswa. Dataset terstruktur inilah yang merepresentasikan hasil akhir dari proses pembangkitan data (data generation) dan siap digunakan sebagai fondasi utama dalam melakukan analisis statistik lanjutan maupun pengujian model regresi.
summary(df)## Pengeluaran UangSaku Streaming
## Min. : 500000 Min. : 500000 Min. :1.000
## 1st Qu.:1356489 1st Qu.:1185750 1st Qu.:3.000
## Median :1719632 Median :1505000 Median :4.000
## Mean :1725471 Mean :1510715 Mean :4.017
## 3rd Qu.:2090653 3rd Qu.:1832250 3rd Qu.:5.000
## Max. :3434806 Max. :3121000 Max. :7.000Interpretasi
Eksekusi sintaks summary(df) menghasilkan ringkasan statistik deskriptif yang memberikan gambaran holistik mengenai distribusi data simulasi mahasiswa Universitas Negeri Semarang tersebut.
- Pada kolom Pengeluaran, terlihat rentang nilai yang logis mulai dari batas minimum Rp500.000 hingga maksimum Rp3.434.806, dengan rata-rata (mean) sebesar Rp1.725.471, yang menunjukkan adanya variasi pengeluaran yang cukup lebar di antara individu.
- Kolom UangSaku menunjukkan nilai median Rp1.505.000, sangat dekat dengan parameter rata-rata awal yang ditetapkan (1,5 juta), yang menandakan bahwa proses pembangkitan data berdistribusi normal telah berhasil dilakukan dengan presisi. Sementara itu,
- pada variabel Streaming, frekuensi durasi layanan memiliki nilai rata-rata 4,017 jam dengan rentang antara 1 hingga 7 jam per hari, yang mengonfirmasi bahwa mayoritas mahasiswa berada pada angka moderat dalam konsumsi konten digital.
# 6. Membuat Histogram
par(mfrow = c(1, 3))
hist(df$Pengeluaran, main="Distribusi Pengeluaran", col="skyblue", xlab="Rupiah")
hist(df$UangSaku, main="Distribusi Uang Saku", col="lightgreen", xlab="Rupiah")
hist(df$Streaming, main="Distribusi Durasi Streaming", col="salmon", xlab="Jam")
Interpretasi
Visualisasi data melalui histogram ini memberikan konfirmasi visual yang kuat terhadap karakteristik data yang telah dibangkitkan. Secara keseluruhan, ketiga grafik menunjukkan pola distribusi yang menyerupai kurva lonceng, yang menandakan bahwa data berdistribusi normal sesuai dengan fungsi rnorm yang digunakan dalam sintaks.
Histogram Pengeluaran: Menunjukkan konsentrasi data yang paling tinggi di kisaran Rp1.500.000 hingga Rp2.000.000, yang mencerminkan akumulasi biaya hidup dasar ditambah variabel lainnya.
Histogram Uang Saku: Menampilkan persebaran yang sangat simetris di sekitar nilai rata-rata 1,5 juta rupiah, membuktikan bahwa parameter simpangan baku (SD) sebesar 500 ribu rupiah berhasil menciptakan variasi data yang natural tanpa pencilan yang tidak masuk akal.
Histogram Durasi Streaming: Menggambarkan pola konsumsi media digital mahasiswa yang dominan berada pada rentang 3 hingga 5 jam per hari, dengan frekuensi tertinggi tepat pada angka 4 jam sesuai dengan rata-rata yang ditetapkan dalam model.
Penggunaan pengaturan par(mfrow = c(1, 3)) memungkinkan perbandingan komparatif secara berdampingan, yang mempertegas bahwa model pembangkitan data ini telah berhasil menciptakan profil mahasiswa UNNES yang realistis secara statistik.
summary(df$Pengeluaran)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 500000 1356489 1719632 1725471 2090653 3434806Interpretasi
Output statistik deskriptif untuk variabel Pengeluaran menunjukkan bahwa rata-rata biaya hidup mahasiswa dalam simulasi ini adalah sebesar Rp1.725.471, dengan nilai tengah (median) yang tidak terpaut jauh yaitu Rp1.719.632. Hal ini mengindikasikan bahwa distribusi data pengeluaran cenderung simetris. Nilai minimum sebesar Rp500.000 mencerminkan batas bawah biaya hidup dasar yang telah ditetapkan dalam model, sedangkan nilai maksimum mencapai Rp3.434.806, yang menunjukkan adanya variabilitas konsumsi yang dipengaruhi oleh fluktuasi uang saku dan durasi streaming.
summary(df$UangSaku)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 500000 1185750 1505000 1510715 1832250 3121000Interpretasi
Data UangSaku memiliki rentang nilai dari Rp500.000 hingga Rp3.121.000. Rata-rata uang saku yang tercatat adalah Rp1.510.715, yang sangat mendekati parameter awal sebesar 1,5 juta rupiah, menunjukkan bahwa proses pembangkitan data menggunakan distribusi normal berjalan dengan akurat. Jarak antara kuartil pertama (Rp1.185.750) dan kuartil ketiga (Rp1.832.250) menunjukkan bahwa mayoritas mahasiswa Universitas Negeri Semarang dalam studi ini memiliki anggaran bulanan di kisaran 1,1 hingga 1,8 juta rupiah.
summary(df$Streaming)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 3.000 4.000 4.017 5.000 7.000Interpretasi
Untuk variabel Streaming, data menunjukkan pola perilaku digital mahasiswa dengan durasi harian antara 1 hingga 7 jam. Nilai rata-rata dan median yang hampir identik (4.017 jam dan 4.000 jam) menegaskan bahwa konsumsi layanan media streaming berpusat secara konsisten di angka 4 jam per hari. Rentang interkuartil (IQR) antara 3 hingga 5 jam menunjukkan bahwa sebagian besar mahasiswa memiliki intensitas penggunaan layanan streaming yang moderat dan seragam.
# 7. Pemodelan Regresi Linear Berganda
# Melakukan fitting model
model_linear <- lm(Pengeluaran ~ UangSaku + Streaming, data = df)
# Menampilkan Output Utama
summary(model_linear)##
## Call:
## lm(formula = Pengeluaran ~ UangSaku + Streaming, data = df)
##
## Residuals:
## Min 1Q Median 3Q Max
## -76759 -726 602 1919 5321
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.029e+04 9.421e+02 42.76 <2e-16 ***
## UangSaku 9.438e-01 1.483e-03 636.56 <2e-16 ***
## Streaming 6.455e+04 7.007e+02 92.13 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6491 on 997 degrees of freedom
## Multiple R-squared: 0.9998, Adjusted R-squared: 0.9998
## F-statistic: 3.289e+06 on 2 and 997 DF, p-value: < 2.2e-16Interpretasi
Analisis regresi linear berganda dilakukan untuk menguji sejauh mana variabel independen dapat memprediksi total pengeluaran secara akurat. Berdasarkan output model tersebut, berikut adalah interpretasinya:
- Signifikansi Model secara Keseluruhan: Nilai p-value yang sangat kecil (< 2.2e-16) pada F-statistic menunjukkan bahwa model regresi ini sangat signifikan secara statistik. Artinya, kombinasi variabel uang saku dan durasi streaming secara bersama-sama memiliki pengaruh yang sangat nyata terhadap pengeluaran mahasiswa Universitas Negeri Semarang dalam studi kasus ini.
- Kekuatan Prediksi (R-Squared): Nilai Multiple R-squared sebesar 0.9998 menunjukkan bahwa model ini memiliki tingkat akurasi yang luar biasa tinggi, di mana 99,98% variasi dalam pengeluaran dapat dijelaskan oleh variabel uang saku dan streaming. Hal ini mengonfirmasi bahwa data yang dibangkitkan mengikuti pola linear yang sangat konsisten.
- Analisis Koefisien:
- UangSaku (0.9438): Setiap kenaikan Rp1 pada uang saku diprediksi akan meningkatkan pengeluaran sebesar Rp0,94 (atau sekitar 94%), dengan asumsi variabel lain tetap.
- Streaming (64.550): Setiap penambahan satu jam durasi streaming akan meningkatkan pengeluaran sebesar Rp64.550. Nilai ini sangat mendekati parameter biaya streaming yang ditetapkan pada tahap awal (Rp60.000).
- Residuals: Nilai residual yang kecil (dengan standar error 6.491) menunjukkan bahwa selisih antara nilai prediksi model dengan data aktual sangat tipis, sehingga model ini dianggap sangat valid untuk merepresentasikan perilaku finansial mahasiswa dalam simulasi ini.
# Fungsi untuk menghitung Confidence Interval
hitung_CI <- function(data_vektor, label) {
# Ekstrak data dan pastikan formatnya numerik yang valid
data_bersih <- as.numeric(na.omit(data_vektor))
n_obs <- length(data_bersih)
# Statistik dasar
m <- mean(data_bersih)
se <- sd(data_bersih) / sqrt(n_obs)
# Nilai kritis t untuk alpha = 0.05 (2-tailed)
t_val <- qt(0.975, df = n_obs - 1)
# Batas Confidence Interval
ci_lower <- round(m - (t_val * se), 2)
ci_upper <- round(m + (t_val * se), 2)
cat("95% CI untuk Rata-rata", label, ": [", ci_lower, ",", ci_upper, "]\n")
}
cat("\n--- Analisis Ketidakpastian Estimasi ---\n")##
## --- Analisis Ketidakpastian Estimasi ---# Pemanggilan kolom harus sama persis dengan nama di data frame "df"
hitung_CI(df$UangSaku, "Uang Saku")## 95% CI untuk Rata-rata Uang Saku : [ 1480325 , 1541105 ]hitung_CI(df$Streaming, "Durasi Streaming")## 95% CI untuk Rata-rata Durasi Streaming : [ 3.95 , 4.08 ]hitung_CI(df$Pengeluaran, "Total Pengeluaran")## 95% CI untuk Rata-rata Total Pengeluaran : [ 1692783 , 1758159 ]Interpretasi
Mengimplementasikan fungsi kustom hitung_CI untuk mengukur tingkat kepercayaan (Confidence Interval) terhadap rata-rata populasi mahasiswa Universitas Negeri Semarang berdasarkan sampel yang ada. Secara metodologis, fungsi ini menggunakan distribusi-t karena estimasi dilakukan pada sampel berjumlah 1.000 observasi dengan tingkat kepercayaan 95% (\(\alpha = 0.05\)). Hasil analisis ini memberikan rentang estimasi di mana rata-rata populasi yang sebenarnya kemungkinan besar berada. Berikut analisisnya:
- 95% CI untuk Rata-rata Uang Saku [1.480.325, 1.541.105]: Interpretasi dari hasil ini adalah kita memiliki tingkat keyakinan sebesar 95% bahwa rata-rata uang saku sebenarnya dari seluruh populasi mahasiswa UNNES (dalam skenario simulasi ini) berada di antara Rp1.480.325 hingga Rp1.541.105. Rentang yang cukup sempit ini menunjukkan bahwa estimasi rata-rata sampel sebesar Rp1.510.715 sangat reliabel.
- 95% CI untuk Rata-rata Durasi Streaming [3.95, 4.08]: Berdasarkan data sampel, kita yakin sebesar 95% bahwa rata-rata durasi mahasiswa menonton layanan streaming secara keseluruhan berada di kisaran 3,95 jam hingga 4,08 jam per hari. Karena rentang ini sangat dekat dengan angka 4 jam, hal ini memperkuat asumsi bahwa perilaku digital mahasiswa dalam penggunaan media streaming sangat konsisten di angka tersebut.
- 95% CI untuk Rata-rata Total Pengeluaran [1.692.783, 1.758.159]: Untuk variabel dependen, hasil ini menunjukkan bahwa rata-rata pengeluaran bulanan mahasiswa secara umum diprediksi berada pada kisaran Rp1.692.783 hingga Rp1.758.159. Interval ini memberikan batas bawah dan batas atas bagi pembuat kebijakan (misalnya dalam menentukan standar bantuan pendidikan atau biaya hidup) dengan tingkat risiko kesalahan estimasi hanya sebesar 5%.
Secara keseluruhan, analisis ketidakpastian estimasi ini menunjukkan bahwa data simulasi yang telah dijalankan memiliki tingkat presisi yang tinggi, sehingga hasil rata-rata sampel dapat digeneralisasi dengan tingkat kepercayaan yang sangat kuat.
# 9. Evaluasi Performa Model
# 1. Mendapatkan nilai aktual dan prediksi
y_aktual <- df$Pengeluaran
y_prediksi <- predict(model_linear)
residu <- residuals(model_linear)
# 2. Menghitung RMSE (Root Mean Square Error)
rmse <- sqrt(mean(residu^2))
# 3. Menghitung MAE (Mean Absolute Error)
mae <- mean(abs(residu))
# 4. Menghitung R-Squared (Koefisien Determinasi)
r_sq <- summary(model_linear)$r.squared
# Menampilkan Hasil Evaluasi
cat("\n--- Hasil Evaluasi Model Regresi ---\n")##
## --- Hasil Evaluasi Model Regresi ---cat("RMSE (Rata-rata Kesalahan Kuadrat):", round(rmse, 2), "Rupiah\n")## RMSE (Rata-rata Kesalahan Kuadrat): 6481.26 Rupiahcat("MAE (Rata-rata Kesalahan Absolut):", round(mae, 2), "Rupiah\n")## MAE (Rata-rata Kesalahan Absolut): 2245.23 Rupiahcat("R-Squared :", round(r_sq, 4), "\n")## R-Squared : 0.9998# 10. Visualisasi Scatter Plot (Hubungan Antar Variabel)
# Mengatur layout agar dua grafik tampil berdampingan
par(mfrow = c(1, 2))
# Scatter Plot 1: Uang Saku vs Pengeluaran
plot(df$UangSaku, df$Pengeluaran,
main = "Hubungan Uang Saku & Pengeluaran",
xlab = "Uang Saku (Rp)",
ylab = "Total Pengeluaran (Rp)",
pch = 16,
col = rgb(0, 0.5, 0, 0.3))
abline(lm(Pengeluaran ~ UangSaku, data = df), col = "red", lwd = 2) # Garis tren linear
# Scatter Plot 2: Durasi Streaming vs Pengeluaran
plot(df$Streaming, df$Pengeluaran,
main = "Hubungan Streaming & Pengeluaran",
xlab = "Durasi Streaming (Jam)",
ylab = "Total Pengeluaran (Rp)",
pch = 16,
col = rgb(0, 0, 1, 0.3))
abline(lm(Pengeluaran ~ Streaming, data = df), col = "red", lwd = 2) # Garis tren linear
Interpretasi
Tahap evaluasi performa model ini merupakan langkah krusial untuk mengukur sejauh mana model regresi yang dibangun mampu merepresentasikan data aktual pengeluaran mahasiswa Universitas Negeri Semarang. Adapun analisisnya:
- RMSE (Root Mean Square Error) sebesar 6.481,26 Rupiah: Nilai RMSE menggambarkan akar dari rata-rata kuadrat kesalahan antara prediksi model dan data aktual. Dalam konteks ini, rata-rata penyimpangan prediksi pengeluaran adalah sebesar Rp6.481,26. Mengingat RMSE memberikan bobot lebih besar pada kesalahan yang besar (pinalti kuadrat), nilai yang relatif kecil ini menunjukkan bahwa model Anda sangat jarang menghasilkan prediksi yang meleset jauh dari nilai aslinya.
- MAE (Mean Absolute Error) sebesar 2.245,23 Rupiah: MAE mengukur rata-rata selisih absolut antara pengeluaran prediksi dengan pengeluaran aktual tanpa memperhatikan arahnya (positif atau negatif). Dengan nilai Rp2.245,23, dapat diartikan bahwa secara rata-rata, estimasi model hanya meleset sekitar dua ribu rupiah dari angka pengeluaran mahasiswa yang sebenarnya. Perbedaan yang kecil ini menandakan akurasi model yang sangat tinggi untuk digunakan dalam keperluan proyeksi finansial.
- R-Squared (Koefisien Determinasi) sebesar 0.9998: Nilai ini merupakan indikator kekuatan hubungan antara variabel independen (Uang Saku dan Streaming) dengan variabel dependen (Pengeluaran). Angka 0.9998 berarti bahwa 99,98% variasi atau naik-turunnya total pengeluaran mahasiswa dalam studi ini dapat dijelaskan secara akurat oleh variabel uang saku dan durasi streaming. Hanya sisa 0,02% yang dipengaruhi oleh faktor lain di luar model.
Selain melalui metrik angka, kualitas model simulasi ini juga divalidasi secara visual melalui dua grafik scatter plot yang menunjukkan hubungan antar variabel:
- Hubungan Uang Saku & Pengeluaran (Grafik Kiri): Titik-titik data membentuk pola garis lurus yang sangat rapat mengikuti garis tren merah. Hal ini secara visual mengonfirmasi korelasi positif yang sangat kuat. Kedekatan titik-titik pada garis linear ini menjelaskan mengapa nilai \(R^2\) mencapai 0,9998.
- Hubungan Streaming & Pengeluaran (Grafik Kanan): Data terlihat mengelompok secara vertikal pada angka jam tertentu (seperti jam ke-2, 3, 4, dst.) karena variabel durasi streaming dibangkitkan sebagai bilangan bulat (integer). Meskipun data terkelompok, garis tren tetap menunjukkan kemiringan positif yang jelas, membuktikan bahwa setiap penambahan jam streaming secara konsisten meningkatkan total pengeluaran sesuai dengan parameter simulasi Rp60.000 per jam.
- Konsistensi Noise (Eror): Sebaran titik-titik yang masih berada sangat dekat di sekitar garis merah pada kedua grafik menunjukkan bahwa komponen noise atau pengeluaran tak terduga yang diberikan sebesar Rp150.000 (SD) masih dalam batas wajar, sehingga tidak merusak struktur linear utama dari model yang dibangun.
KESIMPULAN
Berdasarkan seluruh hasil komputasi dan analisis yang tercantum dalam lampiran studi kasus ini, dapat disimpulkan bahwa simulasi pembangkitan data finansial mahasiswa UNNES tersebut telah berhasil membentuk sebuah model prediktif yang hampir sempurna secara statistik. Integrasi antara variabel Uang Saku dan Durasi Streaming terbukti memiliki korelasi linear yang sangat kuat terhadap Total Pengeluaran, sebagaimana dikonfirmasi oleh nilai R-Squared yang mendekati angka satu dan tingkat error (RMSE & MAE) yang sangat rendah. Secara keseluruhan studi kasus ini membuktikan bahwa metode pembangkitan data sintetis yang Anda lakukan telah mengikuti kaidah distribusi normal dan logika ekonomi yang konsisten, sehingga dataset ini sangat valid untuk digunakan sebagai instrumen pembelajaran analisis data maupun simulasi kebijakan finansial mahasiswa.