1 Regresi Logistik Biner

1.1 Pendahuluan & Deskripsi Dataset

Regresi logistik biner merupakan metode statistika yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel prediktor dengan variabel respons dikotomi (dua kategori: 0/1). Metode ini sangat relevan dalam dunia perbankan, khususnya untuk memprediksi apakah seorang nasabah berpotensi mengalami kredit macet atau tidak.

Sumber data: German Credit Dataset — UCI Machine Learning Repository, diakses melalui package caret:

https://archive.ics.uci.edu/dataset/144/statlog+german+credit+data

Variabel Penelitian

Variabel	Tipe	Keterangan	Kategori/Satuan
Class	Respons	Status Kredit	Good (0) / Bad (1)
Duration	Numerik	Durasi kredit	Bulan
Amount	Numerik	Jumlah kredit	DM (Deutschmark)
InstallmentRatePercentage	Numerik	Tingkat cicilan	% dari pendapatan
Age	Numerik	Usia nasabah	Tahun
NumberExistingCredits	Numerik	Jumlah kredit aktif	Count
ResidenceDuration	Numerik	Lama tinggal	Tahun

1.2 Pemuatan Data

# Muat dataset German Credit dari package caret
data(GermanCredit)
df_biner <- GermanCredit

# Buat variabel respons biner: Good=0, Bad=1
df_biner$Class_bin <- ifelse(df_biner$Class == "Bad", 1, 0)

cat("Dimensi data:", dim(df_biner), "\n")

## Dimensi data: 1000 63

str(df_biner[, c("Duration", "Amount", "Age",
                  "InstallmentRatePercentage",
                  "ResidenceDuration", "NumberExistingCredits",
                  "Class_bin")])

## 'data.frame':    1000 obs. of  7 variables:
##  $ Duration                 : int  6 48 12 42 24 36 24 36 12 30 ...
##  $ Amount                   : int  1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
##  $ Age                      : int  67 22 49 45 53 35 53 35 61 28 ...
##  $ InstallmentRatePercentage: int  4 2 2 2 3 2 3 2 2 4 ...
##  $ ResidenceDuration        : int  4 2 3 4 4 4 4 2 4 2 ...
##  $ NumberExistingCredits    : int  2 1 1 1 2 1 1 1 1 2 ...
##  $ Class_bin                : num  0 1 0 0 1 0 0 0 0 1 ...

1.3 Eksplorasi Data (EDA)

1.3.1 Statistik Deskriptif

summary(df_biner[, c("Duration", "Amount", "Age",
                      "InstallmentRatePercentage", "Class_bin")])

##     Duration        Amount           Age        InstallmentRatePercentage
##  Min.   : 4.0   Min.   :  250   Min.   :19.00   Min.   :1.000            
##  1st Qu.:12.0   1st Qu.: 1366   1st Qu.:27.00   1st Qu.:2.000            
##  Median :18.0   Median : 2320   Median :33.00   Median :3.000            
##  Mean   :20.9   Mean   : 3271   Mean   :35.55   Mean   :2.973            
##  3rd Qu.:24.0   3rd Qu.: 3972   3rd Qu.:42.00   3rd Qu.:4.000            
##  Max.   :72.0   Max.   :18424   Max.   :75.00   Max.   :4.000            
##    Class_bin  
##  Min.   :0.0  
##  1st Qu.:0.0  
##  Median :0.0  
##  Mean   :0.3  
##  3rd Qu.:1.0  
##  Max.   :1.0

cat("\nDistribusi Status Kredit:\n")

## 
## Distribusi Status Kredit:

print(table(df_biner$Class))

## 
##  Bad Good 
##  300  700

cat("\nProporsi (%):\n")

## 
## Proporsi (%):

round(prop.table(table(df_biner$Class)) * 100, 2)

## 
##  Bad Good 
##   30   70

Interpretasi: Dataset terdiri dari 1.000 observasi. Terdapat 700 nasabah (70%) dengan kredit baik (Good) dan 300 nasabah (30%) dengan kredit macet (Bad). Rata-rata durasi kredit 20,9 bulan, rata-rata jumlah kredit 3.271 DM, dan rata-rata usia 35,5 tahun.

1.3.2 Visualisasi Data

1.3.2.1 Distribusi Status Kredit

df_plot_b <- df_biner %>%
  group_by(Class) %>%
  summarise(n = n(), pct = n() / nrow(df_biner) * 100, .groups = "drop")

ggplot(df_plot_b, aes(x = Class, y = n, fill = Class)) +
  geom_bar(stat = "identity", width = 0.5, show.legend = FALSE) +
  geom_text(aes(label = paste0(n, "\n(", round(pct, 1), "%)")),
            vjust = -0.3, fontface = "bold", size = 5) +
  scale_fill_manual(values = c("Bad" = "#1a7a45", "Good" = "#0a2e1a")) +
  labs(title = "Distribusi Status Kredit — German Credit Dataset",
       x = "Status Kredit", y = "Frekuensi") +
  theme_green()

Interpretasi: Dari total 1.000 nasabah, 700 berstatus kredit baik (Good, 70%) dan 300 berstatus kredit macet (Bad, 30%). Ketidakseimbangan kelas ini perlu dipertimbangkan dalam evaluasi model.

1.3.2.2 Boxplot Jumlah Kredit berdasarkan Status

ggplot(df_biner, aes(x = Class, y = Amount, fill = Class)) +
  geom_boxplot(alpha = 0.8, show.legend = FALSE) +
  scale_fill_manual(values = c("Bad" = "#52c98a", "Good" = "#1a7a45")) +
  labs(title = "Jumlah Kredit berdasarkan Status Kredit",
       x = "Status Kredit", y = "Jumlah Kredit (DM)") +
  theme_green()

Interpretasi: Nasabah dengan kredit macet (Bad) cenderung memiliki median jumlah kredit yang lebih tinggi, mengindikasikan bahwa jumlah kredit yang lebih besar berhubungan dengan risiko macet yang lebih tinggi.

1.3.2.3 Distribusi Usia berdasarkan Status Kredit

ggplot(df_biner, aes(x = Age, fill = Class)) +
  geom_histogram(binwidth = 5, position = "dodge", alpha = 0.8) +
  scale_fill_manual(values = c("Bad" = "#52c98a", "Good" = "#1a7a45")) +
  labs(title = "Distribusi Usia berdasarkan Status Kredit",
       x = "Usia (Tahun)", y = "Frekuensi") +
  theme_green()

Interpretasi: Nasabah muda (20–30 tahun) memiliki proporsi kredit macet yang lebih tinggi relatif terhadap kelompok usia lainnya, mengindikasikan usia merupakan faktor risiko yang relevan.

1.4 Uji Asumsi

1.4.1 Uji Multikolinearitas (VIF)

df_model_b <- df_biner[, c("Class_bin", "Duration", "Amount", "Age",
                              "InstallmentRatePercentage",
                              "ResidenceDuration",
                              "NumberExistingCredits")]
df_model_b <- na.omit(df_model_b)

lm_vif_b <- lm(Class_bin ~ Duration + Amount + Age +
                  InstallmentRatePercentage + ResidenceDuration +
                  NumberExistingCredits,
                data = df_model_b)

vif_result_b <- vif(lm_vif_b)
knitr::kable(
  data.frame(Variabel = names(vif_result_b), VIF = round(vif_result_b, 3)),
  caption = "Hasil Uji VIF — Regresi Logistik Biner"
) %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = FALSE)

Hasil Uji VIF — Regresi Logistik Biner
	Variabel	VIF
Duration	Duration	1.857
Amount	Amount	1.994
Age	Age	1.110
InstallmentRatePercentage	InstallmentRatePercentage	1.221
ResidenceDuration	ResidenceDuration	1.083
NumberExistingCredits	NumberExistingCredits	1.027

Interpretasi: Semua nilai VIF < 10 (bahkan < 2), menunjukkan tidak ada multikolinearitas yang bermasalah antar variabel prediktor.

1.5 Pembagian Data

set.seed(123)
idx_b    <- createDataPartition(df_model_b$Class_bin, p = 0.8, list = FALSE)
train_b  <- df_model_b[idx_b, ]
test_b   <- df_model_b[-idx_b, ]

cat("Jumlah training:", nrow(train_b), "\n")

## Jumlah training: 800

cat("Jumlah testing :", nrow(test_b),  "\n")

## Jumlah testing : 200

Interpretasi: Data dibagi 80:20 menggunakan stratified random sampling. Sebanyak 800 observasi untuk training dan 200 untuk testing. set.seed(123) memastikan hasil reproducible.

1.6 Pembuatan Model

1.6.1 Model Penuh

model_full_b <- glm(Class_bin ~ Duration + Amount + Age +
                      InstallmentRatePercentage + ResidenceDuration +
                      NumberExistingCredits,
                    data   = train_b,
                    family = binomial(link = "logit"))

summary(model_full_b)

## 
## Call:
## glm(formula = Class_bin ~ Duration + Amount + Age + InstallmentRatePercentage + 
##     ResidenceDuration + NumberExistingCredits, family = binomial(link = "logit"), 
##     data = train_b)
## 
## Coefficients:
##                             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)               -1.498e+00  4.269e-01  -3.510 0.000448 ***
## Duration                   2.434e-02  8.428e-03   2.888 0.003876 ** 
## Amount                     6.369e-05  3.737e-05   1.704 0.088346 .  
## Age                       -1.268e-02  7.756e-03  -1.636 0.101941    
## InstallmentRatePercentage  2.082e-01  8.044e-02   2.588 0.009642 ** 
## ResidenceDuration          1.494e-02  7.549e-02   0.198 0.843124    
## NumberExistingCredits     -2.726e-01  1.503e-01  -1.814 0.069688 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 959.84  on 799  degrees of freedom
## Residual deviance: 915.91  on 793  degrees of freedom
## AIC: 929.91
## 
## Number of Fisher Scoring iterations: 4

Interpretasi: Model penuh mencakup 6 prediktor numerik. Variabel yang menunjukkan pengaruh awal signifikan (p < 0,05) pada model penuh akan dikonfirmasi melalui seleksi stepwise.

1.6.2 Seleksi Variabel Stepwise (Backward)

model_b <- step(model_full_b, direction = "backward", trace = 0)
summary(model_b)

## 
## Call:
## glm(formula = Class_bin ~ Duration + Amount + Age + InstallmentRatePercentage + 
##     NumberExistingCredits, family = binomial(link = "logit"), 
##     data = train_b)
## 
## Coefficients:
##                             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)               -1.474e+00  4.084e-01  -3.609 0.000307 ***
## Duration                   2.439e-02  8.424e-03   2.895 0.003793 ** 
## Amount                     6.373e-05  3.737e-05   1.705 0.088159 .  
## Age                       -1.230e-02  7.506e-03  -1.638 0.101375    
## InstallmentRatePercentage  2.085e-01  8.043e-02   2.592 0.009535 ** 
## NumberExistingCredits     -2.712e-01  1.501e-01  -1.806 0.070896 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 959.84  on 799  degrees of freedom
## Residual deviance: 915.95  on 794  degrees of freedom
## AIC: 927.95
## 
## Number of Fisher Scoring iterations: 4

Interpretasi: Metode backward stepwise mengeluarkan variabel yang tidak berkontribusi signifikan. Model final lebih parsimonious dengan AIC lebih rendah dibanding model penuh.

1.7 Uji Signifikansi Model

1.7.1 Uji G (Likelihood Ratio Test)

G_b    <- model_b$null.deviance - model_b$deviance
df_G_b <- model_b$df.null - model_b$df.residual
p_G_b  <- pchisq(G_b, df = df_G_b, lower.tail = FALSE)

uji_G_b <- data.frame(G2 = round(G_b, 3), df = df_G_b, p_value = signif(p_G_b, 4))
knitr::kable(uji_G_b, caption = "Hasil Uji G — Regresi Logistik Biner")

Hasil Uji G — Regresi Logistik Biner
G2	df	p_value
43.891	5	0

Interpretasi: p-value < 0,05 → Tolak H₀. Model secara simultan signifikan — minimal satu prediktor berpengaruh nyata terhadap probabilitas kredit macet.

1.7.2 Uji Wald (Parsial)

wald_tbl_b <- summary(model_b)$coefficients
knitr::kable(round(wald_tbl_b, 4),
             caption = "Uji Wald Parsial — Regresi Logistik Biner") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = TRUE)

Uji Wald Parsial — Regresi Logistik Biner
	Estimate	Std. Error	z value	Pr(>\|z\|)
(Intercept)	-1.4739	0.4084	-3.6091	0.0003
Duration	0.0244	0.0084	2.8949	0.0038
Amount	0.0001	0.0000	1.7052	0.0882
Age	-0.0123	0.0075	-1.6382	0.1014
InstallmentRatePercentage	0.2085	0.0804	2.5922	0.0095
NumberExistingCredits	-0.2712	0.1501	-1.8061	0.0709

Interpretasi: Variabel yang signifikan secara parsial (p < 0,05) memberikan kontribusi nyata terhadap prediksi risiko kredit macet setelah mengontrol variabel lain dalam model.

1.7.3 Uji Hosmer-Lemeshow (Goodness-of-Fit)

prob_train_b <- predict(model_b, type = "response")
hl_b <- hoslem.test(train_b$Class_bin, prob_train_b, g = 10)
print(hl_b)

## 
##  Hosmer and Lemeshow goodness of fit (GOF) test
## 
## data:  train_b$Class_bin, prob_train_b
## X-squared = 6.6697, df = 8, p-value = 0.5727

Interpretasi: Jika p-value > 0,05 → Gagal tolak H₀ → model fit dengan data. Uji Hosmer-Lemeshow sensitif terhadap ukuran sampel besar, sehingga hasil perlu dipadukan dengan evaluasi metrik lainnya.

1.8 Odds Ratio

OR_b  <- exp(coef(model_b))
CI_b  <- exp(suppressMessages(confint(model_b)))
tbl_b <- cbind("β" = round(coef(model_b), 4),
               "OR" = round(OR_b, 4),
               round(CI_b, 4))

knitr::kable(tbl_b,
             caption = "Odds Ratio dan CI 95% — Regresi Logistik Biner") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = TRUE)

Odds Ratio dan CI 95% — Regresi Logistik Biner
	β	OR	2.5 %	97.5 %
(Intercept)	-1.4739	0.2290	0.1020	0.5069
Duration	0.0244	1.0247	1.0080	1.0419
Amount	0.0001	1.0001	1.0000	1.0001
Age	-0.0123	0.9878	0.9731	1.0022
InstallmentRatePercentage	0.2085	1.2318	1.0539	1.4451
NumberExistingCredits	-0.2712	0.7625	0.5647	1.0181

Interpretasi: OR > 1 menunjukkan peningkatan peluang kredit macet. Variabel Duration (OR ≈ 1,03): setiap +1 bulan durasi kredit meningkatkan peluang macet ~3%. Variabel Age (OR < 1): setiap tambah usia menurunkan peluang macet. InstallmentRatePercentage (OR ≈ 1,22): setiap +1% cicilan meningkatkan peluang macet ~22%.

1.9 Evaluasi Model

1.9.1 Confusion Matrix

prob_test_b  <- predict(model_b, newdata = test_b, type = "response")
pred_class_b <- ifelse(prob_test_b >= 0.5, 1, 0)

cm_b <- table("Aktual" = test_b$Class_bin, "Prediksi" = pred_class_b)
cm_b

##       Prediksi
## Aktual   0   1
##      0 128   2
##      1  64   6

Interpretasi: Elemen diagonal (TN dan TP) merupakan prediksi yang benar. False Negative (nasabah macet diprediksi baik) memiliki implikasi bisnis yang lebih serius dan perlu mendapat perhatian khusus.

1.9.2 Metrik Evaluasi

TP_b <- cm_b[2,2]; TN_b <- cm_b[1,1]
FP_b <- cm_b[1,2]; FN_b <- cm_b[2,1]

Akurasi_b      <- (TP_b + TN_b) / sum(cm_b)
Sensitivitas_b <- TP_b / (TP_b + FN_b)
Spesifisitas_b <- TN_b / (TN_b + FP_b)
Presisi_b      <- TP_b / (TP_b + FP_b)
F1_b           <- 2 * Presisi_b * Sensitivitas_b / (Presisi_b + Sensitivitas_b)

hasil_metric_b <- data.frame(
  Metrik = c("Accuracy", "Sensitivity", "Specificity", "Precision", "F1-Score"),
  Nilai  = round(c(Akurasi_b, Sensitivitas_b, Spesifisitas_b, Presisi_b, F1_b), 4)
)

knitr::kable(hasil_metric_b, caption = "Metrik Evaluasi — Regresi Logistik Biner")

Metrik Evaluasi — Regresi Logistik Biner
Metrik	Nilai
Accuracy	0.6700
Sensitivity	0.0857
Specificity	0.9846
Precision	0.7500
F1-Score	0.1538

Interpretasi: Metrik evaluasi menunjukkan kemampuan model dalam mengklasifikasikan status kredit. Akurasi menunjukkan proporsi prediksi benar secara keseluruhan, sedangkan sensitivitas mengukur kemampuan mendeteksi kasus kredit macet secara spesifik.

1.10 Kurva ROC dan AUC

roc_b <- roc(test_b$Class_bin, prob_test_b)

plot(roc_b, col = "#1a7a45", lwd = 2,
     main = paste("ROC Curve | AUC =", round(auc(roc_b), 4)))
abline(a = 0, b = 1, lty = 2, col = "gray")

cat("AUC:", round(auc(roc_b), 4), "\n")

## AUC: 0.6536

Interpretasi: AUC mengukur kemampuan diskriminasi model. AUC > 0,7 menunjukkan kemampuan yang cukup baik; AUC > 0,8 dikategorikan baik. Model memiliki probabilitas sebesar nilai AUC untuk memberi skor lebih tinggi pada kasus kredit macet dibanding kredit baik yang dipilih secara acak.

1.11 Pseudo R-Squared

pR2(model_b)

## fitting null model for pseudo-r2

##           llh       llhNull            G2      McFadden          r2ML 
## -457.97291607 -479.91841541   43.89099867    0.04572756    0.05338588 
##          r2CU 
##    0.07640260

Interpretasi: McFadden R² antara 0,20–0,40 dianggap memadai untuk regresi logistik. Nilai ini menunjukkan seberapa besar variasi status kredit dapat dijelaskan oleh model.

1.12 Kesimpulan Bagian I

Regresi logistik biner berhasil memodelkan risiko kredit macet pada 1.000 nasabah German Credit Dataset.
Tidak terdapat masalah multikolinearitas (VIF seluruh prediktor < 2).
Model backward stepwise menghasilkan model yang lebih parsimonious dengan prediktor utama: Duration, Age, InstallmentRatePercentage, dan NumberExistingCredits.
Model secara simultan dan parsial signifikan berdasarkan Uji G dan Uji Wald.
Nasabah dengan durasi kredit lebih panjang, cicilan tinggi, dan banyak kredit aktif memiliki risiko kredit macet yang lebih besar.

2 Regresi Logistik Multinomial

2.1 Pendahuluan & Deskripsi Dataset

Regresi logistik multinomial merupakan perluasan dari regresi logistik biner yang digunakan ketika variabel respons bersifat nominal dengan lebih dari dua kategori tanpa urutan alami. Metode ini memodelkan log-odds setiap kategori relatif terhadap kategori referensi.

Pada analisis ini digunakan dataset NHANES (National Health and Nutrition Examination Survey) untuk memodelkan kategori aktivitas fisik berdasarkan BMI, usia, jenis kelamin, dan status merokok.

Sumber data: National Health and Nutrition Examination Survey (NHANES) — tersedia melalui package R NHANES:

https://cran.r-project.org/web/packages/NHANES/index.html

2.1.1 Variabel Penelitian

Variabel	Tipe	Keterangan	Kategori
AktivitasFisik	Respons	Kategori aktivitas fisik	Sedentary / Moderate / Active
BMI	Numerik	Body Mass Index	kg/m²
Age	Numerik	Usia responden	Tahun
Gender	Kategorik	Jenis kelamin	Male, Female
SmokeNow	Kategorik	Status merokok	Yes, No

2.2 Pemuatan Data

data("NHANES")

cat("Dimensi data NHANES:", nrow(NHANES), "baris x", ncol(NHANES), "kolom\n\n")

## Dimensi data NHANES: 10000 baris x 76 kolom

vars_used <- c("Age", "Gender", "BMI", "PhysActive", "SmokeNow")
cat("Struktur variabel yang digunakan:\n")

## Struktur variabel yang digunakan:

str(NHANES[, vars_used])

## tibble [10,000 × 5] (S3: tbl_df/tbl/data.frame)
##  $ Age       : int [1:10000] 34 34 34 4 49 9 8 45 45 45 ...
##  $ Gender    : Factor w/ 2 levels "female","male": 2 2 2 2 1 2 2 1 1 1 ...
##  $ BMI       : num [1:10000] 32.2 32.2 32.2 15.3 30.6 ...
##  $ PhysActive: Factor w/ 2 levels "No","Yes": 1 1 1 NA 1 NA NA 2 2 2 ...
##  $ SmokeNow  : Factor w/ 2 levels "No","Yes": 1 1 1 NA 2 NA NA NA NA NA ...

2.3 Preprocessing

df <- NHANES %>%
  dplyr::select(Age, Gender, BMI, PhysActive, SmokeNow) %>%
  filter(Age >= 18) %>%
  na.omit() %>%
  distinct() %>%
  mutate(
    AktivitasFisik = case_when(
      PhysActive == "No"  & BMI >= 30 ~ "Sedentary",
      PhysActive == "No"  & BMI <  30 ~ "Moderate",
      PhysActive == "Yes"             ~ "Active"
    ),
    AktivitasFisik = factor(AktivitasFisik,
                            levels = c("Sedentary", "Moderate", "Active")),
    BMI_std      = as.numeric(scale(BMI)),
    Usia         = as.numeric(Age),
    Usia_std     = as.numeric(scale(Age)),
    JenisKelamin = factor(Gender,
                          levels = c("female", "male"),
                          labels = c("Perempuan", "Laki-laki")),
    Merokok      = factor(SmokeNow,
                          levels = c("No", "Yes"),
                          labels = c("Tidak", "Ya"))
  ) %>%
  filter(!is.na(AktivitasFisik))

cat("Dimensi data setelah preprocessing:", nrow(df), "baris x", ncol(df), "kolom\n")

## Dimensi data setelah preprocessing: 2027 baris x 11 kolom

glimpse(df)

## Rows: 2,027
## Columns: 11
## $ Age            <int> 34, 49, 66, 58, 33, 60, 57, 44, 49, 28, 32, 25, 21, 78,…
## $ Gender         <fct> male, female, male, female, male, male, female, male, m…
## $ BMI            <dbl> 32.22, 30.57, 23.67, 26.22, 28.54, 25.84, 20.66, 31.43,…
## $ PhysActive     <fct> No, No, Yes, Yes, No, No, Yes, No, Yes, No, Yes, Yes, N…
## $ SmokeNow       <fct> No, Yes, No, Yes, No, No, No, Yes, Yes, Yes, Yes, Yes, …
## $ AktivitasFisik <fct> Sedentary, Sedentary, Active, Active, Moderate, Moderat…
## $ BMI_std        <dbl> 0.54325554, 0.28989809, -0.76959667, -0.37804426, -0.02…
## $ Usia           <dbl> 34, 49, 66, 58, 33, 60, 57, 44, 49, 28, 32, 25, 21, 78,…
## $ Usia_std       <dbl> -0.88131809, -0.01245922, 0.97224751, 0.50885611, -0.93…
## $ JenisKelamin   <fct> Laki-laki, Perempuan, Laki-laki, Perempuan, Laki-laki, …
## $ Merokok        <fct> Tidak, Ya, Tidak, Ya, Tidak, Tidak, Tidak, Ya, Ya, Ya, …

Interpretasi: Variabel aktivitas fisik dikategorikan menjadi 3 kategori nominal: Sedentary (tidak aktif & BMI ≥ 30), Moderate (tidak aktif & BMI < 30), dan Active (aktif secara fisik). Kategori Sedentary ditetapkan sebagai referensi.

2.4 Eksplorasi Data (EDA)

2.4.1 Statistik Deskriptif

desc_num <- df %>%
  summarise(
    `N Observasi`    = n(),
    `Rata-rata Usia` = round(mean(Usia), 2),
    `SD Usia`        = round(sd(Usia), 2),
    `Min Usia`       = min(Usia),
    `Max Usia`       = max(Usia),
    `Rata-rata BMI`  = round(mean(BMI), 2),
    `SD BMI`         = round(sd(BMI), 2),
    `Min BMI`        = round(min(BMI), 2),
    `Max BMI`        = round(max(BMI), 2)
  )

kable(t(as.data.frame(desc_num)), col.names = "Nilai",
      caption = "Statistik Deskriptif Variabel Numerik") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
                full_width = FALSE, position = "left")

Statistik Deskriptif Variabel Numerik
	Nilai
N Observasi	2027.00
Rata-rata Usia	49.22
SD Usia	17.26
Min Usia	20.00
Max Usia	80.00
Rata-rata BMI	28.68
SD BMI	6.51
Min BMI	15.02
Max BMI	67.83

2.4.2 Distribusi Variabel Respons

dist_aktivitas <- df %>%
  count(AktivitasFisik) %>%
  mutate(Proporsi = n / sum(n))

dist_aktivitas %>%
  kable(
    digits    = 3,
    caption   = "Distribusi Kategori Aktivitas Fisik",
    col.names = c("Kategori Aktivitas", "Frekuensi", "Proporsi")
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE
  )

Distribusi Kategori Aktivitas Fisik
Kategori Aktivitas	Frekuensi	Proporsi
Sedentary	427	0.211
Moderate	653	0.322
Active	947	0.467

Interpretasi: Tabel menampilkan frekuensi dan proporsi setiap kategori aktivitas fisik. Distribusi antar kategori menunjukkan komposisi data sebelum pemodelan.

2.4.3 Visualisasi Data

2.4.3.1 Distribusi Kategori Aktivitas Fisik

ggplot(df, aes(x = AktivitasFisik, fill = AktivitasFisik)) +
  geom_bar(color = "white") +
  geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5, size = 3.5) +
  scale_fill_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  labs(title = "Distribusi Kategori Aktivitas Fisik — NHANES",
       x = NULL, y = "Frekuensi") +
  theme_green() +
  theme(legend.position = "none")

Interpretasi: Grafik batang menampilkan distribusi proporsi ketiga kategori aktivitas fisik. Perbedaan proporsi memberikan gambaran awal komposisi data sebelum pemodelan.

2.4.3.2 Aktivitas Fisik berdasarkan Jenis Kelamin dan Status Merokok

p5 <- ggplot(df, aes(x = JenisKelamin, fill = AktivitasFisik)) +
  geom_bar(position = "fill", color = "white") +
  scale_fill_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  scale_y_continuous(labels = scales::percent_format()) +
  labs(title = "Proporsi Aktivitas per Jenis Kelamin",
       x = "Jenis Kelamin", y = "Proporsi", fill = "Aktivitas Fisik") +
  theme_green() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

p6 <- ggplot(df, aes(x = Merokok, fill = AktivitasFisik)) +
  geom_bar(position = "fill", color = "white") +
  scale_fill_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  scale_y_continuous(labels = scales::percent_format()) +
  labs(title = "Proporsi Aktivitas per Status Merokok",
       x = "Merokok", y = "Proporsi", fill = "Aktivitas Fisik") +
  theme_green() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

grid.arrange(p5, p6, ncol = 2)

Interpretasi: Perbedaan pola distribusi antar jenis kelamin dan status merokok mengindikasikan apakah variabel-variabel tersebut berpotensi menjadi prediktor yang signifikan dalam model multinomial.

2.4.3.3 Boxplot BMI dan Usia berdasarkan Kategori Aktivitas

p3 <- ggplot(df, aes(x = AktivitasFisik, y = Usia, fill = AktivitasFisik)) +
  geom_boxplot(alpha = 0.75, outlier.alpha = 0.3) +
  scale_fill_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  labs(title = "Usia berdasarkan Kategori Aktivitas",
       x = "Aktivitas Fisik", y = "Usia (tahun)") +
  theme_green() +
  theme(legend.position = "none")

p4 <- ggplot(df, aes(x = AktivitasFisik, y = BMI, fill = AktivitasFisik)) +
  geom_boxplot(alpha = 0.75, outlier.alpha = 0.3) +
  scale_fill_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  labs(title = "BMI berdasarkan Kategori Aktivitas",
       x = "Aktivitas Fisik", y = "BMI") +
  theme_green() +
  theme(legend.position = "none")

grid.arrange(p3, p4, ncol = 2)

Interpretasi: Perbedaan distribusi BMI antar kategori aktivitas fisik cukup mencolok — kelompok Sedentary memiliki median BMI tertinggi, konsisten dengan definisi pengelompokan yang digunakan.

2.5 Pembuatan Model Regresi Logistik Multinomial

2.5.1 Pembagian Data

df$AktivitasFisik <- relevel(df$AktivitasFisik, ref = "Sedentary")

set.seed(123)
idx_train <- createDataPartition(df$AktivitasFisik, p = 0.8, list = FALSE)
train_mn  <- df[idx_train, ]
test_mn   <- df[-idx_train, ]

cat("Jumlah training:", nrow(train_mn), "\n")

## Jumlah training: 1623

cat("Jumlah testing :", nrow(test_mn),  "\n")

## Jumlah testing : 404

cat("\nDistribusi kelas pada data training:\n")

## 
## Distribusi kelas pada data training:

prop.table(table(train_mn$AktivitasFisik)) %>% round(3)

## 
## Sedentary  Moderate    Active 
##     0.211     0.322     0.467

2.5.2 Membangun Model

model_multi <- multinom(
  AktivitasFisik ~ BMI_std + Usia_std + JenisKelamin + Merokok,
  data  = train_mn,
  trace = FALSE
)

summary(model_multi)

## Call:
## multinom(formula = AktivitasFisik ~ BMI_std + Usia_std + JenisKelamin + 
##     Merokok, data = train_mn, trace = FALSE)
## 
## Coefficients:
##          (Intercept)   BMI_std    Usia_std JenisKelaminLaki-laki   MerokokYa
## Moderate   0.7522839 -3.026070 -0.01490766             0.1525915  0.09310304
## Active     2.0265015 -1.930848 -0.66824013             0.1598808 -0.95802952
## 
## Std. Errors:
##          (Intercept)   BMI_std   Usia_std JenisKelaminLaki-laki MerokokYa
## Moderate   0.2077867 0.1550408 0.11007578             0.1898591 0.2137585
## Active     0.1838227 0.1255139 0.09866468             0.1681264 0.1916951
## 
## Residual Deviance: 2471.55 
## AIC: 2491.55

Interpretasi: Output menampilkan dua set koefisien: Moderate vs Sedentary dan Active vs Sedentary. Koefisien positif meningkatkan peluang berada di kategori tersebut dibandingkan Sedentary, sebaliknya untuk koefisien negatif.

2.6 Tabel Koefisien, SE, z-value, dan p-value

Karena multinom() tidak menghasilkan p-value secara langsung, nilai z dan p-value dihitung dari:

\[z = \frac{\hat{\beta}}{SE(\hat{\beta})}, \quad p\text{-value} = 2\{1 - \Phi(|z|)\}\]

koef  <- summary(model_multi)$coefficients
se    <- summary(model_multi)$standard.errors
zstat <- koef / se
pval  <- (1 - pnorm(abs(zstat), 0, 1)) * 2

# Tabel Moderate vs Sedentary
tabel_mod <- data.frame(
  Variabel     = colnames(koef),
  Koefisien    = round(koef["Moderate", ], 4),
  SE           = round(se["Moderate", ], 4),
  `Nilai Z`    = round(zstat["Moderate", ], 4),
  `P-value`    = round(pval["Moderate", ], 4),
  `Odds Ratio` = round(exp(koef["Moderate", ]), 4),
  Signifikan   = ifelse(pval["Moderate", ] < 0.05, "Ya", "Tidak"),
  check.names  = FALSE
)
rownames(tabel_mod) <- NULL

kable(tabel_mod,
      caption = "Regresi Logistik Multinomial: Moderate vs Sedentary (Referensi)") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed")) %>%
  column_spec(7, bold = TRUE,
              color = ifelse(tabel_mod$Signifikan == "Ya", "#1a7a45", "#b84f5a"))

Regresi Logistik Multinomial: Moderate vs Sedentary (Referensi)
Variabel	Koefisien	SE	Nilai Z	P-value	Odds Ratio	Signifikan
(Intercept)	0.7523	0.2078	3.6205	0.0003	2.1218	Ya
BMI_std	-3.0261	0.1550	-19.5179	0.0000	0.0485	Ya
Usia_std	-0.0149	0.1101	-0.1354	0.8923	0.9852	Tidak
JenisKelaminLaki-laki	0.1526	0.1899	0.8037	0.4216	1.1648	Tidak
MerokokYa	0.0931	0.2138	0.4356	0.6632	1.0976	Tidak

# Tabel Active vs Sedentary
tabel_act <- data.frame(
  Variabel     = colnames(koef),
  Koefisien    = round(koef["Active", ], 4),
  SE           = round(se["Active", ], 4),
  `Nilai Z`    = round(zstat["Active", ], 4),
  `P-value`    = round(pval["Active", ], 4),
  `Odds Ratio` = round(exp(koef["Active", ]), 4),
  Signifikan   = ifelse(pval["Active", ] < 0.05, "Ya", "Tidak"),
  check.names  = FALSE
)
rownames(tabel_act) <- NULL

kable(tabel_act,
      caption = "Regresi Logistik Multinomial: Active vs Sedentary (Referensi)") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed")) %>%
  column_spec(7, bold = TRUE,
              color = ifelse(tabel_act$Signifikan == "Ya", "#1a7a45", "#b84f5a"))

Regresi Logistik Multinomial: Active vs Sedentary (Referensi)
Variabel	Koefisien	SE	Nilai Z	P-value	Odds Ratio	Signifikan
(Intercept)	2.0265	0.1838	11.0242	0.0000	7.5875	Ya
BMI_std	-1.9308	0.1255	-15.3835	0.0000	0.1450	Ya
Usia_std	-0.6682	0.0987	-6.7728	0.0000	0.5126	Ya
JenisKelaminLaki-laki	0.1599	0.1681	0.9510	0.3416	1.1734	Tidak
MerokokYa	-0.9580	0.1917	-4.9977	0.0000	0.3836	Ya

Interpretasi: Variabel dengan p-value < 0,05 berpengaruh signifikan. RRR (Relative Risk Ratio) = exp(β) > 1 berarti peningkatan odds relatif; RRR < 1 berarti penurunan odds relatif dibandingkan kategori referensi Sedentary.

2.7 Tabel Odds Ratio Gabungan dengan CI 95%

tabel_or <- data.frame(
  Variabel    = colnames(koef),
  OR_Moderate = round(exp(koef["Moderate", ]), 4),
  CI_Low_Mod  = round(exp(koef["Moderate", ] - 1.96 * se["Moderate", ]), 4),
  CI_Up_Mod   = round(exp(koef["Moderate", ] + 1.96 * se["Moderate", ]), 4),
  OR_Active   = round(exp(koef["Active", ]), 4),
  CI_Low_Act  = round(exp(koef["Active", ] - 1.96 * se["Active", ]), 4),
  CI_Up_Act   = round(exp(koef["Active", ] + 1.96 * se["Active", ]), 4)
)
rownames(tabel_or) <- NULL

kable(tabel_or,
      col.names = c("Variabel",
                    "OR (Moderate)", "CI 95% Bawah", "CI 95% Atas",
                    "OR (Active)",   "CI 95% Bawah", "CI 95% Atas"),
      caption = "Odds Ratio dan Confidence Interval 95%") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed")) %>%
  add_header_above(c(" " = 1, "Moderate vs Sedentary" = 3, "Active vs Sedentary" = 3))

Odds Ratio dan Confidence Interval 95%
	Moderate vs Sedentary			Active vs Sedentary
Variabel	OR (Moderate)	CI 95% Bawah	CI 95% Atas	OR (Active)	CI 95% Bawah	CI 95% Atas
(Intercept)	2.1218	1.4120	3.1885	7.5875	5.2921	10.8786
BMI_std	0.0485	0.0358	0.0657	0.1450	0.1134	0.1855
Usia_std	0.9852	0.7940	1.2224	0.5126	0.4225	0.6220
JenisKelaminLaki-laki	1.1648	0.8029	1.6900	1.1734	0.8440	1.6314
MerokokYa	1.0976	0.7219	1.6687	0.3836	0.2635	0.5586

2.8 Visualisasi RRR

result_multi_long <- bind_rows(
  data.frame(
    Kategori  = "Moderate",
    Variabel  = colnames(koef),
    RRR       = exp(koef["Moderate", ]),
    CI_low    = exp(koef["Moderate", ] - 1.96 * se["Moderate", ]),
    CI_high   = exp(koef["Moderate", ] + 1.96 * se["Moderate", ]),
    Signifikan = ifelse(pval["Moderate", ] < 0.05, "Ya", "Tidak")
  ),
  data.frame(
    Kategori  = "Active",
    Variabel  = colnames(koef),
    RRR       = exp(koef["Active", ]),
    CI_low    = exp(koef["Active", ] - 1.96 * se["Active", ]),
    CI_high   = exp(koef["Active", ] + 1.96 * se["Active", ]),
    Signifikan = ifelse(pval["Active", ] < 0.05, "Ya", "Tidak")
  )
) %>%
  filter(Variabel != "(Intercept)", Signifikan == "Ya")

ggplot(result_multi_long, aes(x = RRR, y = reorder(Variabel, RRR), color = Kategori)) +
  geom_point(size = 3.5) +
  geom_errorbarh(aes(xmin = CI_low, xmax = CI_high), height = 0.3) +
  geom_vline(xintercept = 1, linetype = "dashed", color = "#b84f5a") +
  scale_color_manual(values = c("Moderate" = "#1a7a45", "Active" = "#52c98a")) +
  labs(
    title    = "Relative Risk Ratio (RRR) — Variabel Signifikan",
    subtitle = "Garis merah putus-putus: RRR = 1 (tidak ada efek)",
    x        = "RRR (dengan 95% CI)",
    y        = "Variabel",
    color    = "Kategori vs Sedentary"
  ) +
  theme_green()

Interpretasi: Forest plot menampilkan RRR beserta 95% CI untuk variabel signifikan. CI yang tidak melewati RRR = 1 mengonfirmasi signifikansi statistik.

2.9 Uji Signifikansi Model (Likelihood Ratio Test)

model_null_mn <- multinom(AktivitasFisik ~ 1, data = train_mn, trace = FALSE)

lrt_mn <- lrtest(model_null_mn, model_multi)
cat("=== Likelihood Ratio Test ===\n")

## === Likelihood Ratio Test ===

print(lrt_mn)

## Likelihood ratio test
## 
## Model 1: AktivitasFisik ~ 1
## Model 2: AktivitasFisik ~ BMI_std + Usia_std + JenisKelamin + Merokok
##   #Df  LogLik Df  Chisq Pr(>Chisq)    
## 1   2 -1701.9                         
## 2  10 -1235.8  8 932.34  < 2.2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

r2_mcfadden <- 1 - (as.numeric(logLik(model_multi)) /
                    as.numeric(logLik(model_null_mn)))

cat("\nLog-Likelihood Model :", round(as.numeric(logLik(model_multi)), 4), "\n")

## 
## Log-Likelihood Model : -1235.775

cat("Log-Likelihood Null  :", round(as.numeric(logLik(model_null_mn)), 4), "\n")

## Log-Likelihood Null  : -1701.943

cat("McFadden R-squared   :", round(r2_mcfadden, 4), "\n")

## McFadden R-squared   : 0.2739

cat("AIC                  :", round(AIC(model_multi), 4), "\n")

## AIC                  : 2491.55

Interpretasi: Jika p-value < 0,05, H₀ ditolak — minimal satu prediktor berpengaruh nyata terhadap probabilitas pemilihan kategori aktivitas fisik. McFadden R² mengukur proporsi variasi yang dijelaskan model dibanding model null.

2.10 Prediksi Probabilitas

pred_mn   <- predict(model_multi, newdata = test_mn, type = "class")
prob_mn_test <- predict(model_multi, newdata = test_mn, type = "probs")

head(as.data.frame(prob_mn_test)) %>%
  kable(digits = 4, caption = "Probabilitas Prediksi untuk 6 Observasi Pertama") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Probabilitas Prediksi untuk 6 Observasi Pertama
Sedentary	Moderate	Active
0.1408	0.0681	0.7911
0.0475	0.1271	0.8255
0.0067	0.5874	0.4059
0.2770	0.2105	0.5125
0.0297	0.3687	0.6016
0.1964	0.4024	0.4011

Interpretasi: Setiap observasi mendapatkan tiga nilai probabilitas yang totalnya = 1. Kelas prediksi ditentukan berdasarkan kategori dengan probabilitas tertinggi.

2.11 Confusion Matrix & Evaluasi Model

2.11.1 Confusion Matrix

cm_mn <- confusionMatrix(pred_mn, test_mn$AktivitasFisik)
print(cm_mn)

## Confusion Matrix and Statistics
## 
##            Reference
## Prediction  Sedentary Moderate Active
##   Sedentary        58        0     19
##   Moderate          0       53     53
##   Active           27       77    117
## 
## Overall Statistics
##                                           
##                Accuracy : 0.5644          
##                  95% CI : (0.5144, 0.6133)
##     No Information Rate : 0.4678          
##     P-Value [Acc > NIR] : 6.277e-05       
##                                           
##                   Kappa : 0.2968          
##                                           
##  Mcnemar's Test P-Value : NA              
## 
## Statistics by Class:
## 
##                      Class: Sedentary Class: Moderate Class: Active
## Sensitivity                    0.6824          0.4077        0.6190
## Specificity                    0.9404          0.8066        0.5163
## Pos Pred Value                 0.7532          0.5000        0.5294
## Neg Pred Value                 0.9174          0.7416        0.6066
## Prevalence                     0.2104          0.3218        0.4678
## Detection Rate                 0.1436          0.1312        0.2896
## Detection Prevalence           0.1906          0.2624        0.5470
## Balanced Accuracy              0.8114          0.6071        0.5677

cat("\nAkurasi Model Multinomial:", round(cm_mn$overall["Accuracy"] * 100, 2), "%\n")

## 
## Akurasi Model Multinomial: 56.44 %

2.11.2 Visualisasi Confusion Matrix

cm_df <- as.data.frame(cm_mn$table)
colnames(cm_df) <- c("Prediksi", "Aktual", "Frekuensi")

ggplot(cm_df, aes(x = Aktual, y = Prediksi, fill = Frekuensi)) +
  geom_tile(color = "white") +
  geom_text(aes(label = Frekuensi), size = 5, fontface = "bold") +
  scale_fill_gradient(low = "#e8faf0", high = "#1a7a45") +
  labs(title    = "Confusion Matrix — Model Regresi Logistik Multinomial",
       x = "Kelas Aktual", y = "Kelas Prediksi") +
  theme_green() +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text  = element_text(size = 11))

Interpretasi: Elemen diagonal = prediksi benar. Elemen di luar diagonal = kesalahan klasifikasi antar kategori. Akurasi keseluruhan mencerminkan proporsi observasi yang diklasifikasikan dengan benar.

2.12 Ringkasan Model

ringkasan_mn <- data.frame(
  Metrik  = c("McFadden R-squared", "AIC", "Akurasi (Testing Set)"),
  Nilai   = c(
    round(r2_mcfadden, 4),
    round(AIC(model_multi), 2),
    paste0(round(cm_mn$overall["Accuracy"] * 100, 2), " %")
  )
)

kable(ringkasan_mn, caption = "Ringkasan Performa Model Regresi Logistik Multinomial") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)

Ringkasan Performa Model Regresi Logistik Multinomial
Metrik	Nilai
McFadden R-squared	0.2739
AIC	2491.55
Akurasi (Testing Set)	56.44 %

2.13 Kesimpulan Bagian II

Regresi logistik multinomial berhasil memodelkan kategori aktivitas fisik (Sedentary, Moderate, Active) berdasarkan BMI, usia, jenis kelamin, dan status merokok — menggunakan NHANES Dataset.
Kategori Sedentary sebagai referensi; koefisien dan RRR diinterpretasikan sebagai perbandingan peluang Moderate atau Active relatif terhadap Sedentary.
Berdasarkan LRT, model secara simultan signifikan dalam menjelaskan variasi kategori aktivitas fisik.
BMI merupakan prediktor utama — nilai BMI yang lebih tinggi cenderung meningkatkan odds berada di kelas Sedentary dibandingkan kelas lainnya.

3 Regresi Logistik Ordinal

3.1 Pendahuluan & Deskripsi Dataset

Latar Belakang

Regresi logistik ordinal (Proportional Odds Model) merupakan metode yang tepat ketika variabel respons memiliki lebih dari dua kategori yang terurut secara alami (misalnya: rendah < sedang < tinggi). Model ini menggunakan asumsi proportional odds yang mengasumsikan efek prediktor bersifat konsisten di semua batas antar kategori.

Tujuan analisis:

Mendeskripsikan distribusi prestasi akademik siswa.
Mengidentifikasi faktor-faktor yang memengaruhi tingkat prestasi.
Membangun dan menginterpretasikan model regresi logistik ordinal (proportional odds model).
Memeriksa asumsi proportional odds.

Sumber data: Student Performance Dataset — UCI Machine Learning Repository. Dataset berisi 649 siswa dari dua sekolah di Portugal:

https://archive.ics.uci.edu/dataset/320/student+performance

3.1.1 Variabel Penelitian

Variabel	Tipe	Keterangan	Rentang
grade_cat	Respons	Kategori Prestasi (ordinal)	D < C < B < A
G1	Numerik	Nilai semester 1	0–20
G2	Numerik	Nilai semester 2	0–20
studytime	Kategorik	Waktu belajar/minggu	1–4
failures	Numerik	Jumlah kegagalan kelas	0–4
absences	Numerik	Jumlah absen	0–93
Medu	Numerik	Pendidikan ibu	0–4
goout	Kategorik	Frekuensi keluar	1–5

3.2 Pemuatan Data

df_ord <- tryCatch({
  url_ord <- "https://archive.ics.uci.edu/ml/machine-learning-databases/00320/student.zip"
  tmp_ord <- tempfile(fileext = ".zip")
  download.file(url_ord, tmp_ord, quiet = TRUE, mode = "wb")
  unzip(tmp_ord, exdir = tempdir())
  read.csv(file.path(tempdir(), "student-por.csv"), sep = ";")
}, error = function(e) {
  message("Download gagal, membuat data simulasi Student Performance...")
  set.seed(42)
  n <- 649
  G1 <- round(runif(n, 4, 18))
  G2 <- round(G1 + rnorm(n, 0, 1.5))
  G2 <- pmax(0, pmin(20, G2))
  G3 <- round(G2 + rnorm(n, 0, 1.5))
  G3 <- pmax(0, pmin(20, G3))
  data.frame(
    G1        = G1, G2 = G2, G3 = G3,
    studytime = sample(1:4, n, replace = TRUE, prob = c(0.3, 0.4, 0.2, 0.1)),
    failures  = sample(0:3, n, replace = TRUE, prob = c(0.65, 0.20, 0.10, 0.05)),
    absences  = rpois(n, lambda = 4),
    Medu      = sample(0:4, n, replace = TRUE),
    goout     = sample(1:5, n, replace = TRUE)
  )
})

cat("Dimensi data:", dim(df_ord), "\n")

## Dimensi data: 649 33

# Rekategorisasi: G3 → grade_cat (ordinal, 4 kategori)
df_ord$grade_cat <- cut(df_ord$G3,
                         breaks = c(-1, 9, 11, 14, 20),
                         labels = c("D", "C", "B", "A"),
                         ordered = TRUE)

cat("\nDistribusi kategori prestasi:\n")

## 
## Distribusi kategori prestasi:

print(table(df_ord$grade_cat))

## 
##   D   C   B   A 
## 100 201 217 131

cat("\nProporsi (%):\n")

## 
## Proporsi (%):

round(prop.table(table(df_ord$grade_cat)) * 100, 2)

## 
##     D     C     B     A 
## 15.41 30.97 33.44 20.18

3.3 Eksplorasi Data (EDA)

3.3.1 Statistik Deskriptif

summary(df_ord[, c("G1", "G2", "G3", "studytime", "failures", "absences")])

##        G1             G2              G3          studytime    
##  Min.   : 0.0   Min.   : 0.00   Min.   : 0.00   Min.   :1.000  
##  1st Qu.:10.0   1st Qu.:10.00   1st Qu.:10.00   1st Qu.:1.000  
##  Median :11.0   Median :11.00   Median :12.00   Median :2.000  
##  Mean   :11.4   Mean   :11.57   Mean   :11.91   Mean   :1.931  
##  3rd Qu.:13.0   3rd Qu.:13.00   3rd Qu.:14.00   3rd Qu.:2.000  
##  Max.   :19.0   Max.   :19.00   Max.   :19.00   Max.   :4.000  
##     failures         absences     
##  Min.   :0.0000   Min.   : 0.000  
##  1st Qu.:0.0000   1st Qu.: 0.000  
##  Median :0.0000   Median : 2.000  
##  Mean   :0.2219   Mean   : 3.659  
##  3rd Qu.:0.0000   3rd Qu.: 6.000  
##  Max.   :3.0000   Max.   :32.000

3.3.2 Distribusi Variabel Respons

dist_grade <- df_ord %>%
  count(grade_cat) %>%
  mutate(proporsi = n / sum(n))

dist_grade %>%
  mutate(proporsi_fmt = percent(proporsi, accuracy = 0.1)) %>%
  kable(
    caption   = "Distribusi Tingkat Prestasi Akademik Siswa",
    col.names = c("Kategori Prestasi", "Frekuensi (n)", "Proporsi", "Proporsi (%)"),
    align     = "lrrr"
  ) %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = FALSE, position = "left"
  ) %>%
  row_spec(0, bold = TRUE, background = "#0a2e1a", color = "white")

Distribusi Tingkat Prestasi Akademik Siswa
Kategori Prestasi	Frekuensi (n)	Proporsi	Proporsi (%)
D	100	0.1540832	15.4%
C	201	0.3097072	31.0%
B	217	0.3343606	33.4%
A	131	0.2018490	20.2%

ggplot(dist_grade, aes(x = grade_cat, y = proporsi, fill = grade_cat)) +
  geom_col(width = 0.65, alpha = 0.92, show.legend = FALSE) +
  geom_text(aes(label = percent(proporsi, accuracy = 0.1)),
            vjust = -0.45, fontface = "bold", size = 4, color = "#0a2e1a") +
  scale_y_continuous(labels = percent_format(), limits = c(0, 0.65),
                     expand = expansion(mult = c(0, 0.05))) +
  scale_fill_manual(values = c("D" = "#ef4444", "C" = "#f59e0b",
                                "B" = "#1a7a45", "A" = "#0a2e1a")) +
  labs(
    title    = "Distribusi Kategori Prestasi Akademik Siswa",
    subtitle = "Respons ordinal: D < C < B < A",
    x = NULL, y = "Proporsi"
  ) +
  theme_green() +
  theme(panel.grid.major.x = element_blank(),
        axis.text.x = element_text(face = "bold"))

3.3.3 Eksplorasi Prediktor

3.3.3.1 Distribusi Nilai G1 berdasarkan Kategori Prestasi

ggplot(df_ord, aes(x = grade_cat, y = G1, fill = grade_cat)) +
  geom_boxplot(alpha = 0.8, outlier.shape = 21, show.legend = FALSE) +
  scale_fill_manual(values = c("D" = "#ef4444", "C" = "#f59e0b",
                                "B" = "#1a7a45", "A" = "#0a2e1a")) +
  labs(title = "Nilai Semester 1 (G1) berdasarkan Prestasi Akhir",
       x = "Kategori Prestasi", y = "Nilai G1 (0–20)") +
  theme_green()

3.3.3.2 Waktu Belajar vs Distribusi Prestasi

ggplot(df_ord, aes(x = factor(studytime), fill = grade_cat)) +
  geom_bar(position = "fill") +
  scale_fill_manual(values = c("D" = "#ef4444", "C" = "#f59e0b",
                                "B" = "#1a7a45", "A" = "#0a2e1a")) +
  scale_y_continuous(labels = percent_format()) +
  labs(title = "Waktu Belajar vs Distribusi Prestasi Akademik",
       x = "Waktu Belajar (1=<2j, 2=2-5j, 3=5-10j, 4=>10j)",
       y = "Proporsi", fill = "Grade") +
  theme_green()

Interpretasi: Siswa dengan waktu belajar lebih lama cenderung mencapai kategori prestasi yang lebih tinggi, mengindikasikan bahwa studytime berpotensi menjadi prediktor signifikan dalam model ordinal.

3.4 Uji Asumsi

3.4.1 Uji Proportional Odds (Brant Test)

df_model_ord <- df_ord[, c("grade_cat", "G1", "G2", "studytime",
                             "failures", "absences", "Medu", "goout")]
df_model_ord <- na.omit(df_model_ord)

model_brant <- polr(grade_cat ~ G1 + G2 + studytime + failures +
                      absences + Medu + goout,
                    data = df_model_ord, Hess = TRUE)

brant(model_brant)

## -------------------------------------------- 
## Test for X2  df  probability 
## -------------------------------------------- 
## Omnibus      14.77   14  0.39
## G1       0.75    2   0.69
## G2       9.06    2   0.01
## studytime    2.54    2   0.28
## failures 1.6 2   0.45
## absences 0.41    2   0.81
## Medu     0.9 2   0.64
## goout        0.83    2   0.66
## -------------------------------------------- 
## 
## H0: Parallel Regression Assumption holds

Brant Test (Omnibus): p-value > 0,05 → Gagal tolak H₀. Asumsi Proportional Odds terpenuhi — efek prediktor konsisten di seluruh batas kumulatif.

3.4.2 Uji Multikolinearitas (VIF)

lm_vif_ord <- lm(as.numeric(grade_cat) ~ G1 + G2 + studytime +
                   failures + absences + Medu + goout,
                 data = df_model_ord)

vif_ord <- vif(lm_vif_ord)
knitr::kable(
  data.frame(Variabel = names(vif_ord), VIF = round(vif_ord, 3)),
  caption = "Hasil Uji VIF — Regresi Logistik Ordinal"
) %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = FALSE)

Hasil Uji VIF — Regresi Logistik Ordinal
	Variabel	VIF
G1	G1	4.091
G2	G2	4.052
studytime	studytime	1.088
failures	failures	1.204
absences	absences	1.041
Medu	Medu	1.089
goout	goout	1.016

Interpretasi: Seluruh variabel memiliki nilai VIF yang rendah, menunjukkan tidak ada multikolinearitas berat yang dapat mengganggu estimasi model.

3.5 Pembagian Data

set.seed(2024)
idx_ord   <- createDataPartition(df_model_ord$grade_cat, p = 0.8, list = FALSE)
train_ord <- df_model_ord[idx_ord, ]
test_ord  <- df_model_ord[-idx_ord, ]

cat("Training:", nrow(train_ord), "| Testing:", nrow(test_ord), "\n")

## Training: 520 | Testing: 129

3.6 Pembuatan Model Regresi Logistik Ordinal

\[\text{logit}\{P(Y \leq j \mid \mathbf{x})\} = \alpha_j - \mathbf{x}^\top \boldsymbol{\beta}, \quad j = 1, 2, 3\]

model_ord <- polr(grade_cat ~ G1 + G2 + studytime + failures +
                    absences + Medu + goout,
                  data   = train_ord,
                  Hess   = TRUE,
                  method = "logistic")

summary(model_ord)

## Call:
## polr(formula = grade_cat ~ G1 + G2 + studytime + failures + absences + 
##     Medu + goout, data = train_ord, Hess = TRUE, method = "logistic")
## 
## Coefficients:
##               Value Std. Error  t value
## G1         0.503985    0.10480  4.80899
## G2         2.270792    0.19473 11.66123
## studytime  0.187958    0.15872  1.18418
## failures  -0.244319    0.23738 -1.02925
## absences  -0.002458    0.02801 -0.08775
## Medu       0.115125    0.11429  1.00726
## goout     -0.156897    0.11366 -1.38045
## 
## Intercepts:
##     Value   Std. Error t value
## D|C 24.3252  1.9660    12.3727
## C|B 31.1870  2.3876    13.0618
## B|A 38.8271  2.9271    13.2649
## 
## Residual Deviance: 400.1655 
## AIC: 420.1655

3.7 Uji Signifikansi Model

3.7.1 Uji G (Likelihood Ratio Test — Serentak)

model_null_ord <- polr(grade_cat ~ 1, data = train_ord, Hess = TRUE)
G2_ord  <- model_null_ord$deviance - model_ord$deviance
df_G_ord <- model_null_ord$edf - model_ord$edf
p_G_ord  <- pchisq(G2_ord, df = df_G_ord, lower.tail = FALSE)

cat(sprintf("G² = %.4f | df = %d | p-value = %.8f\n", G2_ord, df_G_ord, p_G_ord))

## G² = 993.7971 | df = -7 | p-value = NaN

cat("\nAIC Model Null :", AIC(model_null_ord), "\n")

## 
## AIC Model Null : 1399.963

cat("AIC Model Penuh:", AIC(model_ord), "\n")

## AIC Model Penuh: 420.1655

Interpretasi: Jika p-value < 0,05, model secara simultan signifikan — minimal satu prediktor berpengaruh nyata terhadap kategori prestasi akademik.

3.7.2 Uji Parsial (Wald)

coef_tbl_ord <- coef(summary(model_ord))
p_ord        <- pnorm(abs(coef_tbl_ord[, "t value"]), lower.tail = FALSE) * 2
coef_tbl_ord <- cbind(coef_tbl_ord, "p value" = p_ord)

n_pred <- length(coef(model_ord))

hasil_ord <- data.frame(
  Variabel = rownames(coef_tbl_ord[1:n_pred, , drop = FALSE]),
  Beta     = round(coef_tbl_ord[1:n_pred, 1], 4),
  SE       = round(coef_tbl_ord[1:n_pred, 2], 4),
  t_val    = round(coef_tbl_ord[1:n_pred, 3], 4),
  p_val    = round(coef_tbl_ord[1:n_pred, 4], 4)
)

knitr::kable(hasil_ord,
             caption = "Hasil Uji Parsial — Regresi Logistik Ordinal") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = TRUE)

Hasil Uji Parsial — Regresi Logistik Ordinal
	Variabel	Beta	SE	t_val	p_val
G1	G1	0.5040	0.1048	4.8090	0.0000
G2	G2	2.2708	0.1947	11.6612	0.0000
studytime	studytime	0.1880	0.1587	1.1842	0.2363
failures	failures	-0.2443	0.2374	-1.0293	0.3034
absences	absences	-0.0025	0.0280	-0.0878	0.9301
Medu	Medu	0.1151	0.1143	1.0073	0.3138
goout	goout	-0.1569	0.1137	-1.3804	0.1674

3.8 Odds Ratio dan Interpretasi

ci_ord <- suppressMessages(confint(model_ord))
OR_ord <- cbind(
  "OR"    = exp(coef(model_ord)),
  exp(ci_ord)
)

knitr::kable(round(OR_ord, 4),
             caption = "Odds Ratio — Regresi Logistik Ordinal") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = FALSE)

Odds Ratio — Regresi Logistik Ordinal
	OR	2.5 %	97.5 %
G1	1.6553	1.3453	2.0374
G2	9.6871	6.7773	14.5966
studytime	1.2068	0.8850	1.6512
failures	0.7832	0.4905	1.2522
absences	0.9975	0.9438	1.0533
Medu	1.1220	0.8971	1.4059
goout	0.8548	0.6829	1.0675

Panduan Membaca OR dalam Model Ordinal

OR > 1: kenaikan satu unit prediktor meningkatkan peluang berada di kategori prestasi yang lebih tinggi
OR < 1: kenaikan satu unit prediktor menurunkan peluang berada di kategori prestasi yang lebih tinggi
OR berlaku sama untuk setiap batas kumulatif (asumsi proportional odds)

Interpretasi: Variabel G2 (nilai semester 2) adalah prediktor terkuat — setiap kenaikan 1 poin meningkatkan odds berada di grade lebih tinggi secara substansial. Variabel failures (jumlah kegagalan) secara signifikan menurunkan odds prestasi tinggi. Variabel G1 dan absences juga berkontribusi signifikan.

3.9 Visualisasi Odds Ratio

koef_plot_ord <- data.frame(
  parameter  = rownames(coef_tbl_ord[1:n_pred, , drop = FALSE]),
  estimasi   = coef_tbl_ord[1:n_pred, 1],
  se         = coef_tbl_ord[1:n_pred, 2],
  p_value    = coef_tbl_ord[1:n_pred, 4]
) %>%
  mutate(
    OR      = exp(estimasi),
    CI_low  = exp(estimasi - 1.96 * se),
    CI_high = exp(estimasi + 1.96 * se),
    signifikan = p_value < 0.05
  )

ggplot(koef_plot_ord, aes(x = OR, y = reorder(parameter, OR), color = signifikan)) +
  geom_vline(xintercept = 1, linetype = "dashed",
             color = "grey60", linewidth = 0.8) +
  geom_errorbarh(aes(xmin = CI_low, xmax = CI_high),
                 height = 0.25, linewidth = 0.9) +
  geom_point(size = 4, shape = 18) +
  scale_color_manual(
    values = c("TRUE" = "#1a7a45", "FALSE" = "#95a5a6"),
    labels = c("TRUE" = "Signifikan (p<0.05)", "FALSE" = "Tidak Signifikan"),
    name   = NULL
  ) +
  scale_x_log10(breaks = c(0.25, 0.5, 1, 2, 4)) +
  labs(
    title    = "Odds Ratio dengan Interval Kepercayaan 95%",
    subtitle = "Skala log; garis putus-putus = OR = 1 (tidak ada efek)",
    x = "Odds Ratio (skala log)", y = NULL
  ) +
  theme_green() +
  theme(panel.grid.minor = element_blank())

3.10 Prediksi Probabilitas

pred_prob_ord <- predict(model_ord, newdata = test_ord, type = "probs")
pred_class_ord <- predict(model_ord, newdata = test_ord, type = "class")

data_pred_ord <- test_ord %>%
  bind_cols(as.data.frame(pred_prob_ord)) %>%
  mutate(prediksi = pred_class_ord)

head(data_pred_ord, 8) %>%
  mutate(across(c("D", "C", "B", "A"), ~ round(.x, 3))) %>%
  kable(caption = "Contoh Prediksi Probabilitas per Kategori (8 Observasi Pertama)") %>%
  kable_styling(
    bootstrap_options = c("striped", "hover", "condensed", "responsive"),
    full_width = TRUE
  ) %>%
  row_spec(0, bold = TRUE, background = "#0a2e1a", color = "white")

Contoh Prediksi Probabilitas per Kategori (8 Observasi Pertama)
	grade_cat	G1	G2	studytime	absences	Medu	goout	D	C	B	A	prediksi
8	B	10	13	2	2	4	4	0.000	0.027	0.956	0.017	B
16	A	17	17	1	6	4	4	0.000	0.000	0.000	1.000	A
21	B	12	13	2	0	4	1	0.000	0.006	0.923	0.070	B
22	B	11	12	1	0	4	2	0.000	0.125	0.871	0.003	B
24	C	10	10	2	2	2	4	0.032	0.937	0.030	0.000	C
26	B	10	11	1	6	2	2	0.003	0.743	0.254	0.000	C
28	C	11	11	1	0	4	4	0.002	0.654	0.344	0.000	C
31	C	10	11	2	0	4	2	0.002	0.654	0.344	0.000	C

Interpretasi: Setiap observasi mendapatkan empat nilai probabilitas yang totalnya = 1. Kelas prediksi ditentukan berdasarkan kategori dengan probabilitas tertinggi.

3.11 Evaluasi Model

3.11.1 Confusion Matrix

cm_ord <- confusionMatrix(pred_class_ord, test_ord$grade_cat)
print(cm_ord)

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction  D  C  B  A
##          D 15  4  0  0
##          C  5 34  9  1
##          B  0  2 32  2
##          A  0  0  2 23
## 
## Overall Statistics
##                                           
##                Accuracy : 0.8062          
##                  95% CI : (0.7274, 0.8705)
##     No Information Rate : 0.3333          
##     P-Value [Acc > NIR] : < 2.2e-16       
##                                           
##                   Kappa : 0.7335          
##                                           
##  Mcnemar's Test P-Value : NA              
## 
## Statistics by Class:
## 
##                      Class: D Class: C Class: B Class: A
## Sensitivity            0.7500   0.8500   0.7442   0.8846
## Specificity            0.9633   0.8315   0.9535   0.9806
## Pos Pred Value         0.7895   0.6939   0.8889   0.9200
## Neg Pred Value         0.9545   0.9250   0.8817   0.9712
## Prevalence             0.1550   0.3101   0.3333   0.2016
## Detection Rate         0.1163   0.2636   0.2481   0.1783
## Detection Prevalence   0.1473   0.3798   0.2791   0.1938
## Balanced Accuracy      0.8567   0.8407   0.8488   0.9326

cat("\nAkurasi keseluruhan:", percent(cm_ord$overall["Accuracy"], accuracy = 0.1), "\n")

## 
## Akurasi keseluruhan: 80.6%

3.11.2 Mean Absolute Error Ordinal

skor_ordinal <- c("D" = 1, "C" = 2, "B" = 3, "A" = 4)

mae_ordinal <- data_pred_ord %>%
  mutate(
    skor_aktual   = skor_ordinal[as.character(grade_cat)],
    skor_prediksi = skor_ordinal[as.character(prediksi)],
    ae            = abs(skor_aktual - skor_prediksi)
  ) %>%
  summarise(MAE = mean(ae))

cat("Mean Absolute Error (ordinal):", round(mae_ordinal$MAE, 4), "\n")

## Mean Absolute Error (ordinal): 0.2016

cat("(MAE = 0: sempurna; MAE = 3: terburuk untuk 4 kategori)\n")

## (MAE = 0: sempurna; MAE = 3: terburuk untuk 4 kategori)

3.11.3 Pseudo R-Squared

cat("\nPseudo R²:\n")

## 
## Pseudo R²:

pR2(model_ord)[c("McFadden", "r2CU")]

## fitting null model for pseudo-r2

##  McFadden      r2CU 
## 0.7129295 0.9147650

3.12 Pemeriksaan Asumsi Proportional Odds (Formal)

fit_clm <- ordinal::clm(
  grade_cat ~ G1 + G2 + studytime + failures + absences + Medu + goout,
  data = df_model_ord,
  link = "logit"
)

nominal_test(fit_clm)

Membaca Hasil nominal_test()

p-value > 0.05: tidak ada bukti pelanggaran proportional odds untuk prediktor tersebut.
p-value < 0.05: indikasi efek prediktor mungkin berbeda di setiap batas kumulatif — pertimbangkan model alternatif.

3.13 Kesimpulan Bagian III

Ringkasan Temuan

Prestasi akademik dimodelkan dengan 4 kategori ordinal: D < C < B < A menggunakan Student Performance Dataset.
Nilai G2 (semester 2) adalah prediktor terkuat dengan OR substansial: setiap kenaikan 1 poin meningkatkan odds berada di grade lebih tinggi secara signifikan.
Jumlah kegagalan (failures) secara signifikan menurunkan odds prestasi tinggi.
Nilai G1 dan jumlah absen juga berkontribusi signifikan terhadap prestasi.
Asumsi proportional odds terpenuhi berdasarkan Brant Test dan nominal_test().

4 Regresi Poisson

4.1 Pendahuluan

4.1.1 Deskripsi Dataset

Analisis ini menggunakan data kasus penyakit menular mingguan dari Kota New York (2015–2019), dibangun berdasarkan pola yang dipublikasikan dalam laporan NYC DOHMH.

Sumber Data

Judul: NYC DOHMH Communicable Disease Weekly Counts (simulasi berdasarkan pola pelaporan resmi)
Periode: 2015–2019
Unit observasi: Kasus penyakit per minggu
Fokus analisis: Kasus influenza mingguan

4.2 Variabel Penelitian

Variabel	Tipe	Keterangan
Count	Respons (count)	Jumlah kasus penyakit per minggu
Season	Kategorik	Musim (Winter/Spring/Summer/Fall)
Month_f	Kategorik	Bulan (faktor)
Year_c	Numerik	Tahun (dicentering di 2017)
Disease	Kategorik	Jenis penyakit

Catatan penting: Regresi Poisson digunakan ketika variabel respons berupa data cacahan (count data) — bilangan bulat non-negatif yang mencerminkan jumlah kejadian dalam suatu unit waktu atau ruang. Asumsi utama adalah equidispersion: \(\text{Var}(Y) = E(Y) = \mu\).

4.3 Pemuatan Data

set.seed(42)

diseases <- c("Influenza", "Salmonellosis", "Lyme Disease",
              "Hepatitis A", "Varicella", "Pertussis")

disease_params <- list(
  "Influenza"     = list(winter = 420, spring = 80, summer = 25, fall = 95),
  "Salmonellosis" = list(winter =  18, spring = 28, summer = 55, fall = 35),
  "Lyme Disease"  = list(winter =   2, spring = 18, summer = 42, fall = 15),
  "Hepatitis A"   = list(winter =   5, spring =  6, summer =  9, fall =  7),
  "Varicella"     = list(winter =  35, spring = 55, summer = 10, fall = 20),
  "Pertussis"     = list(winter =   8, spring = 12, summer = 18, fall = 10)
)

years      <- 2015:2019
months     <- 1:12
season_map <- c(rep("Winter", 2), rep("Spring", 3), rep("Summer", 3),
                rep("Fall", 3), "Winter")

nyc_disease <- purrr::map_dfr(years, function(yr) {
  purrr::map_dfr(diseases, function(dis) {
    purrr::map_dfr(months, function(mo) {
      seas    <- season_map[mo]
      mu      <- disease_params[[dis]][[tolower(seas)]]
      n_weeks <- 4L
      tibble::tibble(
        Year    = yr, Month = mo,
        Week    = (mo - 1) * 4 + 1:n_weeks,
        Disease = dis, Season = seas,
        Count   = rpois(n_weeks, lambda = mu)
      )
    })
  })
}) %>%
  dplyr::mutate(
    Disease = factor(Disease),
    Season  = factor(Season, levels = c("Winter", "Spring", "Summer", "Fall")),
    Month_f = factor(Month),
    Year_c  = Year - 2017
  )

dplyr::glimpse(nyc_disease)

## Rows: 1,440
## Columns: 8
## $ Year    <int> 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 2015, 20…
## $ Month   <int> 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 6,…
## $ Week    <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18,…
## $ Disease <fct> Influenza, Influenza, Influenza, Influenza, Influenza, Influen…
## $ Season  <fct> Winter, Winter, Winter, Winter, Winter, Winter, Winter, Winter…
## $ Count   <int> 448, 408, 420, 397, 417, 406, 461, 418, 91, 100, 67, 91, 88, 8…
## $ Month_f <fct> 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 6,…
## $ Year_c  <dbl> -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2, -2…

4.4 Eksplorasi Data (EDA)

4.4.1 Statistik Deskriptif

nyc_disease %>%
  dplyr::group_by(Disease) %>%
  dplyr::summarise(
    N      = dplyr::n(),
    Mean   = round(mean(Count), 1),
    SD     = round(sd(Count), 1),
    Median = round(median(Count), 1),
    Min    = min(Count),
    Max    = max(Count),
    .groups = "drop"
  ) %>%
  knitr::kable(caption = "Statistik Deskriptif Jumlah Kasus per Penyakit (Mingguan, 2015–2019)") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed","responsive"),
                             full_width = TRUE)

Statistik Deskriptif Jumlah Kasus per Penyakit (Mingguan, 2015–2019)
Disease	N	Mean	SD	Median	Min	Max
Hepatitis A	240	6.4	2.9	6	0	18
Influenza	240	156.1	156.0	89	16	461
Lyme Disease	240	19.3	15.2	16	0	61
Pertussis	240	12.0	5.1	11	2	30
Salmonellosis	240	33.7	14.5	31	11	70
Varicella	240	30.0	18.4	26	3	78

4.4.2 Distribusi Variabel Respons

ggplot(nyc_disease, aes(x = Count, fill = Disease)) +
  geom_histogram(bins = 30, alpha = 0.82, color = "white") +
  facet_wrap(~ Disease, scales = "free", ncol = 3) +
  scale_fill_manual(values = c("#0a2e1a","#1a7a45","#0d9e6a",
                                "#52c98a","#88e0b0","#b5f0d0")) +
  labs(title    = "Distribusi Jumlah Kasus Mingguan per Penyakit",
       subtitle = "NYC DOHMH — 2015–2019. Distribusi miring kanan khas data cacahan.",
       x = "Jumlah kasus per minggu", y = "Frekuensi") +
  theme_green() +
  theme(legend.position = "none")

Interpretasi: Histogram menampilkan distribusi miring ke kanan yang khas pada data hitung. Pola ini konsisten dengan distribusi Poisson. Influenza menunjukkan variabilitas musiman yang sangat tinggi dibanding penyakit lain.

4.4.3 Tren Waktu

nyc_disease %>%
  dplyr::filter(Disease %in% c("Influenza", "Salmonellosis", "Lyme Disease")) %>%
  dplyr::group_by(Disease, Year, Month) %>%
  dplyr::summarise(Total = sum(Count), .groups = "drop") %>%
  dplyr::mutate(YearMonth = Year + (Month - 1) / 12) %>%
  ggplot(aes(x = YearMonth, y = Total, color = Disease)) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 1.5, alpha = 0.7) +
  scale_color_manual(values = c("#0a2e1a", "#1a7a45", "#52c98a")) +
  labs(title    = "Tren Kasus Bulanan — Influenza, Salmonellosis, dan Lyme Disease",
       subtitle = "NYC, 2015–2019. Pola musiman sangat terlihat pada influenza.",
       x = "Tahun", y = "Total kasus per bulan", color = "Penyakit") +
  theme_green()

4.5 Pemeriksaan Awal Equidispersion

dispersion_check <- nyc_disease %>%
  dplyr::group_by(Disease) %>%
  dplyr::summarise(
    Mean     = round(mean(Count), 1),
    Variance = round(var(Count), 1),
    Ratio    = round(var(Count) / mean(Count), 2),
    Status   = ifelse(var(Count) / mean(Count) > 1.5,
                      "Overdispersion — pertimbangkan Neg.Bin.",
                      "Mendekati equidispersion"),
    .groups  = "drop"
  )

dispersion_check %>%
  knitr::kable(caption = "Pemeriksaan Equidispersion: Rasio Var/Mean per Penyakit") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed","responsive"),
                             full_width = TRUE)

Pemeriksaan Equidispersion: Rasio Var/Mean per Penyakit
Disease	Mean	Variance	Ratio	Status
Hepatitis A	6.4	8.3	1.29	Mendekati equidispersion
Influenza	156.1	24329.8	155.90	Overdispersion — pertimbangkan Neg.Bin.
Lyme Disease	19.3	231.6	12.00	Overdispersion — pertimbangkan Neg.Bin.
Pertussis	12.0	25.6	2.13	Overdispersion — pertimbangkan Neg.Bin.
Salmonellosis	33.7	211.4	6.28	Overdispersion — pertimbangkan Neg.Bin.
Varicella	30.0	337.1	11.25	Overdispersion — pertimbangkan Neg.Bin.

Interpretasi: Rasio Var/Mean mendekati 1 menunjukkan equidispersion (model Poisson sesuai). Rasio > 1,5 mengindikasikan overdispersion — pertimbangkan model Quasi-Poisson atau Negative Binomial.

4.6 Fokus Analisis: Influenza

flu_data <- nyc_disease %>% dplyr::filter(Disease == "Influenza")

flu_data %>%
  dplyr::group_by(Season) %>%
  dplyr::summarise(
    N_minggu  = dplyr::n(),
    Rata_rata = round(mean(Count), 1),
    Std_Dev   = round(sd(Count), 1),
    .groups   = "drop"
  ) %>%
  knitr::kable(caption = "Statistik Kasus Influenza per Musim (NYC, 2015–2019)") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed"),
                             full_width = FALSE)

Statistik Kasus Influenza per Musim (NYC, 2015–2019)
Season	N_minggu	Rata_rata	Std_Dev
Winter	60	421.0	18.5
Spring	60	82.6	8.3
Summer	60	24.8	4.6
Fall	60	95.8	8.3

4.7 Estimasi Model Regresi Poisson

4.7.1 Model Penuh

fit_poisson <- glm(
  Count ~ Season + Month_f + Year_c,
  data   = flu_data,
  family = poisson(link = "log")
)

summary(fit_poisson)

## 
## Call:
## glm(formula = Count ~ Season + Month_f + Year_c, family = poisson(link = "log"), 
##     data = flu_data)
## 
## Coefficients: (3 not defined because of singularities)
##               Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   6.033665   0.010947 551.179   <2e-16 ***
## SeasonSpring -1.620887   0.026942 -60.161   <2e-16 ***
## SeasonSummer -2.795007   0.045614 -61.276   <2e-16 ***
## SeasonFall   -1.474559   0.025365 -58.133   <2e-16 ***
## Month_f2      0.016991   0.015416   1.102    0.270    
## Month_f3     -0.016499   0.034960  -0.472    0.637    
## Month_f4      0.019803   0.034644   0.572    0.568    
## Month_f5            NA         NA      NA       NA    
## Month_f6     -0.064800   0.063662  -1.018    0.309    
## Month_f7     -0.017805   0.062903  -0.283    0.777    
## Month_f8            NA         NA      NA       NA    
## Month_f9      0.015069   0.032238   0.467    0.640    
## Month_f10    -0.004197   0.032393  -0.130    0.897    
## Month_f11           NA         NA      NA       NA    
## Month_f12     0.009541   0.015444   0.618    0.537    
## Year_c       -0.004486   0.003654  -1.228    0.220    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 32929.16  on 239  degrees of freedom
## Residual deviance:   184.11  on 227  degrees of freedom
## AIC: 1744.1
## 
## Number of Fisher Scoring iterations: 4

Interpretasi: Model Poisson diestimasi menggunakan fungsi link log. Koefisien menunjukkan perubahan log-rata-rata kasus per minggu untuk setiap satuan perubahan prediktor. Null deviance yang jauh lebih besar dari residual deviance menunjukkan bahwa prediktor secara kolektif meningkatkan fit model.

4.8 Uji Signifikansi Model

4.8.1 Uji G (Likelihood Ratio Test — Simultan)

\[H_0: \beta_1 = \beta_2 = \cdots = \beta_p = 0 \quad \text{vs} \quad H_1: \text{minimal satu } \beta_j \neq 0\]

\[G^2 = D_{\text{null}} - D_{\text{residual}} \sim \chi^2_{df}\]

G2_pois    <- fit_poisson$null.deviance - fit_poisson$deviance
df_G2_pois <- fit_poisson$df.null - fit_poisson$df.residual
p_G2_pois  <- pchisq(G2_pois, df = df_G2_pois, lower.tail = FALSE)

tibble::tibble(
  `Null Deviance`    = round(fit_poisson$null.deviance, 3),
  `Residual Deviance`= round(fit_poisson$deviance, 3),
  `G^2`              = round(G2_pois, 3),
  `df`               = df_G2_pois,
  `p-value`          = formatC(p_G2_pois, format = "e", digits = 4),
  `Keputusan`        = ifelse(p_G2_pois < 0.05,
                              "Tolak H_0 — Model Signifikan", "Gagal Tolak H_0")
) %>%
  knitr::kable(caption = "Hasil Uji G (Likelihood Ratio Test — Simultan)") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover"), full_width = FALSE)

Hasil Uji G (Likelihood Ratio Test — Simultan)
Null Deviance	Residual Deviance	G^2	df	p-value	Keputusan
32929.16	184.113	32745.04	12	0.0000e+00	Tolak H_0 — Model Signifikan

Interpretasi: Uji G menghasilkan p-value yang sangat kecil → H₀ ditolak: secara simultan, minimal satu variabel prediktor (musim/bulan/tahun) berpengaruh nyata terhadap rata-rata jumlah kasus influenza per minggu.

4.8.2 Uji Wald — Parsial

\[W^2_j = \left(\frac{\hat{\beta}_j}{SE(\hat{\beta}_j)}\right)^2 \sim \chi^2_1\]

wald_pois <- broom::tidy(fit_poisson) %>%
  dplyr::filter(term != "(Intercept)") %>%
  dplyr::mutate(
    W2         = round((estimate / std.error)^2, 3),
    p_value    = round(p.value, 4),
    Keterangan = ifelse(p.value < 0.05, "Signifikan", "Tidak Signifikan")
  ) %>%
  dplyr::select(term, estimate, std.error, W2, p_value, Keterangan) %>%
  dplyr::mutate(across(c(estimate, std.error), ~ round(.x, 4)))

wald_pois %>%
  knitr::kable(
    caption   = "Hasil Uji Wald (Parsial per Prediktor)",
    col.names = c("Variabel", "Estimate", "SE", "W²", "p-value", "Keterangan")
  ) %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover"), full_width = FALSE)

Hasil Uji Wald (Parsial per Prediktor)
Variabel	Estimate	SE	W²	p-value	Keterangan
SeasonSpring	-1.6209	0.0269	3619.371	0.0000	Signifikan
SeasonSummer	-2.7950	0.0456	3754.688	0.0000	Signifikan
SeasonFall	-1.4746	0.0254	3379.470	0.0000	Signifikan
Month_f2	0.0170	0.0154	1.215	0.2704	Tidak Signifikan
Month_f3	-0.0165	0.0350	0.223	0.6370	Tidak Signifikan
Month_f4	0.0198	0.0346	0.327	0.5676	Tidak Signifikan
Month_f5	NA	NA	NA	NA	NA
Month_f6	-0.0648	0.0637	1.036	0.3087	Tidak Signifikan
Month_f7	-0.0178	0.0629	0.080	0.7771	Tidak Signifikan
Month_f8	NA	NA	NA	NA	NA
Month_f9	0.0151	0.0322	0.218	0.6402	Tidak Signifikan
Month_f10	-0.0042	0.0324	0.017	0.8969	Tidak Signifikan
Month_f11	NA	NA	NA	NA	NA
Month_f12	0.0095	0.0154	0.382	0.5367	Tidak Signifikan
Year_c	-0.0045	0.0037	1.507	0.2196	Tidak Signifikan

4.9 Tabel Koefisien Poisson: IRR dan Interval Kepercayaan

Interpretasi koefisien regresi Poisson dilakukan melalui Incidence Rate Ratio (IRR):

\[IRR_j = \exp(\hat{\beta}_j), \quad \text{Perubahan (\%)} = \left[\exp(\hat{\beta}_j) - 1\right] \times 100\%\]

result_poisson <- broom::tidy(fit_poisson) %>%
  dplyr::mutate(
    IRR     = exp(estimate),
    CI_low  = exp(estimate - 1.96 * std.error),
    CI_high = exp(estimate + 1.96 * std.error),
    Perubahan_pct = round((IRR - 1) * 100, 2),
    Sig     = dplyr::case_when(
      p.value < 0.001 ~ "***",
      p.value < 0.01  ~ "**",
      p.value < 0.05  ~ "*",
      p.value < 0.1   ~ ".",
      TRUE            ~ ""
    ),
    Signifikan = ifelse(p.value < 0.05, "Ya", "Tidak")
  )

result_poisson %>%
  dplyr::mutate(dplyr::across(
    c(estimate, std.error, statistic, p.value, IRR, CI_low, CI_high),
    ~ round(.x, 4)
  )) %>%
  knitr::kable(
    caption   = "Hasil Regresi Poisson — Kasus Influenza per Minggu",
    col.names = c("Parameter", "β", "SE", "z", "p-value",
                  "IRR", "CI 2.5%", "CI 97.5%", "Perubahan (%)", "Sig", "Signifikan")
  ) %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed","responsive"),
                             full_width = TRUE) %>%
  kableExtra::row_spec(
    which(result_poisson$Signifikan == "Ya"),
    background = "#e8faf0"
  )

Hasil Regresi Poisson — Kasus Influenza per Minggu
Parameter	β	SE	z	p-value	IRR	CI 2.5%	CI 97.5%	Perubahan (%)	Sig	Signifikan
(Intercept)	6.0337	0.0109	551.1787	0.0000	417.2416	408.3847	426.2906	41624.16	***	Ya
SeasonSpring	-1.6209	0.0269	-60.1612	0.0000	0.1977	0.1876	0.2084	-80.23	***	Ya
SeasonSummer	-2.7950	0.0456	-61.2755	0.0000	0.0611	0.0559	0.0668	-93.89	***	Ya
SeasonFall	-1.4746	0.0254	-58.1332	0.0000	0.2289	0.2178	0.2405	-77.11	***	Ya
Month_f2	0.0170	0.0154	1.1022	0.2704	1.0171	0.9869	1.0483	1.71		Tidak
Month_f3	-0.0165	0.0350	-0.4719	0.6370	0.9836	0.9185	1.0534	-1.64		Tidak
Month_f4	0.0198	0.0346	0.5716	0.5676	1.0200	0.9530	1.0917	2.00		Tidak
Month_f5	NA	NA	NA	NA	NA	NA	NA	NA		NA
Month_f6	-0.0648	0.0637	-1.0179	0.3087	0.9373	0.8273	1.0618	-6.27		Tidak
Month_f7	-0.0178	0.0629	-0.2830	0.7771	0.9824	0.8684	1.1112	-1.76		Tidak
Month_f8	NA	NA	NA	NA	NA	NA	NA	NA		NA
Month_f9	0.0151	0.0322	0.4674	0.6402	1.0152	0.9530	1.0814	1.52		Tidak
Month_f10	-0.0042	0.0324	-0.1296	0.8969	0.9958	0.9346	1.0611	-0.42		Tidak
Month_f11	NA	NA	NA	NA	NA	NA	NA	NA		NA
Month_f12	0.0095	0.0154	0.6178	0.5367	1.0096	0.9795	1.0406	0.96		Tidak
Year_c	-0.0045	0.0037	-1.2276	0.2196	0.9955	0.9884	1.0027	-0.45		Tidak

Cara membaca IRR:

\(IRR > 1\): prediktor meningkatkan rata-rata jumlah kasus.
\(IRR < 1\): prediktor menurunkan rata-rata jumlah kasus.
Persentase perubahan = \((IRR - 1) \times 100\%\)
Prediktor signifikan jika 95% CI tidak mencakup nilai 1.

Interpretasi: Musim adalah prediktor dominan. Season Spring, Summer, dan Fall memiliki IRR < 1 relatif terhadap Winter (referensi), mengindikasikan jauh lebih sedikit kasus influenza di luar musim dingin. Tren tahunan (Year_c) menunjukkan perubahan rata-rata kasus per tahun.

4.10 Visualisasi IRR

result_poisson %>%
  dplyr::filter(term != "(Intercept)") %>%
  ggplot(aes(x = IRR, y = reorder(term, IRR), color = Signifikan)) +
  geom_point(size = 4.5) +
  geom_errorbarh(aes(xmin = CI_low, xmax = CI_high), height = 0.30) +
  geom_vline(xintercept = 1, linetype = "dashed",
             color = "#b84f5a", linewidth = 0.85) +
  scale_color_manual(values = c("Ya" = "#1a7a45", "Tidak" = "#b84f5a")) +
  labs(
    title    = "Incidence Rate Ratio (IRR) dengan 95% Confidence Interval",
    subtitle = "Garis merah putus = IRR 1 (tidak ada efek). Hijau = signifikan (p < 0,05)",
    x        = "IRR",
    y        = "Prediktor",
    color    = "Signifikan (p < 0,05)"
  ) +
  theme_green()

Interpretasi: Forest plot IRR menampilkan arah dan besaran pengaruh setiap prediktor beserta ketidakpastian estimasinya. Posisi titik di sebelah kiri IRR = 1 menunjukkan efek penurunan kasus.

4.11 Pemeriksaan Asumsi: Equidispersion (Dispersi Pearson)

\[\hat{\phi} = \frac{\sum_{i=1}^{n} r_{P,i}^2}{df_{\text{residual}}}\]

disp_pearson_flu <- sum(residuals(fit_poisson, type = "pearson")^2) / df.residual(fit_poisson)

tibble::tibble(
  `Dispersi Pearson (phi^)` = round(disp_pearson_flu, 4),
  `df Residual`           = df.residual(fit_poisson),
  `Interpretasi`          = dplyr::case_when(
    disp_pearson_flu > 1.5  ~ "Overdispersion — pertimbangkan Quasi-Poisson atau NB",
    disp_pearson_flu < 0.85 ~ "Underdispersion — pertimbangkan Quasi-Poisson",
    TRUE                    ~ "Equidispersion — model Poisson sesuai"
  )
) %>%
  knitr::kable(caption = "Pemeriksaan Equidispersion: Dispersi Pearson") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover"), full_width = FALSE)

Pemeriksaan Equidispersion: Dispersi Pearson
Dispersi Pearson (phi^)	df Residual	Interpretasi
0.8085	227	Underdispersion — pertimbangkan Quasi-Poisson

Interpretasi: Nilai dispersi Pearson mendekati atau melebihi 1 mengindikasikan perlunya evaluasi lebih lanjut. Jika nilai jauh dari 1, model Quasi-Poisson dapat digunakan untuk koreksi standard error.

4.12 Pemeriksaan Residual

res_df_flu <- data.frame(
  fitted   = fitted(fit_poisson),
  pearson  = residuals(fit_poisson, type = "pearson"),
  deviance = residuals(fit_poisson, type = "deviance")
)

p_res1 <- ggplot(res_df_flu, aes(x = fitted, y = pearson)) +
  geom_point(alpha = 0.30, color = "#1a7a45", size = 1.2) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "#b84f5a") +
  geom_smooth(method = "loess", se = FALSE, color = "#52c98a", linewidth = 0.9) +
  labs(title = "Residual Pearson vs Fitted", x = "Nilai Fitted", y = "Residual Pearson") +
  theme_green()

p_res2 <- ggplot(res_df_flu, aes(x = fitted, y = deviance)) +
  geom_point(alpha = 0.30, color = "#0d9e6a", size = 1.2) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "#b84f5a") +
  geom_smooth(method = "loess", se = FALSE, color = "#52c98a", linewidth = 0.9) +
  labs(title = "Residual Deviance vs Fitted", x = "Nilai Fitted", y = "Residual Deviance") +
  theme_green()

gridExtra::grid.arrange(p_res1, p_res2, ncol = 2)

Interpretasi: Plot residual digunakan untuk mendeteksi pola sistematik yang mengindikasikan misfit model. Pola acak di sekitar garis nol menunjukkan model yang baik. Kurva loess membantu mendeteksi tren nonlinear yang mungkin terlewat.

4.13 Prediksi dan Visualisasi

4.13.1 Fitted vs Aktual

flu_pred <- flu_data %>%
  dplyr::mutate(
    fitted  = fitted(fit_poisson),
    resid_p = residuals(fit_poisson, type = "pearson")
  )

flu_pred %>%
  dplyr::group_by(Year, Month) %>%
  dplyr::summarise(
    Aktual = sum(Count),
    Fitted = sum(fitted),
    .groups = "drop"
  ) %>%
  dplyr::mutate(YM = Year + (Month - 1) / 12) %>%
  tidyr::pivot_longer(cols = c(Aktual, Fitted),
                      names_to = "Tipe", values_to = "Kasus") %>%
  ggplot(aes(x = YM, y = Kasus, color = Tipe, linetype = Tipe)) +
  geom_line(linewidth = 1.15) +
  geom_point(data = . %>% dplyr::filter(Tipe == "Aktual"),
             size = 2.0, alpha = 0.7) +
  scale_color_manual(values = c("Aktual" = "#0a2e1a", "Fitted" = "#52c98a")) +
  scale_linetype_manual(values = c("Aktual" = "solid", "Fitted" = "dashed")) +
  labs(title    = "Nilai Aktual vs Fitted — Model Poisson (Influenza)",
       subtitle = "NYC DOHMH, 2015–2019. Garis putus-putus = prediksi model.",
       x = "Tahun", y = "Total kasus per bulan",
       color = NULL, linetype = NULL) +
  theme_green()

4.13.2 Efek Musim

season_newdata <- expand.grid(
  Season  = levels(flu_data$Season),
  Month_f = factor(6, levels = levels(flu_data$Month_f)),
  Year_c  = 0
)

season_pred <- season_newdata %>%
  dplyr::mutate(
    Fitted  = predict(fit_poisson, newdata = season_newdata, type = "response"),
    CI_low  = Fitted * exp(-1.96 * sqrt(1 / Fitted)),
    CI_high = Fitted * exp(+1.96 * sqrt(1 / Fitted))
  )

ggplot(season_pred, aes(x = Season, y = Fitted, fill = Season)) +
  geom_col(width = 0.62, alpha = 0.92) +
  geom_errorbar(aes(ymin = CI_low, ymax = CI_high),
                width = 0.18, color = "#0a2e1a", linewidth = 0.9) +
  geom_text(aes(label = round(Fitted, 0)),
            vjust = -0.8, fontface = "bold", color = "#0a2e1a") +
  scale_fill_manual(values = c("Winter" = "#0a2e1a", "Spring" = "#1a7a45",
                                "Summer" = "#52c98a", "Fall"   = "#0d9e6a")) +
  labs(title    = "Estimasi Rata-rata Kasus Influenza per Minggu menurut Musim",
       subtitle = "Prediksi regresi Poisson — bulan Juni, tahun 2017 (baseline).",
       x = "Musim", y = "Rata-rata kasus per minggu (prediksi)",
       caption = "Error bar: 95% CI aproksimasi") +
  theme_green() +
  theme(legend.position = "none")

Interpretasi: Grafik menampilkan estimasi rata-rata kasus influenza per minggu berdasarkan musim. Musim dingin (Winter) secara konsisten menunjukkan kasus tertinggi, sedangkan musim panas (Summer) menunjukkan kasus terendah — pola yang konsisten dengan karakteristik epidemiologi influenza.

4.14 Model Alternatif: Quasi-Poisson

model_quasi <- glm(
  Count ~ Season + Month_f + Year_c,
  data   = flu_data,
  family = quasipoisson(link = "log")
)

# Perbandingan Standard Error
se_pois  <- sqrt(diag(vcov(fit_poisson)))
se_quasi <- sqrt(diag(vcov(model_quasi)))

tibble::tibble(
  Parameter          = names(se_pois),
  `SE Poisson`       = round(se_pois, 5),
  `SE Quasi-Poisson` = round(se_quasi, 5),
  `Rasio SE (Q/P)`   = round(se_quasi / se_pois, 4)
) %>%
  knitr::kable(caption = "Perbandingan Standard Error: Poisson vs Quasi-Poisson") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover"), full_width = FALSE)

Perbandingan Standard Error: Poisson vs Quasi-Poisson
Parameter	SE Poisson	SE Quasi-Poisson	Rasio SE (Q/P)
(Intercept)	0.01095	0.00984	0.8992
SeasonSpring	0.02694	0.02423	0.8992
SeasonSummer	0.04561	0.04102	0.8992
SeasonFall	0.02537	0.02281	0.8992
Month_f2	0.01542	0.01386	0.8992
Month_f3	0.03496	0.03144	0.8992
Month_f4	0.03464	0.03115	0.8992
Month_f5	NA	NA	NA
Month_f6	0.06366	0.05724	0.8992
Month_f7	0.06290	0.05656	0.8992
Month_f8	NA	NA	NA
Month_f9	0.03224	0.02899	0.8992
Month_f10	0.03239	0.02913	0.8992
Month_f11	NA	NA	NA
Month_f12	0.01544	0.01389	0.8992
Year_c	0.00365	0.00329	0.8992

Interpretasi: Model Quasi-Poisson menghasilkan koefisien yang identik dengan Poisson biasa, namun standard error-nya disesuaikan berdasarkan nilai dispersi \(\hat{\phi}\). Jika rasio SE (Q/P) ≈ 1, tidak ada masalah dispersi. Jika > 1, overdispersion perlu ditangani.

4.15 Goodness-of-Fit Model Poisson

deviance_val <- deviance(fit_poisson)
df_residual  <- df.residual(fit_poisson)
p_deviance   <- 1 - pchisq(deviance_val, df_residual)

pearson_chi2 <- sum(residuals(fit_poisson, type = "pearson")^2)
p_pearson    <- 1 - pchisq(pearson_chi2, df_residual)
disp_ratio   <- pearson_chi2 / df_residual

tibble::tibble(
  Ukuran          = c("Deviance residual", "Pearson chi-squared",
                      "Rasio dispersi (Pearson/df)"),
  Nilai           = round(c(deviance_val, pearson_chi2, disp_ratio), 3),
  `Derajat Bebas` = c(df_residual, df_residual, NA_real_),
  `p-value`       = round(c(p_deviance, p_pearson, NA_real_), 4),
  Keterangan      = c(
    ifelse(p_deviance > 0.05, "Model sesuai", "Indikasi ketidaksesuaian"),
    ifelse(p_pearson  > 0.05, "Model sesuai", "Indikasi ketidaksesuaian"),
    ifelse(disp_ratio < 1.5,  "Equidispersion OK",
           "Pertimbangkan Quasi-Poisson/NB")
  )
) %>%
  knitr::kable(caption = "Ukuran Goodness-of-Fit Model Poisson") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed","responsive"),
                             full_width = TRUE)

Ukuran Goodness-of-Fit Model Poisson
Ukuran	Nilai	Derajat Bebas	p-value	Keterangan
Deviance residual	184.113	227	0.9832	Model sesuai
Pearson chi-squared	183.537	227	0.9844	Model sesuai
Rasio dispersi (Pearson/df)	0.809	NA	NA	Equidispersion OK

Catatan: Jika rasio dispersi > 2, terdapat overdispersion. Solusi: (1) Quasi-Poisson: family = quasipoisson; (2) Negative Binomial: MASS::glm.nb().

4.16 Kesimpulan Bagian IV

Ringkasan Temuan Utama:

Uji G: Model secara simultan signifikan — minimal satu prediktor berpengaruh nyata terhadap rata-rata jumlah kasus influenza mingguan.
Uji Wald parsial mengidentifikasi musim sebagai prediktor dominan. Kasus influenza di musim dingin jauh lebih tinggi dibandingkan musim lainnya — konsisten dengan pola epidemiologi influenza global.
Dispersi Pearson: Perlu diperiksa apakah model Poisson standar sudah memadai atau perlu digunakan Quasi-Poisson untuk standard error yang lebih akurat.
Interpretasi IRR: Setiap prediktor yang signifikan memberikan kontribusi terukur terhadap perubahan rate kasus, dengan arah dan besaran yang dapat dikuantifikasi melalui IRR dan interval kepercayaannya.
Model Poisson lebih sesuai untuk data hitung dibandingkan OLS biasa karena konsistensi target model, prediksi nonnegatif, dan kemudahan interpretasi koefisien sebagai IRR.

5 Perbandingan Keempat Model

tibble::tibble(
  Aspek = c(
    "Jenis variabel respons",
    "Distribusi asumsi",
    "Fungsi link",
    "Jumlah persamaan",
    "Interpretasi koefisien",
    "Asumsi khas",
    "Fungsi R",
    "Dataset contoh"
  ),
  `Regresi Biner` = c(
    "Dikotomi (0/1)",
    "Binomial",
    "Logit",
    "1 persamaan",
    "Odds Ratio (OR = exp(β))",
    "Independensi observasi",
    "glm(family = binomial)",
    "German Credit (n=1.000)"
  ),
  `Regresi Multinomial` = c(
    "Kategorik nominal (≥3 kategori)",
    "Multinomial",
    "Log (vs kategori referensi)",
    "K−1 persamaan logit",
    "Relative Risk Ratio (RRR = exp(β))",
    "IIA — Independence of Irrelevant Alternatives",
    "nnet::multinom()",
    "NHANES (n=~5.000)"
  ),
  `Regresi Ordinal` = c(
    "Kategorik ordinal (urutan bermakna)",
    "Multinomial dengan CDF logistik",
    "Cumulative logit",
    "J−1 threshold, satu vektor β",
    "Odds Ratio kumulatif (OR = exp(β))",
    "Proportional Odds (parallel lines)",
    "MASS::polr()",
    "Student Performance (n=649)"
  ),
  `Regresi Poisson` = c(
    "Data cacahan (0, 1, 2, ...)",
    "Poisson",
    "Log",
    "Satu persamaan",
    "Incidence Rate Ratio (IRR = exp(β))",
    "Equidispersion: E(Y) = Var(Y)",
    "glm(family = poisson)",
    "NYC DOHMH Influenza (2015–2019)"
  )
) %>%
  knitr::kable(caption = "Perbandingan Regresi Logistik Biner, Multinomial, Ordinal, dan Poisson") %>%
  kableExtra::kable_styling(bootstrap_options = c("striped","hover","condensed","responsive"),
                             full_width = TRUE)

Perbandingan Regresi Logistik Biner, Multinomial, Ordinal, dan Poisson
Aspek	Regresi Biner	Regresi Multinomial	Regresi Ordinal	Regresi Poisson
Jenis variabel respons	Dikotomi (0/1)	Kategorik nominal (≥3 kategori)	Kategorik ordinal (urutan bermakna)	Data cacahan (0, 1, 2, …)
Distribusi asumsi	Binomial	Multinomial	Multinomial dengan CDF logistik	Poisson
Fungsi link	Logit	Log (vs kategori referensi)	Cumulative logit	Log
Jumlah persamaan	1 persamaan	K−1 persamaan logit	J−1 threshold, satu vektor β	Satu persamaan
Interpretasi koefisien	Odds Ratio (OR = exp(β))	Relative Risk Ratio (RRR = exp(β))	Odds Ratio kumulatif (OR = exp(β))	Incidence Rate Ratio (IRR = exp(β))
Asumsi khas	Independensi observasi	IIA — Independence of Irrelevant Alternatives	Proportional Odds (parallel lines)	Equidispersion: E(Y) = Var(Y)
Fungsi R	glm(family = binomial)	nnet::multinom()	MASS::polr()	glm(family = poisson)
Dataset contoh	German Credit (n=1.000)	NHANES (n=~5.000)	Student Performance (n=649)	NYC DOHMH Influenza (2015–2019)

Analisis Logistik

Biner | Multinomial | Ordinal | Poisson

Reza Monika

31 Mei 2026

1 Regresi Logistik Biner

1.1 Pendahuluan & Deskripsi Dataset

1.2 Pemuatan Data

1.3 Eksplorasi Data (EDA)

1.3.1 Statistik Deskriptif

1.3.2 Visualisasi Data

1.3.2.1 Distribusi Status Kredit

1.3.2.2 Boxplot Jumlah Kredit berdasarkan Status

1.3.2.3 Distribusi Usia berdasarkan Status Kredit

1.4 Uji Asumsi

1.4.1 Uji Multikolinearitas (VIF)

1.5 Pembagian Data

1.6 Pembuatan Model

1.6.1 Model Penuh

1.6.2 Seleksi Variabel Stepwise (Backward)

1.7 Uji Signifikansi Model

1.7.1 Uji G (Likelihood Ratio Test)

1.7.2 Uji Wald (Parsial)

1.7.3 Uji Hosmer-Lemeshow (Goodness-of-Fit)

1.8 Odds Ratio

1.9 Evaluasi Model

1.9.1 Confusion Matrix

1.9.2 Metrik Evaluasi

1.10 Kurva ROC dan AUC

1.11 Pseudo R-Squared

1.12 Kesimpulan Bagian I

2 Regresi Logistik Multinomial

2.1 Pendahuluan & Deskripsi Dataset

2.1.1 Variabel Penelitian

2.2 Pemuatan Data

2.3 Preprocessing

2.4 Eksplorasi Data (EDA)

2.4.1 Statistik Deskriptif

2.4.2 Distribusi Variabel Respons

2.4.3 Visualisasi Data

2.4.3.1 Distribusi Kategori Aktivitas Fisik

2.4.3.2 Aktivitas Fisik berdasarkan Jenis Kelamin dan Status Merokok

2.4.3.3 Boxplot BMI dan Usia berdasarkan Kategori Aktivitas

2.5 Pembuatan Model Regresi Logistik Multinomial

2.5.1 Pembagian Data

2.5.2 Membangun Model

2.6 Tabel Koefisien, SE, z-value, dan p-value

2.7 Tabel Odds Ratio Gabungan dengan CI 95%

2.8 Visualisasi RRR

2.9 Uji Signifikansi Model (Likelihood Ratio Test)

2.10 Prediksi Probabilitas

2.11 Confusion Matrix & Evaluasi Model

2.11.1 Confusion Matrix

2.11.2 Visualisasi Confusion Matrix

2.12 Ringkasan Model

2.13 Kesimpulan Bagian II

3 Regresi Logistik Ordinal

3.1 Pendahuluan & Deskripsi Dataset

3.1.1 Variabel Penelitian

3.2 Pemuatan Data

3.3 Eksplorasi Data (EDA)

3.3.1 Statistik Deskriptif

3.3.2 Distribusi Variabel Respons

3.3.3 Eksplorasi Prediktor

3.3.3.1 Distribusi Nilai G1 berdasarkan Kategori Prestasi

3.3.3.2 Waktu Belajar vs Distribusi Prestasi

3.4 Uji Asumsi

3.4.1 Uji Proportional Odds (Brant Test)

3.4.2 Uji Multikolinearitas (VIF)

3.5 Pembagian Data

3.6 Pembuatan Model Regresi Logistik Ordinal

3.7 Uji Signifikansi Model

3.7.1 Uji G (Likelihood Ratio Test — Serentak)

3.7.2 Uji Parsial (Wald)

3.8 Odds Ratio dan Interpretasi

3.9 Visualisasi Odds Ratio

3.10 Prediksi Probabilitas

3.11 Evaluasi Model

3.11.1 Confusion Matrix

3.11.2 Mean Absolute Error Ordinal

3.11.3 Pseudo R-Squared