Analisis Google Play Store Apps Menggunakan Regresi Logistik Ordinal

Pendahuluan

Data yang digunakan pada laporan ini adalah data sekunder dengan judul google play store apps. Data diperoleh dari website kaggle yaitu https://www.kaggle.com/lava18/google-play-store-apps. Data diambil pada tanggal 12 Desember 2018. Data google play store apps adalah sebagai berikut:

App Ke-	Install	Category	Rating	Type	Price	Content Rating
1	0-1000	Family	4.2	Free	$ 0	Everyone 10+
2	0-1000	Personalization	4.2	Paid	$ 1.49	Everyone
3	0-1000	Social	4.2	Paid	$ 13.99	Teen
4	0-1000	Family	4.2	Paid	$ 1.99	Everyone
5	0-1000	Family	4.2	Paid	$ 2.99	Everyone
6	0-1000	Productivity	4.2	Paid	$ 154.99	Everyone
.	.	.	.	.	.	.
.	.	.	.	.	.	.
.	.	.	.	.	.	.
10841	1000000000+	News And Magazines	3.9	Free	$ 0	Teen

Analisis yang digunakan adalah statistika deskriptif dan analisis regresi logistik ordinal. Berikut analisis pada data google play store apps:

library(shiny)
library(shinydashboard)
library(ggplot2)
library(plotly)
library(foreign)
library(nnet)
library(ordinal)
library(MASS)
library(pscl)
library(lmtest)
library(zoo)

Type<-read.csv("F:/Final/data/Type.csv")
Category<-read.csv("F:/Final/data/Category.csv")
Conrat<-read.csv("F:/Final/data/Content Rating.csv")
Scat<-read.csv("F:/Final/data/RatingPrice.csv")
Scat2<-Scat[,c(1,3)]
Scat3<-Scat[,2:3]
Pie<-read.csv("F:/Final/data/Pie.csv")
Ord<-read.csv("F:/Final/data/Ord.csv")

Statistika Deskriptif

Statistika deskriptif menggunakan diagram batang, boxplot, dan diagram lingkaran. Berikut hasil statistika deskriptif:

plot_ly(Category, x=~Install, y=~ART_AND_DESIGN,type='bar', name='Art and Design')%>% add_trace(y=~AUTO_AND_VEHICLES, name='Auto and Vehicles')%>% 
        add_trace(y=~BEAUTY, name='Beauty')%>% add_trace(y=~BOOKS_AND_REFERENCE, name='Books and Reference')%>% 
        add_trace(y=~BUSINESS, name='Business')%>% add_trace(y=~COMICS, name='Comics')%>% 
        add_trace(y=~COMMUNICATION, name='Communication')%>%add_trace(y=~DATING, name='Dating')%>%
        add_trace(y=~EDUCATION, name='Education')%>%add_trace(y=~ENTERTAINMENT, name='Entertainment')%>%
        add_trace(y=~EVENTS, name='Events')%>%add_trace(y=~FAMILY, name='Family')%>%
        add_trace(y=~FINANCE, name='Finance')%>%add_trace(y=~FOOD_AND_DRINK, name='Food and Drink')%>%
        add_trace(y=~GAME, name='Game')%>%add_trace(y=~HEALTH_AND_FITNESS, name='Health and Fitness')%>%
        add_trace(y=~HOUSE_AND_HOME, name='House and Home')%>%add_trace(y=~LIBRARIES_AND_DEMO, name='Libraries and Demo')%>%
        add_trace(y=~LIFESTYLE, name='Lifestyle')%>%add_trace(y=~MAPS_AND_NAVIGATION, name='Maps and Navigation')%>%
        add_trace(y=~MEDICAL, name='Medical')%>%add_trace(y=~NEWS_AND_MAGAZINES, name='News and Magazines')%>%
        add_trace(y=~PARENTING, name='Parenting')%>%add_trace(y=~PERSONALIZATION, name='Personalization')%>%
        add_trace(y=~PHOTOGRAPHY, name='Photography')%>%add_trace(y=~PRODUCTIVITY, name='Productivity')%>%
        add_trace(y=~SHOPPING, name='shopping')%>%add_trace(y=~SHOPPING, name='Shopping')%>%
        add_trace(y=~SOCIAL, name='Social')%>%add_trace(y=~SPORTS, name='Sports')%>%
        add_trace(y=~TOOLS, name='Tools')%>%add_trace(y=~TRAVEL_AND_LOCAL, name='Travel and Local')%>%
        add_trace(y=~VIDEO_PLAYERS, name='Video Players')%>%add_trace(y=~WEATHER, name='Weather')%>%
        layout(yaxis=list(title='Count'),barmode='group')

Hasil diagram batang di atas menunjukkan bahwa kategori aplikasi yang diinstal paling banyak pada rentang 0-1000, 1001-100000, dan 100001-1000000 adalah Auto and Vehicles dengan jumlah aplikasi kategori Auto and Vehicles berturut-turut sebanyak 301, 655, dan 763. Kategori aplikasi yang diinstal paling banyak pada rentang 10000001-1000000000 adalah Business dengan jumlah aplikasi kategori Business sebanyak 460, sedangkan kategori aplikasi yang diinstal paling banyak pada rentang 1000000000+ adalah Communication dengan jumlah aplikasi kategori **Communication* sebanyak 19.

plot_ly(Type, x=~Install, y=~Free,type='bar', name='Free')%>% add_trace(y=~Paid, name='Paid')%>%
        layout(yaxis=list(title='Count'),barmode='group')

Hasil diagram batang di atas menunjukkan bahwa aplikasi dengan type free lebih mendominasi dari pada aplikasi dengan type paid untuk semua kategori rentang jumlah install. Type free paling banyak diinstal pada rentang instal 100001-10000000 dengan jumlah aplikasi type free yaitu 3913. Type paid paling banyak diinstal pada rentang instal 1001-100000 dengan jumlah aplikasi type paid yaitu 388.

plot_ly(Conrat, x=~Install, y=~Adults_only_18._,type='bar', name='Adult only 18')%>% add_trace(y=~Everyone, name='Everyone')%>% 
        add_trace(y=~Everyone_10._, name='Everyone 10+')%>% add_trace(y=~Mature_17._, name='Mature 17+')%>% 
        add_trace(y=~Teen, name='Teen')%>% add_trace(y=~Unrated, name='Unrated')%>% 
        layout(yaxis=list(title='Count'),barmode='group')

Hasil diagram batang di atas menunjukkan bahwa aplikasi dengan conten rating everyone lebih mendominasi dari pada aplikasi dengan content rating lainnya untuk semua kategori rentang jumlah install. Jumlah content rating everyone paling banyak diinstal pada rentang instal 100001-10000000 dengan jumlah aplikasi yaitu 3121, sedangkan jumlah content rating everyone paling sedikit adalah 34 aplikasi pada rentang instal 1000000000+.

plot_ly(Scat2,y=~Rating,color=~Install,type="box")%>%layout(yaxis=list(title='Rating'))

Hasil boxplot di atas menunjukkan bahwa pada rentang instal 0-1000 dan 10000001-1000000000 memiliki nilai median yang sama yaitu 4.3 yang berarti 50% aplikasi memiliki rating di atas 4.3 sedangkan 50% sisanya memiliki rating di bawah 4.3. 50% aplikasi pada rentang instal 1001-100000 dan 100001-10000000 memiliki rating di atas 4.2 sedangkan 50% sisanya memiliki rating di bawah 4.2. Pada aplikasi yang diinstal 1000000000+, 50% aplikasi memiliki rating di atas 4.15 sedangkan 50% sisanya berada di bawah rating 4.15.

plot_ly(Scat3,y=~Price,color=~Install,type="box")%>%layout(yaxis=list(title='Price'))

Hasil boxplot di atas menunjukkan bahwa nilai median harga aplikasi pada semua rentang instal adalah $ 0, yang berarti bahwa 50% aplikasi adalah gratis sedangkan 50% aplikasi memiliki nilai harga.

plot_ly(Pie,labels=~Install,values=~Value,type='pie')%>%
          layout(xaxis=list(showgrid=FALSE,zeroline=FALSE,showticklabels=FALSE),
                 yaxis=list(showgrid=FALSE,zeroline=FALSE,showticklabels=FALSE))

Hasil diagram lingkaran di atas menunjukkan bahwa mayoritas aplikasi diinstal pada rentang 100001-10000000 dengan prosentase sebesar 37.3% dari 10841 aplikasi. Aplikasi paling sedikit diinstal terdapat pada rentang 1000000000+ dengan prosentase 0.535% dari 10841 aplikasi.

Analisis Regresi Logistik Ordinal

Analisis regresi logistik ordinal pada laporan ini menggunakan varaibel respon yaitu Install, sedangkan variabel prediktor yaitu Category, Type, Content Rating, Price, dan Rating. Berikut hasil analisis regresi logistik ordinal:

Model Regresi

polr(Install~Category+Type+Content_Rating+Rating+Price,method="logistic",data=Ord,Hess=T)

## Call:
## polr(formula = Install ~ Category + Type + Content_Rating + Rating + 
##     Price, data = Ord, Hess = T, method = "logistic")
## 
## Coefficients:
##   CategoryAUTO_AND_VEHICLES              CategoryBEAUTY 
##                -0.759953585                -0.045701847 
## CategoryBOOKS_AND_REFERENCE            CategoryBUSINESS 
##                -0.539419471                -1.605095810 
##              CategoryCOMICS       CategoryCOMMUNICATION 
##                 0.092607526                -1.500764488 
##              CategoryDATING           CategoryEDUCATION 
##                -0.953377003                -0.709356578 
##       CategoryENTERTAINMENT              CategoryEVENTS 
##                -1.253374596                -0.963944725 
##              CategoryFAMILY             CategoryFINANCE 
##                -0.611320992                -0.302198048 
##      CategoryFOOD_AND_DRINK                CategoryGAME 
##                -0.977699546                -1.115066249 
##  CategoryHEALTH_AND_FITNESS      CategoryHOUSE_AND_HOME 
##                -1.000023703                -0.790337192 
##  CategoryLIBRARIES_AND_DEMO           CategoryLIFESTYLE 
##                 0.285721887                -0.808220238 
## CategoryMAPS_AND_NAVIGATION             CategoryMEDICAL 
##                -0.556970848                -0.668497809 
##  CategoryNEWS_AND_MAGAZINES           CategoryPARENTING 
##                -0.741429106                 0.137911343 
##     CategoryPERSONALIZATION         CategoryPHOTOGRAPHY 
##                -1.016504876                -1.348475514 
##        CategoryPRODUCTIVITY            CategorySHOPPING 
##                -1.389474818                -1.277887801 
##              CategorySOCIAL              CategorySPORTS 
##                -1.082879589                -1.031831829 
##               CategoryTOOLS    CategoryTRAVEL_AND_LOCAL 
##                -0.859781934                -0.901475678 
##       CategoryVIDEO_PLAYERS             CategoryWEATHER 
##                -0.975188281                -0.904134396 
##                    TypePaid      Content_RatingEveryone 
##                 0.391275973                 0.340688519 
##  Content_RatingEveryone 10+    Content_RatingMature 17+ 
##                 0.151936365                 0.240080919 
##          Content_RatingTeen       Content_RatingUnrated 
##                 0.186510558                -0.203813945 
##                      Rating                       Price 
##                -0.819211129                 0.001923364 
## 
## Intercepts:
##                  0-1000|1000000000+     1000000000+|10000001-1000000000 
##                           -5.726478                           -5.688124 
## 10000001-1000000000|100001-10000000         100001-10000000|1001-100000 
##                           -4.653962                           -2.947035 
## 
## Residual Deviance: 28636.70 
## AIC: 28724.70

Berdasarkan hasil di diperoleh model logit sebagai berikut:
$logit[Y_{1}]$ = -5.73 - 0.76 $X_{1}(1)$ - 0.54 $X_{1}(2)$ + 0.09 $X_{1}(3)$ - 0.95 $X_{1}(4)$ - 1.25 $X_{1}(5)$ - 0.61 $X_{1}(6)$ - 0.98 $X_{1}(7)$ - $X_{1}(8)$ - 0.29 $X_{1}(9)$ - 0.56 $X_{1}(10)$ - 0.74 $X_{1}(11)$ - 1.02 $X_{1}(12)$ - 1.39 $X_{1}(13)$ - 1.08 $X_{1}(14)$ - 0.86 $X_{1}(15)$ - 0.98 $X_{1}(16)$ - 0.05 $X_{1}(17)$ - 1.61 $X_{1}(18)$ - 1.5 $X_{1}(19)$ -0.71 $X_{1}(20)$ - 0.96 $X_{1}(21)$ - 0.3 $X_{1}(22)$ - 1.12 $X_{1}(23)$ - 0.79 $X_{1}(24)$ - 0.81 $X_{1}(25)$ - 0.67 $X_{1}(26)$ + 0.14 $X_{1}(27)$ - 0.9 $X_{1}(28)$ - 0.9 $X_{1}(29)$ + 0.39 $X_{2}(1)$ + 0.15 $X_{3}(1)$ + 0.18 $X_{3}(2)$ + 0.34 $X_{3}(3)$ + 0.24 $X_{3}(4)$ - 0.2 $X_{3}(5)$ - 0.819 $X_{4}$ + 0.002 $X_{5}$
$logit[Y_{2}]$ = -5.69 - 0.76 $X_{1}(1)$ - 0.54 $X_{1}(2)$ + 0.09 $X_{1}(3)$ - 0.95 $X_{1}(4)$ - 1.25 $X_{1}(5)$ - 0.61 $X_{1}(6)$ - 0.98 $X_{1}(7)$ - $X_{1}(8)$ - 0.29 $X_{1}(9)$ - 0.56 $X_{1}(10)$ - 0.74 $X_{1}(11)$ - 1.02 $X_{1}(12)$ - 1.39 $X_{1}(13)$ - 1.08 $X_{1}(14)$ - 0.86 $X_{1}(15)$ - 0.98 $X_{1}(16)$ - 0.05 $X_{1}(17)$ - 1.61 $X_{1}(18)$ - 1.5 $X_{1}(19)$ -0.71 $X_{1}(20)$ - 0.96 $X_{1}(21)$ - 0.3 $X_{1}(22)$ - 1.12 $X_{1}(23)$ - 0.79 $X_{1}(24)$ - 0.81 $X_{1}(25)$ - 0.67 $X_{1}(26)$ + 0.14 $X_{1}(27)$ - 0.9 $X_{1}(28)$ - 0.9 $X_{1}(29)$ + 0.39 $X_{2}(1)$ + 0.15 $X_{3}(1)$ + 0.18 $X_{3}(2)$ + 0.34 $X_{3}(3)$ + 0.24 $X_{3}(4)$ - 0.2 $X_{3}(5)$ - 0.819 $X_{4}$ + 0.002 $X_{5}$
$logit[Y_{3}]$ = -4.65 - 0.76 $X_{1}(1)$ - 0.54 $X_{1}(2)$ + 0.09 $X_{1}(3)$ - 0.95 $X_{1}(4)$ - 1.25 $X_{1}(5)$ - 0.61 $X_{1}(6)$ - 0.98 $X_{1}(7)$ - $X_{1}(8)$ - 0.29 $X_{1}(9)$ - 0.56 $X_{1}(10)$ - 0.74 $X_{1}(11)$ - 1.02 $X_{1}(12)$ - 1.39 $X_{1}(13)$ - 1.08 $X_{1}(14)$ - 0.86 $X_{1}(15)$ - 0.98 $X_{1}(16)$ - 0.05 $X_{1}(17)$ - 1.61 $X_{1}(18)$ - 1.5 $X_{1}(19)$ -0.71 $X_{1}(20)$ - 0.96 $X_{1}(21)$ - 0.3 $X_{1}(22)$ - 1.12 $X_{1}(23)$ - 0.79 $X_{1}(24)$ - 0.81 $X_{1}(25)$ - 0.67 $X_{1}(26)$ + 0.14 $X_{1}(27)$ - 0.9 $X_{1}(28)$ - 0.9 $X_{1}(29)$ + 0.39 $X_{2}(1)$ + 0.15 $X_{3}(1)$ + 0.18 $X_{3}(2)$ + 0.34 $X_{3}(3)$ + 0.24 $X_{3}(4)$ - 0.2 $X_{3}(5)$ - 0.819 $X_{4}$ + 0.002 $X_{5}$
$logit[Y_{4}]$ = 0.0019 - 0.76 $X_{1}(1)$ - 0.54 $X_{1}(2)$ + 0.09 $X_{1}(3)$ - 0.95 $X_{1}(4)$ - 1.25 $X_{1}(5)$ - 0.61 $X_{1}(6)$ - 0.98 $X_{1}(7)$ - $X_{1}(8)$ - 0.29 $X_{1}(9)$ - 0.56 $X_{1}(10)$ - 0.74 $X_{1}(11)$ - 1.02 $X_{1}(12)$ - 1.39 $X_{1}(13)$ - 1.08 $X_{1}(14)$ - 0.86 $X_{1}(15)$ - 0.98 $X_{1}(16)$ - 0.05 $X_{1}(17)$ - 1.61 $X_{1}(18)$ - 1.5 $X_{1}(19)$ -0.71 $X_{1}(20)$ - 0.96 $X_{1}(21)$ - 0.3 $X_{1}(22)$ - 1.12 $X_{1}(23)$ - 0.79 $X_{1}(24)$ - 0.81 $X_{1}(25)$ - 0.67 $X_{1}(26)$ + 0.14 $X_{1}(27)$ - 0.9 $X_{1}(28)$ - 0.9 $X_{1}(29)$ + 0.39 $X_{2}(1)$ + 0.15 $X_{3}(1)$ + 0.18 $X_{3}(2)$ + 0.34 $X_{3}(3)$ + 0.24 $X_{3}(4)$ - 0.2 $X_{3}(5)$ - 0.819 $X_{4}$ + 0.002 $X_{5}$

Uji Parsial

cbind(coef(summary(polr(Install~Category+Type+Content_Rating+Rating+Price,method="logistic",data=Ord,Hess=T))),"p value"=(pnorm(abs(coef(summary(polr(Install~Category+Type+Content_Rating+Rating+Price,                                          method="logistic",data=Ord,Hess=T)))[,"t value"]),lower.tail=FALSE)*2))

##                                            Value  Std. Error      t value
## CategoryAUTO_AND_VEHICLES           -0.759953585 0.298310251  -2.54752755
## CategoryBEAUTY                      -0.045701847 0.340181164  -0.13434561
## CategoryBOOKS_AND_REFERENCE         -0.539419471 0.256389313  -2.10390779
## CategoryBUSINESS                    -1.605095810 0.241767385  -6.63900885
## CategoryCOMICS                       0.092607526 0.324876917   0.28505419
## CategoryCOMMUNICATION               -1.500764488 0.239891770  -6.25600657
## CategoryDATING                      -0.953377003 0.269886634  -3.53250915
## CategoryEDUCATION                   -0.709356578 0.256609451  -2.76434315
## CategoryENTERTAINMENT               -1.253374596 0.260029981  -4.82011572
## CategoryEVENTS                      -0.963944725 0.340284434  -2.83276174
## CategoryFAMILY                      -0.611320992 0.226241237  -2.70207590
## CategoryFINANCE                     -0.302198048 0.243172385  -1.24273177
## CategoryFOOD_AND_DRINK              -0.977699546 0.270254275  -3.61770242
## CategoryGAME                        -1.115066249 0.228598568  -4.87783567
## CategoryHEALTH_AND_FITNESS          -1.000023703 0.241559042  -4.13987279
## CategoryHOUSE_AND_HOME              -0.790337192 0.285783902  -2.76550633
## CategoryLIBRARIES_AND_DEMO           0.285721887 0.305488530   0.93529497
## CategoryLIFESTYLE                   -0.808220238 0.243849636  -3.31442051
## CategoryMAPS_AND_NAVIGATION         -0.556970848 0.270876082  -2.05618319
## CategoryMEDICAL                     -0.668497809 0.243780391  -2.74221321
## CategoryNEWS_AND_MAGAZINES          -0.741429106 0.249774734  -2.96839113
## CategoryPARENTING                    0.137911343 0.319493703   0.43165590
## CategoryPERSONALIZATION             -1.016504876 0.242877734  -4.18525346
## CategoryPHOTOGRAPHY                 -1.348475514 0.240218281  -5.61354243
## CategoryPRODUCTIVITY                -1.389474818 0.238945872  -5.81501913
## CategorySHOPPING                    -1.277887801 0.245545021  -5.20429124
## CategorySOCIAL                      -1.082879589 0.247914603  -4.36795402
## CategorySPORTS                      -1.031831829 0.240609363  -4.28841095
## CategoryTOOLS                       -0.859781934 0.231568411  -3.71286364
## CategoryTRAVEL_AND_LOCAL            -0.901475678 0.248619514  -3.62592486
## CategoryVIDEO_PLAYERS               -0.975188281 0.259127820  -3.76334846
## CategoryWEATHER                     -0.904134396 0.288219373  -3.13696608
## TypePaid                             0.391275973 0.083796904   4.66933689
## Content_RatingEveryone               0.340688519 0.935876052   0.36403167
## Content_RatingEveryone 10+           0.151936365 0.939316009   0.16175213
## Content_RatingMature 17+             0.240080919 0.940044408   0.25539317
## Content_RatingTeen                   0.186510558 0.936530922   0.19915045
## Content_RatingUnrated               -0.203813945 2.042788595  -0.09977241
## Rating                              -0.819211129 0.041899947 -19.55160313
## Price                                0.001923364 0.001442355   1.33348915
## 0-1000|1000000000+                  -5.726477697 0.980565487  -5.83997476
## 1000000000+|10000001-1000000000     -5.688123511 0.980550019  -5.80095192
## 10000001-1000000000|100001-10000000 -4.653961590 0.980080802  -4.74854887
## 100001-10000000|1001-100000         -2.947035053 0.979370651  -3.00911106
##                                          p value
## CategoryAUTO_AND_VEHICLES           1.084893e-02
## CategoryBEAUTY                      8.931293e-01
## CategoryBOOKS_AND_REFERENCE         3.538649e-02
## CategoryBUSINESS                    3.157994e-11
## CategoryCOMICS                      7.756026e-01
## CategoryCOMMUNICATION               3.949601e-10
## CategoryDATING                      4.116360e-04
## CategoryEDUCATION                   5.703752e-03
## CategoryENTERTAINMENT               1.434750e-06
## CategoryEVENTS                      4.614777e-03
## CategoryFAMILY                      6.890803e-03
## CategoryFINANCE                     2.139667e-01
## CategoryFOOD_AND_DRINK              2.972299e-04
## CategoryGAME                        1.072562e-06
## CategoryHEALTH_AND_FITNESS          3.474985e-05
## CategoryHOUSE_AND_HOME              5.683450e-03
## CategoryLIBRARIES_AND_DEMO          3.496363e-01
## CategoryLIFESTYLE                   9.183328e-04
## CategoryMAPS_AND_NAVIGATION         3.976486e-02
## CategoryMEDICAL                     6.102672e-03
## CategoryNEWS_AND_MAGAZINES          2.993631e-03
## CategoryPARENTING                   6.659915e-01
## CategoryPERSONALIZATION             2.848481e-05
## CategoryPHOTOGRAPHY                 1.982260e-08
## CategoryPRODUCTIVITY                6.062695e-09
## CategorySHOPPING                    1.947384e-07
## CategorySOCIAL                      1.254159e-05
## CategorySPORTS                      1.799559e-05
## CategoryTOOLS                       2.049273e-04
## CategoryTRAVEL_AND_LOCAL            2.879291e-04
## CategoryVIDEO_PLAYERS               1.676533e-04
## CategoryWEATHER                     1.707059e-03
## TypePaid                            3.021735e-06
## Content_RatingEveryone              7.158344e-01
## Content_RatingEveryone 10+          8.715011e-01
## Content_RatingMature 17+            7.984194e-01
## Content_RatingTeen                  8.421451e-01
## Content_RatingUnrated               9.205250e-01
## Rating                              3.997594e-85
## Price                               1.823713e-01
## 0-1000|1000000000+                  5.220873e-09
## 1000000000+|10000001-1000000000     6.593951e-09
## 10000001-1000000000|100001-10000000 2.048814e-06
## 100001-10000000|1001-100000         2.620133e-03

$H_{0}$: $\beta_{i}$ = 0
$H_{1}$: $\beta_{i}$ $\neq$ 0
Taraf Signifikansi: $\alpha$ = 0.05
Daerah Penolakan: $H_{0}$ ditolak jika $P-value$ < $\alpha$.
Kesimpulan: variabel Category, Type, Rating memiliki pengaruh yang signifikan terhadap Install karena memiliki nilai $P-value$ < $\alpha$. Namun, variabel Price tidak berpengaruh signifikan terhadap Install karena nilai $P-value$ > $\alpha$.

Odd Ratio

exp(coef(polr(Install~Category+Type+Content_Rating+Rating+Price,method="logistic",data=Ord,Hess=T)))

##   CategoryAUTO_AND_VEHICLES              CategoryBEAUTY 
##                   0.4676881                   0.9553268 
## CategoryBOOKS_AND_REFERENCE            CategoryBUSINESS 
##                   0.5830867                   0.2008703 
##              CategoryCOMICS       CategoryCOMMUNICATION 
##                   1.0970311                   0.2229596 
##              CategoryDATING           CategoryEDUCATION 
##                   0.3854372                   0.4919606 
##       CategoryENTERTAINMENT              CategoryEVENTS 
##                   0.2855396                   0.3813855 
##              CategoryFAMILY             CategoryFINANCE 
##                   0.5426336                   0.7391917 
##      CategoryFOOD_AND_DRINK                CategoryGAME 
##                   0.3761755                   0.3278936 
##  CategoryHEALTH_AND_FITNESS      CategoryHOUSE_AND_HOME 
##                   0.3678707                   0.4536918 
##  CategoryLIBRARIES_AND_DEMO           CategoryLIFESTYLE 
##                   1.3307223                   0.4456505 
## CategoryMAPS_AND_NAVIGATION             CategoryMEDICAL 
##                   0.5729420                   0.5124778 
##  CategoryNEWS_AND_MAGAZINES           CategoryPARENTING 
##                   0.4764326                   1.1478738 
##     CategoryPERSONALIZATION         CategoryPHOTOGRAPHY 
##                   0.3618575                   0.2596358 
##        CategoryPRODUCTIVITY            CategorySHOPPING 
##                   0.2492061                   0.2786252 
##              CategorySOCIAL              CategorySPORTS 
##                   0.3386190                   0.3563536 
##               CategoryTOOLS    CategoryTRAVEL_AND_LOCAL 
##                   0.4232544                   0.4059701 
##       CategoryVIDEO_PLAYERS             CategoryWEATHER 
##                   0.3771213                   0.4048922 
##                    TypePaid      Content_RatingEveryone 
##                   1.4788666                   1.4059153 
##  Content_RatingEveryone 10+    Content_RatingMature 17+ 
##                   1.1640862                   1.2713520 
##          Content_RatingTeen       Content_RatingUnrated 
##                   1.2050373                   0.8156141 
##                      Rating                       Price 
##                   0.4407792                   1.0019252

Interpretasi odd ratio pada Category Auto and Vehicles adalah sebagai berikut:
Peluang aplikasi diinstal antara rentang 0-1000 pada category auto and vehicles adalah setangah kali dibandingkan dengan diinstal antara rentang 1001-100000. Peluang.
Interpretasi odd ratio pada Type Paid adalah sebagai berikut:
Peluang aplikasi diinstal antara rentang 0-1000 pada type paid adalah 1.479 kali dibandingkan dengan diinstal antara rentang 1001-100000. Peluang.
Interpretasi odd ratio pada Content Rating Everyone adalah sebagai berikut:
Peluang aplikasi diinstal antara rentang 0-1000 pada content rating everyone adalah 1.406 kali dibandingkan dengan diinstal antara rentang 1001-100000.

Nilai $R^{2}$

pR2(polr(Install~Category+Type+Content_Rating+Rating+Price,method="logistic",data=Ord,Hess=T))

##           llh       llhNull            G2      McFadden          r2ML 
## -1.431835e+04 -1.475153e+04  8.663614e+02  2.936513e-02  7.680543e-02 
##          r2CU 
##  8.221346e-02

Nilai sebesar 8.22% menunjukkan bahwa variabilitas Install yang dapat dijelaskan oleh prediktor adalah sebesar 8.22%, sedangkan sisanya dijelaskan oleh variabel diluar model.