Pengaruh Daya Tanggap dan Empati terhadap Kepuasan Penggunaan Layanan

Load Dataset

library(readxl)
Regresi_logistik <- read_excel("D:\\Regresi Logistik.xlsx")
View(Regresi_logistik)
str(Regresi_logistik)

## tibble [50 x 3] (S3: tbl_df/tbl/data.frame)
##  $ X1: num [1:50] 36 34 30 32 36 33 36 36 31 31 ...
##  $ X2: num [1:50] 45 39 38 38 45 42 45 45 36 37 ...
##  $ Y : num [1:50] 1 0 0 1 1 0 1 1 0 0 ...

Data yang digunakan mengenai daya tanggap (X1) dan empati (X2) terhadap kepuasan penggunaan layanan (Y).

Mengubah data numerik menjadi data factor

Regresi_logistik$Y <- as.factor(Regresi_logistik$Y)

Variabel Y merupakan variabel dummy dengan dua level yakni puas (1) dan tidak puas(0). Sehingga data yang diolah diganti terlebih dahulu dari numerik menjadi factor.

Uji Wald

model <- glm(Y~ X1+X2, data = Regresi_logistik, family = "binomial")
model

## 
## Call:  glm(formula = Y ~ X1 + X2, family = "binomial", data = Regresi_logistik)
## 
## Coefficients:
## (Intercept)           X1           X2  
##    -32.2559       0.1413       0.6683  
## 
## Degrees of Freedom: 49 Total (i.e. Null);  47 Residual
## Null Deviance:       68.59 
## Residual Deviance: 44.91     AIC: 50.91

summary(model)

## 
## Call:
## glm(formula = Y ~ X1 + X2, family = "binomial", data = Regresi_logistik)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.8111  -0.6160  -0.2490   0.9041   2.2058  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -32.2559     9.2487  -3.488 0.000487 ***
## X1            0.1413     0.2892   0.488 0.625209    
## X2            0.6683     0.2579   2.591 0.009567 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 68.593  on 49  degrees of freedom
## Residual deviance: 44.910  on 47  degrees of freedom
## AIC: 50.91
## 
## Number of Fisher Scoring iterations: 5

Berdasarkan Uji Wald yang dilakukan X1 secara parsial tidak berpengaruh signifikan terhadap variabel Y, sedangkan X2 secara parsial berpengaruh signifikan terhadap variabel Y.

prediksi <- predict(model, Regresi_logistik, type="response")
head(prediksi)

##          1          2          3          4          5          6 
## 0.94795273 0.19939926 0.06764822 0.08779494 0.94795273 0.61621688

Menggambarkan probabilitas antara orang ke-1 sampai orang ke-6 terhadap kepuasan layanan. Orang ke-1 memiliki probabilitas kepuasan 94.79% begitupun orang berikutnya sesusai dengan hasil yang tersedia.

Uji Goodness of Fit

library(generalhoslem)

## Loading required package: reshape

## Loading required package: MASS

logitgof(Regresi_logistik$Y, fitted(model))

## Warning in logitgof(Regresi_logistik$Y, fitted(model)): At least one cell in the
## expected frequencies table is < 1. Chi-square approximation may be incorrect.

## 
##  Hosmer and Lemeshow test (binary model)
## 
## data:  Regresi_logistik$Y, fitted(model)
## X-squared = 10.541, df = 8, p-value = 0.2291

P-value memiliki nilai 0.2291>0.05 sehingga model dapat dikatakan cocok.