Regresi Logistic Pengaruh Pengangguran Kota Malang
Prof Dr Suhartono M.Kom & Aang Kunaefi. Magister Informatika UIN Maulana Malik Ibrahim Malang 1 Des 2021
12/1/2021
Tahapan tahapan dalam analisis Regresi Logistic
Langkah pertama
memasukan data dalam R, Dalam penelitian ini, data tersimpan dalam CSV/ Excel. data berjumlah sebanyak 50 row. source untuk memasukan data sebagai berikut:
dataku=read.csv("D:/AANG/KULIAH/MACHINE LEARNING/DATA TUGAS.csv",sep=";",header=TRUE)
names(dataku) <- c("nama","status","pendidikan","kelamin","usia")
dataku## nama status pendidikan kelamin usia
## 1 ahmad 0 2 1 1
## 2 fahreza 1 3 1 1
## 3 fadil 1 4 2 1
## 4 jamil 1 4 2 2
## 5 sholeh 0 2 2 2
## 6 raihan 0 2 2 2
## 7 akbar 1 3 1 3
## 8 rizqi 1 2 1 2
## 9 lutfi 1 2 1 3
## 10 saiful 0 1 1 4
## 11 anwar 1 3 1 2
## 12 alfin 1 2 2 2
## 13 salman 0 2 2 2
## 14 haikal 0 2 2 4
## 15 nur 1 1 2 4
## 16 rohman 0 2 1 4
## 17 mahrus 0 1 1 4
## 18 alif 1 4 1 4
## 19 muhammad 1 3 2 2
## 20 mauludin 1 2 2 2
## 21 miftah 0 2 2 2
## 22 jannah 1 3 2 4
## 23 prasetyo 1 3 1 4
## 24 ulil 0 2 1 3
## 25 mahsyar 1 2 2 3
## 26 hosam 0 2 2 3
## 27 mido 1 2 2 2
## 28 afandi 0 1 1 2
## 29 ananda 0 1 1 2
## 30 tian 1 3 1 2
## 31 satriya 1 3 2 3
## 32 yuda 0 2 2 2
## 33 taufik 0 2 1 1
## 34 fauzan 0 1 1 1
## 35 surur 1 2 2 2
## 36 fafli 1 3 1 2
## 37 abim 1 3 2 3
## 38 yusuf 1 3 1 4
## 39 ismail 0 2 1 4
## 40 muhsin 0 3 1 2
## 41 sodig 0 2 1 1
## 42 habib 1 3 1 1
## 43 amin 1 4 2 1
## 44 ridwa 1 4 2 2
## 45 aldi 0 2 2 2
## 46 sahrul 0 2 2 2
## 47 alek 1 3 1 3
## 48 rehan 1 2 1 2
## 49 fariz 1 2 1 3
## 50 mubarok 0 1 1 4maka akan muncul tampilan seperti diatas.
langkah kedua
melakukan explorasi data dengan melihat variable serta type data dari variable yang digunakan, apakag sudah sesuai atau belum.
str(dataku)## 'data.frame': 50 obs. of 5 variables:
## $ nama : chr "ahmad" "fahreza" "fadil" "jamil" ...
## $ status : int 0 1 1 1 0 0 1 1 1 0 ...
## $ pendidikan: int 2 3 4 4 2 2 3 2 2 1 ...
## $ kelamin : int 1 1 2 2 2 2 1 1 1 1 ...
## $ usia : int 1 1 1 2 2 2 3 2 3 4 ...Dari hasil diatas tampak bahwa tipe variabel (status pekerjaan) masih berupa numerik (interger). Oleh karena itu variabel (status) tersebut perlu diubah menjadi variabel yang berupa kategorik
Langkah ketiga
Mengganti type variable.
dataku$status<-factor(dataku$status)
str(dataku)## 'data.frame': 50 obs. of 5 variables:
## $ nama : chr "ahmad" "fahreza" "fadil" "jamil" ...
## $ status : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 2 2 2 1 ...
## $ pendidikan: int 2 3 4 4 2 2 3 2 2 1 ...
## $ kelamin : int 1 1 2 2 2 2 1 1 1 1 ...
## $ usia : int 1 1 1 2 2 2 3 2 3 4 ...untuk mengetahui jumlah data yang bekerja dan yang belum bekerja. data sudah bekerja ditandai angka 0, dan data sudah bekerja ditandai angka 1. yaitu
table(dataku$status)##
## 0 1
## 22 28prop.table(table(dataku$status))##
## 0 1
## 0.44 0.56dari 50 data diketahui, yang sudah bekerja sebanyak 28 orang atau sebesar 56%, dan yang belum bekerja sebanyak 22 orang atau sebesar 44%. untuk melihat lebih jelas dalam diagram berikut:
barplot(prop.table(table(dataku$status)),col = rainbow(2),ylim = c(0,0.7),main = "Class Distribution")
Langkah keempat
yaitu membentuk model multinom. Sebelum membentuk model maka terlebih dahulu perlu di isntall beberapa package yang digunakan di dalam R untuk membentuk model multinom.
library(nnet)## Warning: package 'nnet' was built under R version 4.1.2library(lattice)
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.1.2library(caret)## Warning: package 'caret' was built under R version 4.1.2library(e1071)## Warning: package 'e1071' was built under R version 4.1.2Setelah dilakukan penginstallan maka langkah selanjutnya baru dilakukan analisis regresi logistik multinomial. yaitu membentuk model multinom dengan 3 variable bebas.
model<-multinom(status ~pendidikan+kelamin+usia, data=dataku)## # weights: 5 (4 variable)
## initial value 34.657359
## iter 10 value 22.507395
## final value 22.506991
## convergedsummary(model)## Call:
## multinom(formula = status ~ pendidikan + kelamin + usia, data = dataku)
##
## Coefficients:
## Values Std. Err.
## (Intercept) -6.7140850 2.5582420
## pendidikan 2.5483846 0.7773812
## kelamin 0.3052907 0.7420279
## usia 0.3433229 0.4133317
##
## Residual Deviance: 45.01398
## AIC: 53.01398Converged -2log Likelihood menerangkan bahwa tanpa memasukkan variabel independen (intercept only) nilainya 34.657359 Namun dengan memasukkan variabel independen ke model (final) terjadi penurunan nilai menjadi 22.507395. Kesimpulannya adalah minimal ada satu variabel bebas yang berpengaruh terhadap variabel respon atau dengan kata lain model cocok dengan data.
Selanjutnya menghitung nilai z-core (uji wald) dan p-value. untuk mengetahui pengaruh masing-masing variabel bebas terhadap variabel independen maka dapat ditunjukkan melalui nilai p (p-value) dan uji Wald. sebagai berikut:
z<-summary(model)$coefficients/summary(model)$standard.errors
z## (Intercept) pendidikan kelamin usia
## -2.6244917 3.2781658 0.4114275 0.8306231p<-(1-pnorm(abs(z),0,1))*2
p## (Intercept) pendidikan kelamin usia
## 0.00867784 0.00104484 0.68075910 0.40618660berdasarkan output diatas tampak bahwa untuk variabel pendidikan memiliki pengaruh yang signifikan dalam mendapatkan pekerjaan. sedangkan untuk variabel jenis kelamin(kelamin) dan variable usia tidak memiliki pengaruh yang signifikan
Langkah kelima
yaitu melakukan interpretasi koefisien dengan cara sebagai berikut: interpretasi koefesien dan memunculkan Odds ratio(OR)
(OR=exp(coef(model)))## (Intercept) pendidikan kelamin usia
## 0.001213696 12.786431491 1.357019391 1.409623791Nilai Odds ratio untuk yang sudah bekerja(Y=1)
Variable pendidikan yaitu : 12.786431491 Artinya semakin tinggi pendidikan yang di dapatkan akan semakin besar peluang untuk mendapatkan pekerjaan. maka peluang perusahaan menerima pegawai bagi yang pendidikannya tinggi sebesar 8.770 kali lebih besar dari pada yang lainnya.