TASK 20 : Analisis Regresi Logistik

sama seperti laporan kedua , semua file bisa kalian dapatkan disini 

LAPORAN PRAKTIKUM KE - 3

KOMPUTASI STATISTIKA

“Analisis Regresi Logistik”

Oleh

Nama     : Makhrifatul Murdhita

Nim        : 135090501111048

Asisten   : 1. Diana Rosyida

 2. Nur Pradina K.

LABORATORIUM STATISTIKA

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

2015

                                                   BAB I                                                  

SOURCE CODE DAN PENJELASAN

No	Source Code	Penjelasan
1.	data=read.table("C:\\Users\\Userlab\\Documents\\DHITAAAAAK.txt",header=TRUE)	Perintah untuk mengimpor data dari notepad. Data yang akan dianalisis diinisialisasi dengan variabel “Data” yang tersimpan pada drive D dengan nama file “data regresi logistik” dan format penyimpanan dalam bentuk txt.
2.	Logit=glm(Y~X1+X2,family=binomial,data=Data)	Perintah untuk melakukan analisis regresi logistik, dimana analisis tersebut masuk dalam General Linear Model (glm). Variabel yang dianalisis yaitu variabel Y sebagai variabel respon serta variabel X1 dan X2 sebagai variabel prediktor. Analisis regresi logistik termasuk dalam family “binomial”.
3.	summary(Logit)	Perintah untuk menampilkan output dari analisis regresi logistik.

BAB II

HASIL DAN PEMBAHASAN

Studi Kasus

            Berikut terdapat data 30 data penjualan sari  apel yang menyebar  di setiap pasar kota malang.. Dikumpulkan beberapa informasi untuk mengetahui pengaruh kenaikan harga (rupiah) dan  metode pemasraan yang digunakan untuk mengantisipasi terjadinya penurunan demand secara drastis dari para pedagang

Pasien ke -	X1	X2	Y
1	4500	0	0
2	1500	0	0
3	4000	0	1
4	3300	1	1
5	2000	1	1
6	2500	1	1
7	3200	0	1
8	5500	0	1
9	1200	0	1
10	3500	0	1
11	7500	0	1
12	1500	1	1
13	5200	1	0
14	7500	1	1
15	3000	0	0
16	2500	0	1
17	2000	1	0
18	6000	1	1
19	5000	1	1
20	3000	0	1
21	6000	0	1
22	6100	0	0
23	6500	0	1
24	1500	1	0
25	2000	1	0
26	4500	0	1
27	1500	1	0
28	2500	0	1
29	1500	1	0
30	3000	0	1

Keterangan: Y  = kondisi penjualan di pasar setelah mengalami kenaikan harga penjualan sari apel

X1 = Kenaikan harga (rupiah)

X2 = metode pemasraan yang digunakan untuk mengantisipasi terjadinya penurunan demand secara drastis dari para pedagang

Hasil dan Pembahasan

Call:

> source("C:\\Users\\Userlab\\Documents\\DHITAAAAAK.txt")

Error in source("C:\\Users\\Userlab\\Documents\\DHITAAAAAK.txt") :

  C:\Users\Userlab\Documents\DHITAAAAAK.txt:1:9: unexpected symbol

1: X1      X2

           ^

> data=read.table("C:\\Users\\Userlab\\Documents\\DHITAAAAAK.txt",header=TRUE)

> data

     X1 X2 Y

1  4500  0 0

2  1500  0 0

3  4000  0 1

4  3300  1 1

5  2000  1 1

6  2500  1 1

7  3200  0 1

8  5500  0 1

9  1200  0 1

10 3500  0 1

11 7500  0 1

12 1500  1 1

13 5200  1 0

14 7500  1 1

15 3000  0 0

16 2500  0 1

17 2000  1 0

18 6000  1 1

19 5000  1 1

20 3000  0 1

21 6000  0 1

22 6100  0 0

23 6500  0 1

24 1500  1 0

25 2000  1 0

26 4500  0 1

27 1500  1 0

28 2500  0 1

29 1500  1 0

30 3000  0 1

> Logit=glm(Y~X1+X2,family=binomial,data=Data)

Error in inherits(x, "data.frame") : object 'Data' not found

> Logit=glm(Y~X1+X2,family=binomial,data=data)

> summary(Logit)

Call:

glm(formula = Y ~ X1 + X2, family = binomial, data = data)

Deviance Residuals:

    Min       1Q   Median       3Q      Max 

-2.0353  -1.0295   0.6359   0.8551   1.3329 

Coefficients:

              Estimate Std. Error z value Pr(>|z|)

(Intercept) -0.0259847  1.0371281  -0.025    0.980

X1           0.0003217  0.0002444   1.316    0.188

X2          -0.8148850  0.8357435  -0.975    0.330

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 38.191  on 29  degrees of freedom

Residual deviance: 34.540  on 27  degrees of freedom

AIC: 40.540

Number of Fisher Scoring iterations: 4

Model yang terbentuk adalah

Dimana :

 X1 = Kenaikan harga (rupiah)

X2 = metode pemasraan yang digunakan untuk mengantisipasi terjadinya penurunan demand secara drastis dari para pedagang

i         = 1, 2,..., 30

Ø  Uji Parsial

H­₀  : β₀ = 0                         α = 5%

H₁  : β₀ ≠ 0

p-value = 0.980

Keputusan : Terima H₀, karena p-value > α.

Kesimpulan          : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa intersep tidak berpengaruh nyata terhadap kondisi penjualan di pasar setelah mengalami kenaikan harga penjualan sari apel

H­₀  : β₁ = 0                         α = 5%

H₁  : β₁ ≠ 0

p-value = 0.188

Keputusan : Tolak H₀, karena p-value < α.

Kesimpulan    : Dengan tingkat kepercayaan 95% dapat disimpulkan bahwa kenaikan harga berpengaruh nyata terhadap demand di setiap pasar

H­₀  : β₂ = 0                         α = 5%

H₁  : β₂ ≠ 0

p-value = 0.330

Keputusan : Terima H₀, karena p-value > α.

Kesimpulan          : Dengan tingkat kepercayaan 95% dapat disimpulkan = metode pemasraan yang digunakan untuk mengantisipasi terjadinya penurunan demand secara drastis dari para pedagang tidak berpengaruh nyata terhadap kondisi penjualan di pasar setelah mengalami kenaikan harga penjualan sari apel

BAB III
PENUTUP

3.1  Kesimpulan

                   Berdasarkan studi kasus dapat disimpulkan bahwa secara parsial Kenaikan harga (rupiah) berpengaruh nyata kondisi penjualan di pasar setelah mengalami kenaikan harga penjualan sari apel, metode pemasraan yang digunakan untuk mengantisipasi terjadinya penurunan demand secara drastis dari para pedagang tidak berpengaruh nyata terhadap kondisi penjualan di pasar setelah mengalami kenaikan harga penjualan sari apel

3.2 Saran

Pada penulisan syntax di R harus diperhatikan besar kecilnya huruf yang digunakan, karena akan memiliki makna yang berbeda.        Dan juga perlu diperhatikan dalam menginterpretasikan hasil dari Odds Ratio karena data yang digunakan kualitatif sehingga berbeda dengan interpretasi data kuantitatif.

TASK 19 : DISTRIBUSI KONTINU DAN DISKRIT

hai... untuk laporan kedua ini saya tidak menyertakan gambar dari grafiknya, namun apabila  teman teman ingin 

mengetahui grafiknya maka saya menyarankan kalian untuk mendownload filenya disini 

“DISTRIBUSI KONTINU DAN DISKRIT”

Laporan Praktikum ke-2

Disusun untuk Memenuhi Laporan Komputasi Statistika

Asisten                                    : 1. Diana Rosyida

  2. Nur Pradina K

Nama                          : Makhrifatul Murdhita

NIM                            : 95090501111048

                     

LABORATORIUM KOMPUTER

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS BRAWIJAYA

MALANG

1015

BAB 1

SOURCE CODE DAN PENJELASAN

No.	Source Code	Penjelasan
1.	y1=dhyper (x,m=5,n=10,k=7)	Untuk membuat fungsi kepekatan peluang dengan menggunakan variabel x dan 3 parameter sebaran hipergeometrik yaitu, m 5 ,n 10, dan k 7.
2.	plot(x,y1,type="l" ,lwd=2,col="green")	Untuk memplot sumbu x terhadap y1 dengan tipe garis l (solid line), ketebalan garis 2 titik dan menggunakan warna merah.
3.	y2=dhyper(x,m=3, n=10,k=5)	Untuk membuat fungsi kepekatan peluangdengan menggunakan variabel x dan 3 parameter sebaran hipergeometrik yaitu, m 3 ,n 10, dan k 5.
4.	lines(x,y2,type="l",lwd=2,col="pink")	Untuk menggabungkan kurva sumbu x terhadap sumbu y1 dan y2 dengan tipe garis l (solid line), ketebalan garis 2 titik dan menggunakan warna biru.
5.	legend("topright", c("Hypergeometric1", "Hypergeometric2"), lty=c(1,1),col= c("green","pink"))	Untuk memberi keterangan nama pada tiap sebaran dengan warna yang berbeda
6.	phyper(q=0.02,m=5,n=10,k=7)	Untuk mencari peluang pada sebaran hypergeometri dg nilai q m n k tersebut
7.	qhyper(p=0.98, m=5,n=10,k=7)	Untuk mencari titik kritis pada sebaran hypergeometric pada nilai p m n k tersebut
8.	rhyper(nn=20, m=5,n=10,k=7)	Untuk mencari nilai bilangan acak dengan panjang 20 dg nilai m n k tersebut
9.	phyper(q=0.02, m=3,n=10,k=5)	Untuk mencari peluang pada sebaran hypergeometri dg nilai q m n k tersebut
10.	qhyper(p=0.98,m=3,n=10,k=5)	Untuk mencari titik kritis pada sebaran hypergeometric pada nilai p m n k tersebut
11.	rhyper(nn=20,m=3,n=10,k=5)	Untuk mencari nilai bilangan acak dengan panjang 20 dg nilai m n k tersebut
12.	nbin.r=rnbinom(10,9,0.65)	Membuat kumpulan data yang berdistribusi binomial negatif dengan probability=0.65, berukuran 9, sebanyak 10 data secara acak. Kumpulan data tersebut dideklarasikan sebagai variabel nbin.r.
9.	nbin.r	Menampilkan isi dari variabel nbin.r pada output.
9.	nbin.1=dnbinom(nbin.r,9,0.8)	Membuat kumpulan data yang berdistribusi binomial negatif dengan probability=0.8 dari variabel nbin.r secara density. Kumpulan data tersebut dideklarasikan sebagai variabel nbin.1.
14.	nbin.1	Menampilkan isi dari variabel nbin.1 pada output.
15.	nbin.2=dnbinom(nbin.r,9,0.7)	Membuat kumpulan data yang berdistribusi binomial negatif dengan probability=0.7 dari variabel nbin.r secara density. Kumpulan data tersebut dideklarasikan sebagai variabel nbin.2.
16.	nbin.2	Menampilkan isi dari variabel nbin.2 pada output.
17.	plot(nbin.1,type="l",lwd=2,col="pink")	Membuat plot distribusi binomial negatif dari variabel nbin.1. Plot akan bertipe garis (line) dengan ketebalan sebesar 2 dan berwarna merah.
18.	lines(nbin.2,type="l",lwd=2,col="yellow")	Membuat lines  pada plot binomial negatif yang telah dibuat sebelumnya dari variabel nbin.2. Lines akan bertipe garis (line) dengan ketebalan sebesar 2 dan berwarna hitam.
19.	legend("topleft",c("probability= 0.8","probability=0.7"),lty=c(1 ,1,1),col=c("pink","yellow"))	Menambahkan legend pada plot binomial negatif yang terletak di bagian atas kiri, dibuat dengan keterangan “probability=0.8” untuk garis merah dan “probability=0.7” untuk garis hitam.
10.	pnbinom(4,9,0.8)	Mengetahui peluang yang mungkin terjadi dengan banyak sukses=4, target dari banyaknya sukses=9, dan peluang sukses dari setiap kejadian=0.8.
21.	qnbinom(0.623,9,0.8)	Mengetahui banyak sukses untuk peluang=0.625, target dari banyaknya sukses=9, dan peluang sukses dari setiap kejadian=0.8.
22.	y1=df(x,10,20)	Perintah df dapat digunakan untuk membuat fungsi kepekatan peluang pada sebaran F dengan menggunkan nilai X dan derajat bebas df=10 df2=20
23.	plot(x,y1, type="l",lwd=2,col="pink")	Digunkan untuk memplot sumbu x terhadap y1 dengan tipe garisnya adalah solid line ketebalan garis 2 dan menggunakan warna biru
24.	y2=df(x,9,20)	Perintah df dapat digunakan untuk membuat fungsi kepekatan peluang pada sebaran F dengan menggunkan nilai X dan derajat bebas df=9 df2=20
25.	lines(x,y2, type="l",lwd=2,col="black")	Digunakan untuk menggabungkan kurva X terhadap sumbu y1 dan y2 dengan tipe garisnya adalah solid line ketebalan garis 2 dan menggunakan warna merah
26.	legend("topright", c("F1","F2"),lty=c(1,1),col=c("pink","black"))	Digunakan untuk memberikan keterangan narma pada kurva black untuk db 10,20 dan biru untuk db 9,20
27.	pf(0.5,10,30)	Untuk mencari peluang pada sebaran f dg nilai q df1 10 df2 30 tersebut
28.	qf(0.8,10,30)	Untuk mencari titik kritis pada sebaran F pada nilai p df1 10 df2 30  tersebut
29.	rf(22,10,30,10)	Untuk mencari nilai bilangan acak dengan panjang 22 dg nilai df1 10 df2 30 tersebut
30	pf(0.5,9,20)	Untuk mencari peluang pada sebaran f dg nilai q df1 9 df2 20 tersebut
31	qf(0.8,9,20)	Untuk mencari titik kritis pada sebaran F pada nilai p df1 9 df2 20  tersebut
32	rf(22,9,20,10)	Untuk mencari nilai bilangan acak dengan panjang 22 dg nilai df1 9 df2 20 tersebut
33	x=seq(0,4,length=150)	Menjelaskan adanya 150 persamaan yang dibuat dengan rentang antara 0 sampai 4 dan hasilnya dinyatakan dengan variable x.
34	y1=dexp(x,rate=1,log=FALSE)	Berfungsi untuk membuat fungsi kepekatan peluang pada distribusi eksponensial dengan menggunakan nilai x dan rate=1.
35	plot(x,y1,type="l",lwd=3,col="pink")	Berfungsi untuk memplot sumbu x terhadap y1
36	y2=dexp(x,rate=1.5,log=FALSE)	Berfungsi untuk membuat fungsi kepekatan peluang pada distribusi eksponensial dengan menggunakan nilai x dan rate=1.5
37	lines(x,y2,type="l",lwd=3,col="black")	Berfungsi untuk menggabungkan kurva x terhadap sumbu y1 dan y2
38	y3=dexp(x,rate=2,log=FALSE)	Berfungsi untuk membuat fungsi kepekatan peluang pada distribusi eksponensial dengan menggunakan nilai x dan rate=2
39	lines(x,y3,type="l",lwd=3,col ="green")	Berfungsi untuk menggabungkan kurva x terhadap sumbu y1,y2 dan y3
40	legend("topright",c("rate=1"," rate=1.5","rate=2"),lty=c(1,1, 1),col=c("pink","black","green"))	Berfungsi untuk memberikan keterangan untuk setiap rate dengan warna masing-masing

BAB 2

SCREENSHOT

2.1  Distribusi f

2.2  Distribusi exponen

2.3  Distribusi Hyper

2.4  Distribusi Binomial Negatif

BAB 3

KESIMPULAN DAN SARAN

3.1 Kesimpulan

Aplikasi R mempermudah untuk melakukan plot data yang berdistribusi kontinu maupun diskrit dengan waktu yang relatif lebih cepat daripada dilakukan secara manual. Perhitungan peluang ataupun banyaknya kejadian yang sukses dari suatu peluang juga dapat dilakukan dengan cukup mudah.

3.2 Saran

Diperlukan ketelitian dalam membuat plot distribusi x2, exponen, hyper, dan negatif binomial agar hasil yang didapatkan sesuai dengan apa yang diinginkan. Variabel-variabel yang diperlukan dalam setiap distribusi juga perlu diketahui\ dan distribusi negatif binomial yang memerlukan target banyaknya sukses dan peluang sukses dari setiap kejadian.