Membuat Model Diskriminan
Hallo pren prenku semua. Apakah hari ini kalian sudah menjadi seperti yang kau minta chrisee ?
Kali ini saya akan membahas beberapa cara untuk membuat model diskriminan.
Berikut merupakan data yang akan jadi kambing percobaan kita data yang digunakan adalah data kemampuan nasabah dalam membayar hutang yang terdiri atas 30 data dengan 5 variabel independen dan 1 variabel dependen yang terdiri atas 3 kategori yaitu default, late, dan repay.
Hal pertama yang kita lakukan adalah membuat statistik deskriptifnya mengunakan sintaks berikut :
ompel<-read.delim(‘clipboard’)
View(ompel)
summary(ompel)
attach(ompel)
sehingga mendapat hasil sebagai berikut
Selanjutnya melakukan uji Normalitas untuk melihat data outlier
library(MVN)
datacek<-ompel
hasildata<-mvn(datacek[,1:4], multivariateOutlierMethod = “adj”, showNewData = TRUE)
databaru<-hasildata$newData
Selanjutnya melakukan uji mvn dan uji korelasi
hasil<- mvn(databaru, mvnTest = ‘royston’, alpha = 0.05)
kor<-cor(databaru)
Lalu ada uji homoskedastisitas
uji_bart <- function(x)
{
method <- “Bartlett’s test of sphericity”
data.name <- deparse(substitute(x))
x <- subset(x, complete.cases(x))
n <- nrow(x)
p <- ncol(x)
chisq <- (1-n+(2*p+5)/6)*log(det(cor(x)))
df <- p*(p-1)/2
p.value <- pchisq(chisq, df, lower.tail=FALSE)
names(chisq) <- “Khi-squared”
names(df) <- “df”
return(structure(list(statistic=chisq, parameter=df, p.value=p.value,
method=method, data.name=data.name), class=”htest”))
}
bartlett.test(dataakhir)
uji_bart(dataakhir)
lalu sebelum kita masuk dalam analisis deskriminan ada uji
library(candisc)
x<-as.matrix(dataakhir[1:4])
x.manova<-manova(x~Pekerjaan)
x.wilks<-summary(x.manova, test=”Wilks”)
cc<-candisc(x.manova)
kita akan masuk pada tahap analisis diskriminannya
library(MASS)
library(caret)
modellda<-lda(Pekerjaan~., data = dataakhir)
modellda
pred_LDA1<- predict(modellda, dataakhir)
confmatLDA1<-confusionMatrix(pred_LDA1$class,as.factor(Pekerjaan),positive = “0”)
Dengan menggunakan tabel canonical discriminant function coefficients model yang dapat dibentuk ialah sebagai berikut:
W1 = 0.154 Outdoor + 0.446 Sosialisasi 0.189 Konservatif 0.05 Inovatif
W2 = 0.122 Outdoor +0.732 Sosialisasi — 0.638 Konservatif + 0.054 Inovatif
Proportion of trace adalah proporsi persentase pemisahan yang dicapai oleh masing-masing fungsi diskriminan. Pada model 1 didapat proporsi sebesar 0.92 dan model 2 didapat proporsi sebesar 0.072
Selain itu didapatkan hasil yang termasuk dalam kelompok
Perkerjaan 1 (costumer service) masuk sesuai kedalam kelompok sebanyak 12 karyawan.
Pekerjaan 2 (mekanik) masuk sesuai dalam kelompok perkerjaan sebanyak 12 karyawan.
Pekerjaan 3 (operator) masuk sesuai kelompok adalah 1 orang.
Semua hasil sudah sesuai masuk dalam kelompok, juga ketepatan fungsi diskriminan sebesar 86.28% dengan tingkat akurasinya sebesar 1. Nilai Kappa sebesar 1 artinya metode yg digunakan cocok untuk menjelaskan klasifikasi dari data yang digunakan.
easy kan pren ?
easy lah, pele aja bisa masa iya pren pren semua enggak.
naik ketapang makan pepaya
naik onta makan gurita
gakpapalah malam ini gak nonton anya
yang penting seperti yang kau minta
