Analisa Data menggunakan Julius.AI

Case 1 : Data Panel

Hasil Intepretasi :

1. **Penjelasan Data :

• Dependent Variable (Y):** berada dalam IFDI
• Observasi: Data panel dengan 140 observasi (10 entitas selama 14 periode waktu).
• Covariance Estimator: Tidak disesuaikan (unadjusted).
• R-squared: Menunjukkan variasi yang dijelaskan oleh model. Nilai R-squared within sebesar 0.3455 berarti 34,55% dari variasi dalam variabel dependen dijelaskan oleh variabel independen dalam kelompok (within entities).

2. Estimasi Parameter :

• Konstanta (const): Nilai konstanta signifikan dengan nilai p < 0.05. Interpretasinya adalah ketika semua variabel independen bernilai nol, nilai IFDI diprediksi sebesar 8.7068.
• GDP_cap: Berpengaruh positif signifikan terhadap IFDI (p-value = 0.0000), menunjukkan bahwa peningkatan PDB per kapita meningkatkan investasi langsung asing masuk.
• Unemp (Pengangguran): Tidak signifikan (p-value = 0.345), sehingga tidak cukup bukti bahwa pengangguran memengaruhi IFDI.
• Inflation: Signifikan (p-value = 0.0385) dan berpengaruh positif terhadap IFDI.
• Sec_Industry (Sekunder/Industri): Tidak signifikan (p-value = 0.9352).

3. Diagnostik Model :

• F-statistic: Model secara keseluruhan signifikan (p-value = 0.0000), menunjukkan bahwa setidaknya ada satu variabel independen yang memiliki hubungan dengan variabel dependen.
• F-test for Poolability: Nilai p-value 0.0000 menunjukkan bahwa model fixed effects lebih sesuai dibandingkan model pooled OLS.
• Durbin-Watson (Autokorelasi): Nilai 1.72 mendekati 2, sehingga tidak ada indikasi kuat adanya autokorelasi.
• Breusch-Pagan Test (Heteroskedastisitas): p-value = 0.009 menunjukkan adanya heteroskedastisitas dalam model.
• Normalitas (Shapiro-Wilk): p-value 0.00016 menunjukkan data residual tidak berdistribusi normal.

4. Multikolinearitas (VIF) :

• VIF < 5: Umumnya dianggap tidak ada masalah multikolinearitas.
• VIF antara 5 dan 10: Ada multikolinearitas sedang, tetapi biasanya masih dapat diterima tergantung konteks.
• VIF > 10: Multikolinearitas serius yang dapat menyebabkan bias dalam estimasi parameter dan interpretasi sulit dilakukan.

5. Kesimpulan : Jika hasil VIF menunjukkan tidak ada variabel dengan nilai > 10, maka dapat disimpulkan bahwa tidak ada masalah multikolinearitas yang signifikan dalam model tersebut.

Case 2 : Data Time Series

Hasil Intepretasi :

1. Evaluasi Model secara Umum : - Jumlah Observasi (Nobs): 4319, menunjukkan bahwa model memiliki data yang cukup besar.

• Informasi Kriteria (AIC, BIC, HQIC): Digunakan untuk membandingkan model alternatif.
• AIC (19.3995) lebih rendah daripada BIC (19.4570) : menunjukkan bahwa model mungkin lebih sederhana tanpa terlalu mengorbankan fit.
• Log-Likelihood (-60239.4): Nilai ini mengukur seberapa baik model memprediksi data. Makin besar (kurang negatif), makin baik.

2. Matriks Korelasi Residual : Korelasi antara residual:

• Korelasi antara gold dan coffeprice (0.111775) menunjukkan hubungan positif kecil.
• Korelasi negatif kecil antara gold dan exchangerates (-0.020046) menunjukkan hubungan yang lemah.

3. **Kesimpulan :

• Signifikansi Variabel**: Dalam persamaan gold, hanya L1.gold yang signifikan. Dalam persamaan exchange rates, beberapa lag signifikan, terutama lag 1 dan 2.
• Dampak Variabel: Nilai tukar (exchange rates) memiliki efek yang lebih jelas terhadap dirinya sendiri daripada terhadap variabel lain.
• Stabilitas Model: Residual antar variabel memiliki korelasi rendah, menunjukkan bahwa model cukup stabil.

Case 3 : Data Multivariant

Model SEM merupakan metode statistik yang digunakan untuk menganalisis hubungan kompleks antara variabel laten (tidak teramati) dan variabel terukur (teramati). Model SEM bertujuan untuk menguji hubungan antara variabel Performance Expectancy (PE), Social Influence (SI), Behavioral Intention (BI), dan Use Behavior (UB).

Hasil regresi menggunakan model SEM

1. Hasil Intepretasi Hubungan Antar Variabel : PE → BI : Hubungan antara Performance Expectancy (PE) dan Behavioral Intention (BI) menunjukkan pengaruh positif yang kuat, dengan estimasi 0.69 (p < 0.001). SI → BI : Hubungan antara Social Influence (SI) dan Behavioral Intention (BI) menunjukkan pengaruh positif yang moderat, dengan estimasi 0.31 (p < 0.001). BI → UB : Hubungan antara Behavioral Intention (BI) dan Use Behavior (UB) menunjukkan pengaruh positif yang sangat kuat, dengan estimasi 0.97 (p < 0.001).
2. **Visualisasi Path Diagram :

• PE → BI (0.69)
• SI → BI (0.31)
• BI → UB (0.97)**

3. Kesimpulan : Model ini menunjukkan bahwa variabel Performance Expectancy dan Social Influence memiliki peran penting dalam membentuk niat (BI) seseorang, yang pada akhirnya menentukan perilaku penggunaan (UB). Model menunjukkan bahwa:

• BI dipengaruhi secara signifikan oleh PE (β=0.693, p<0.001) dan SI (β=0.314, p<0.001).
• UB dipengaruhi secara kuat oleh BI (β=0.965, p<0.001).

Case 4 : Data Marketing Analysis

Data ini berisi informasi tentang pelanggan, aktivitas belanja mereka, dan beberapa karakteristik pribadi serta interaksi dengan kampanye pemasaran.

Kode ini membangun model Random Forest Regressor untuk memprediksi variabel target Income berdasarkan berbagai fitur yang disediakan dalam dataset ifood_df.csv. Selain itu, kode mengevaluasi performa model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R-squared (R²). Kode juga menganalisis feature importance untuk memahami kontribusi tiap fitur terhadap prediksi.

Grafik di atas menunjukkan “Feature Importance dalam Prediksi Income” menggunakan model Random Forest Regressor. Feature importance mencerminkan kontribusi relatif setiap fitur dalam mempengaruhi prediksi variabel target (Income).

Model menunjukkan performa yang baik dengan R-squared 0.86, yang berarti model dapat menjelaskan 86% variasi dalam pendapatan. Fitur yang paling berpengaruh adalah:

1. MntWines (pembelian wine)
2. MntMeatProducts (pembelian produk daging)
3. MntFishProducts (pembelian produk ikan)