Membuat Data Survey Sintetis Menggunakan R

Salah satu jobdesk saya di kantor adalah memberikan training ke tim market riset tentang berbagai macam hal. Kadang saya menggunakan data real dari berbagai survey yang pernah kami lakukan. Namun lebih seringnya saya memerlukan suatu data dummy yang bersifat universal.

Oleh karena itu, saya biasa membuat data sintetis tersebut. Caranya bagaimana? Tentunya dengan memanfaatkan R. Mudah kok, check this out!

---

Libraries yang Diperlukan

R libraries yang digunakan pada lefo kali ini adalah libraries yang memang sudah biasa digunakan sehari-hari, yakni:

1. dplyr, tidyr, dan data.table untuk data carpentry.
2. parallel untuk parallel computing.

Library parallel bersifat opsional ya. Rekan-rekan ber-OS Windows bisa mengganti proses komputasi paralel dengan menggunakan looping (for()) atau vectorization (sapply() atau lapply()).

Data yang Akan Dibuat

Saya akan membuat data sederhana yang memuat informasi sebagai berikut:

1. Lokasi tempat riset,
2. Gender,
3. Kelompok usia,
4. SES (Social Economy Status),
5. TOM (Top of Mind),
6. Aided awareness,
7. Trial,
8. Repeat,
9. Last Usage, dan
10. Future intention.

Saya akan membuat data survey satu per satu responden hingga sebanyak 1000 orang responden.

Untuk itu saya memerlukan conditions berikut ini:

• Ada enam lokasi survey yang memiliki proporsi merata.
• Proporsi gender merata (pria : wanita = 50% : 50%)
• Proporsi usia dibuat sebagai berikut:
  • < 15 th = 10%,
  • 16 - 20 th = 15%,
  • 21 - 25 th = 35%,
  • 26 - 30 th = 20%
  • > 30 th = 10%
• Ada dua jenis kategori SES, yakni: upper dan middle dengan proporsi merata.
• TOM bagi responden upper memiliki peluang lebih tinggi dibandingkan responden middle.
• Hampir semua responden upper memiliki aided awareness. Sedangkan ada sebagian kecil responden middle yang tidak memiliki aided awareness.
• Trial bagi responden upper lebih tinggi dibandingkan responden middle. Tapi perlu diperhatikan bahwa ada konsistensi jawaban ke pertanyaan aided awareness. Maksudnya, jika responden tidak aided awareness, maka sudah pasti responden tersebut tidak trial.
• Repeat bagi responden upper lebih rendah dibandingkan responden middle. Tapi perlu diperhatikan bahwa ada konsistensi jawaban ke pertanyaan trial. Maksudnya, jika responden tidak trial, maka sudah pasti responden tersebut tidak repeat.
• Last usage bagi responden upper lebih tinggi dibandingkan responden middle. Tapi perlu diperhatikan bahwa ada konsistensi jawaban ke pertanyaan trial. Maksudnya, jika responden tidak trial, maka sudah pasti responden tersebut tidak last usage.
• Future intention bagi responden upper lebih rendah dibandingkan responden middle. Tapi perlu diperhatikan bahwa ada konsistensi jawaban ke pertanyaan trial. Maksudnya, jika responden tidak trial, maka sudah pasti responden tersebut tidak future intention.

Nah, berdasarkan rules di atas, kita akan buat function di R sebagai berikut:

# dimulai dari nol
rm(list=ls())

# ambil semua library yang diperlukan
library(dplyr)
library(tidyr)
library(parallel)

# berapa banyak cores?
n_core = 7

# kita buat dulu data surveynya
# function untuk men-generate data survey per orang
survey_donk = function(dummy){
  lokasi = sample(c("a","b","c","d","e","f"),1)
  gender = sample(c("pria","wanita"),
                  1,prob = c(.5,.5))
  usia   = sample(c("< 15 th","16 - 20 th","21 - 25 th","26 - 30 th","> 30 th"),
                  1,prob = c(.1,.15,.35,.2,.1))
  ses    = sample(c("upper","middle"),1,prob = c(.5,.5),replace = T)

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang tom semakin tinggi
  prob_  = ifelse(ses == "upper",.9,.6)
  prob_  = c(prob_,1-prob_)
  tom    = sample(c("ya","tidak"),1,prob = prob_)

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang aided semakin tinggi
  # selain itu, jika pada tom == ya, jangan sampai aidednya menjadi tidak
  prob_  = ifelse(ses == "upper",.99,.8)
  prob_  = c(prob_,1-prob_)
  aided  = ifelse(tom == "ya","ya",
                  sample(c("ya","tidak"),1,prob = prob_))

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang trial semakin tinggi
  # tapi harus inline dengan aided
  # jangan sampai dia trial tapi aided == tidak
  prob_  = ifelse(ses == "upper",.8,.5)
  prob_  = c(prob_,1-prob_)
  trial  = ifelse(aided == "tidak","tidak",
                  sample(c("ya","tidak"),1,prob = prob_))

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang repeat semakin rendah
  # tapi harus inline dengan trial
  # jangan sampai dia repeat tapi trial == tidak
  prob_  = ifelse(ses == "upper",.5,.8)
  prob_  = c(prob_,1-prob_)
  repe   = ifelse(trial == "tidak","tidak",
                  sample(c("ya","tidak"),1,prob = prob_))

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang last usage semakin tinggi
  # tapi harus inline dengan trial
  # jangan sampai dia last usage tapi trial == tidak
  prob_  = ifelse(ses == "upper",.8,.7)
  prob_  = c(prob_,1-prob_)
  last   = ifelse(trial == "tidak","tidak",
                  sample(c("ya","tidak"),1,prob = prob_))

  # kita akan buat conditional
  # seandainya ses nya up, makan peluang future intention semakin tinggi
  # tapi harus inline dengan trial
  # jangan sampai dia future intention tapi trial == tidak
  prob_  = ifelse(ses == "upper",.3,.9)
  prob_  = c(prob_,1-prob_)
  futur  = ifelse(trial == "tidak","tidak",
                  sample(c("ya","tidak"),1,prob = prob_))
  
  # mengeluarkan output dari function
  return(
    data.frame(lokasi,gender,usia,ses,tom,aided,trial,repe,last,futur)
  )
}

Setelah selesai membuat function-nya, mari kita run dan simulasikan untuk 1000 orang responden dengan cara sebagai berikut:

# berapa banyak responden
n_resp    = 1000

# proses komputasi paralel
df_survey = mclapply(1:n_resp,survey_donk,mc.cores = n_core)

# kita gabung dalam bentuk data frame
df_survey = data.table::rbindlist(df_survey)

Perhatikan bahwa saya membentuk df_survey dengan cara melakukan komputasi paralel dari function survey_donk(). Jika rekan-rekan tidak bisa menggunakan komputasi paralel karena memakai OS Windows, kalian bisa menggantinya dengan perintah:

df_survey = lapply(1:n_resp,survey_donk)

Hasil Simulasi

Berikut adalah sampel data hasil simulasinya:

df_survey %>% head(10) %>% knitr::kable()

lokasi	gender	usia	ses	tom	aided	trial	repe	last	futur
b	pria	> 30 th	upper	tidak	ya	ya	ya	ya	tidak
c	wanita	26 - 30 th	upper	tidak	ya	ya	ya	ya	ya
d	pria	16 - 20 th	middle	ya	ya	ya	ya	ya	ya
f	pria	26 - 30 th	upper	ya	ya	ya	tidak	ya	tidak
e	pria	< 15 th	middle	tidak	ya	tidak	tidak	tidak	tidak
e	wanita	21 - 25 th	upper	ya	ya	tidak	tidak	tidak	tidak
d	wanita	16 - 20 th	middle	ya	ya	tidak	tidak	tidak	tidak
f	pria	< 15 th	middle	ya	ya	tidak	tidak	tidak	tidak
e	wanita	21 - 25 th	upper	ya	ya	ya	ya	ya	tidak
f	wanita	26 - 30 th	upper	ya	ya	ya	tidak	ya	tidak

Bagaimana? Mudah kan?

---

if you find this article helpful, support this blog by clicking the ads.