NAMA : I GEDE ARIASA PELODU

NIM : 112112097
KELAS : 2D32
ABSEN : 14
TUGAS : PRAKTIKUM 5

Penugasan SPSS
1) Berdasarkan tabel kontingensi berikut, carilah kemungkinan asosiasi yang terjadi

Jawaban:
- Persiapan data (SPSS)
- Pengolahan data
- Hasil Pengolahan data

Output di atas memberikan informasi mengenai jumlah data dan keterangan tentang data missing /kosong. Dapat
dilihat jumlah data ada 326, tanpa ada data kosong.

Output di atas menunjukkan tabel 3 (dua) arah yang dibentuk antara death penalty, defendant’s race dan victim’s
race dengan total 326
TABEL PARSIAL
Dari output diatas diperoleh hasil angka untuk tabel parsial victim’s race white
𝜒2 hitung = 0,877
Nilai p-value (2 tailed) sebesar 0,349
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel defendant‘s race dan death penalty
H1: Terdapat hubungan antara variabel defendant‘s race dan death penalty
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (0,877) < 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0,349) > 𝑎 (0,05)
 maka keputusannya gagal tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, belum terdapat cukup bukti untuk
menyatakan bahwa ada hubungan yang signifikan antara variabel defendant‘s race dan death penalty atau
dengan kata lain tidak ada hubungan antara variabel defendant‘s race dan death penalty.

Dari output diatas diperoleh hasil angka untuk tabel parsial victim’s race black
𝜒2 hitung = 0,554
Nilai p-value (2 tailed) sebesar 0,457
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel defendant‘s race dan death penalty
H1: Terdapat hubungan antara variabel defendant‘s race dan death penalty
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (0,554) < 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0,457) > 𝑎 (0,05)
maka keputusannya gagal tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, belum terdapat cukup bukti untuk
menyatakan bahwa ada hubungan yang signifikan antara variabel defendant‘s race dan death penalty atau
dengan kata lain tidak ada hubungan antara variabel defendant‘s race dan death penalty.

TABEL MARGINAL
Dari output diatas diperoleh hasil angka untuk tabel marginal
𝜒2 hitung = 0,221
Nilai p-value (2 tailed) sebesar 0,638
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel defendant‘s race dan death penalty
H1: Terdapat hubungan antara variabel defendant‘s race dan death penalty
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (0,221) < 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0,638) > 𝑎 (0,05)
maka keputusannya gagal tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, belum terdapat cukup bukti untuk
menyatakan bahwa ada hubungan yang signifikan antara variabel defendant‘s race dan death penalty atau
dengan kata lain tidak ada hubungan antara variabel defendant‘s race dan death penalty.

TABEL PARSIAL
COR victim’s race white = 0,68
Interpretasi : untuk ras korban berkulit putih, ras pelaku berkulit hitam memiliki kecenderungan 1,4706 kali lebih
besar untuk mendapat hukuman mati dibandingkan dengan ras pelaku berkulit putih. Dengan confidence interval
0,303 sampai 1,528.
RR victim’s race white = 0,721
Interpretasi : untuk ras korban berkulit putih, ras pelaku berkulit hitam memiliki risiko 1,387 kali lebih besar untuk
mendapat hukuman mati dibandingkan dengan ras pelaku berkulit putih. Dengan confidence interval 0,364 sampai
1,425.
COR victim’s race black = 0 (karena terdapat data yang frekuensinya 0)
RR victim’s race black = 1,062
Interpretasi : untuk ras korban berkulit hitam, ras pelaku berkulit putih memiliki risiko 1,062 kali lebih besar untuk
mendapat hukuman mati dibandingkan dengan ras pelaku berkulit hitam. Dengan confidence interval 1,012 sampai
1,114.
TABEL MARGINAL
MOR = 1,181
Interpretasi : Ras pelaku berkulit putih memiliki kecenderungan 1,181 kali lebih besar untuk mendapat hukuman
mati dibandingkan dengan ras pelaku berkulit hitam. Dengan confidence interval 0,59 sampai 2,363.
RR = 1,160
Interpretasi : Ras pelaku berkulit putih memiliki risiko 1,160 kali lebih besar untuk mendapat hukuman mati
dibandingkan dengan ras pelaku berkulit hitam. Dengan confidence interval 0,625 sampai 2,15.
Kesimpulan
COR dan MOR memiliki kesimpulan yang berbeda sehingga terjadi simpson’s paradox.
2) Berikut adalah data jumlah karyawan suatu perusahaan berdasarkan Pendidikan, jenis kelamin, dan bagian pekerjaan.

Masukkan data pada tabel diatas dalam lembar kerja SPSS. Kemudian lakukan Langkah-langkah untuk mendapatkan
asosiasi antar variabelnya.
Jawaban:
- Persiapan data (SPSS)
- Pengolahan data
- Hasil Pengolahan data

Output di atas memberikan informasi mengenai jumlah data dan keterangan tentang data missing /kosong. Dapat
dilihat jumlah data ada 2436, tanpa ada data kosong.

Output di atas menunjukkan tabel 3 (dua) arah yang dibentuk antara bagian, JK dan Pendidikan dengan total 2436
TABEL PARSIAL
Dari output diatas diperoleh hasil angka untuk tabel parsial pendidikan SD
𝜒2 hitung = 17,248
Nilai p-value (2 tailed) sebesar 0
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
H1: Terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (17,248) > 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0) < 𝑎 (0,05)
maka keputusannya tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, terdapat cukup bukti untuk menyatakan
bahwa ada hubungan yang signifikan antara variabel jenis kelamin dan bagian pekerjaan.

Dari output diatas diperoleh hasil angka untuk tabel parsial pendidikan SMP
𝜒2 hitung = 0,254
Nilai p-value (2 tailed) sebesar 0,614
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
H1: Terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (0,254) < 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0,614) > 𝑎 (0,05)
maka keputusannya gagal tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, belum terdapat cukup bukti untuk
menyatakan bahwa ada hubungan yang signifikan antara variabel jenis kelamin dan bagian pekerjaan atau
dengan kata lain tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan.

Dari output diatas diperoleh hasil angka untuk tabel parsial pendidikan SMA
𝜒2 hitung = 0,754
Nilai p-value (2 tailed) sebesar 0,385
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
H1: Terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (0,754) < 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0,385) > 𝑎 (0,05)
maka keputusannya gagal tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, belum terdapat cukup bukti untuk
menyatakan bahwa ada hubungan yang signifikan antara variabel jenis kelamin dan bagian pekerjaan atau
dengan kata lain tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan.

TABEL MARGINAL
Dari output diatas diperoleh hasil angka untuk tabel marginal
𝜒2 hitung = 47,141
Nilai p-value (2 tailed) sebesar 0
➢ Hipotesis
H0: Tidak terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
H1: Terdapat hubungan antara variabel jenis kelamin dan bagian pekerjaan
➢ Tingkat signifikansi
α = 0,05
➢ Wilayah Kritis
Tolak H0 jika 𝜒2 hitung > 𝜒2 (α, 1)
Tolak H0 jika p-value < 𝑎
➢ Keputusan
Karena 𝜒2 hitung (47,141) > 𝜒2 (0,05 , 1) (3,84)
Dan p-value (0) < 𝑎 (0,05)
maka keputusannya tolak H0
➢ Kesimpulan
Dengan tingkat signifikansi 5% dan dengan sampel yang digunakan, terdapat cukup bukti untuk menyatakan
bahwa ada hubungan yang signifikan antara variabel jenis kelamin dan bagian pekerjaan.
TABLE PARSIAL
COR pendidikan SD = 0,349
Interpretasi : untuk pendidikan SD, jenis kelamin perempuan memiliki kecenderungan 2,865 kali lebih besar untuk
menempati bagian pekerjaan pertanian dibandingkan jenis kelamin laki-laki. Dengan confidence interval 0,209
sampai 0,584.
RR pendidikan SD = 0,753
Interpretasi : untuk pendidikan SD, jenis kelamin perempuan memiliki risiko 1,328 kali lebih besar untuk
menempati bagian pekerjaan pertanian dibandingkan jenis kelamin laki-laki. Dengan confidence interval 0,68
sampai 0,834.
COR pendidikan SMP = 0,803
Interpretasi : untuk pendidikan SMP, jenis kelamin perempuan memiliki kecenderungan 1,245 kali lebih besar
untuk menempati bagian pekerjaan pertanian dibandingkan jenis kelamin laki-laki. Dengan confidence interval
0,340 sampai 1,892.
RR pendidikan SMP = 0,927
Interpretasi : untuk pendidikan SMP, jenis kelamin perempuan memiliki risiko 1,079 kali lebih besar untuk
menempati bagian pekerjaan pertanian dibandingkan jenis kelamin laki-laki. Dengan confidence interval 0,703
sampai 1,222.
COR pendidikan SMA = 1,133
Interpretasi : untuk pendidikan SMA, jenis kelamin laki-laki memiliki kecenderungan 1,133 kali lebih besar untuk
menempati bagian pekerjaan pertanian dibandingkan jenis kelamin perempuan. Dengan confidence interval 0,855
sampai 1,502.
RR pendidikan SMA = 1,084
Interpretasi : untuk pendidikan SMA, jenis kelamin laki-laki memiliki risiko 1,084 kali lebih besar untuk
menempati bagian pekerjaan pertanian dibandingkan jenis kelamin perempuan. Dengan confidence interval 0,905
sampai 1,299.

TABEL MARGINAL
MOR = 1,844
Interpretasi : Jenis kelamin laki-laki memiliki kecenderungan 1,844 kali lebih besar untuk menempati bagian
pekerjaan pertanian dibandingkan jenis kelamin perempuan. Dengan confidence interval 1,547 sampai 2,198.
RR = 1,358
Interpretasi : Jenis kelamin laki-laki memiliki kecenderungan 1,358 kali lebih besar untuk menempati bagian
pekerjaan pertanian dibandingkan jenis kelamin perempuan. Dengan confidence interval 1,236 sampai 1,492.
Kesimpulan
COR dan MOR memiliki kesimpulan yang berbeda sehingga terjadi simpson’s paradox.
Penugasan RStudio
1) Berdasarkan tabel kontingensi berikut, carilah kemungkinan asosiasi yang terjadi.

Jawaban:
#Persiapkan package
library(foreign)
library(DescTools)
#Mempersiapkan data yang akan digunakan
data5 <- read.spss("D:/Nomor 1a.sav",to.data.frame=TRUE) #Sesuaikan dengan lokasi penyimpanan file
View(data5)
head(data5,3)

#Membuat tabel kontingensi

tabel2 <- xtabs(Frekuensi~defendants_race+death_penalty+victims_race, data=data5)
tabel2
tabel5_f <- addmargins(tabel2)
tabel5_f
#Pengujian asosiasi
chisq.test(tabel5_f[,,1][-3,-3],correct=F)
Chi-Square victim’s race white :
chisq.test(tabel5_f[,,2][-3,-3],correct=F)
Chi-square parsial victim race (black):

chisq.test(tabel5_f[,,3][-3,-3],correct=F)
Chi-square marginal:
#OR dan RR
#Parsial
OddsRatio(tabel2[1,,], conf.level = 0.95) # OR tabel parsial kategori 1
tabel51<-matrix(as.numeric(tabel2[1,,]),nrow = 2)
RelRisk(tabel51, conf.level = 0.95) # RR tabel parsial kategori 1
Odds ratio dan relative risk tabel parsial victim race (white):

OddsRatio(tabel2[2,,], conf.level = 0.95) # OR tabel parsial kategori 2

tabel52<-matrix(as.numeric(tabel2[2,,]),nrow = 2)
RelRisk(tabel52, conf.level = 0.95) # RR tabel parsial kategori 2
Odds ratio dan relative risk tabel parsial victim race (black):
 #Marginal
OddsRatio(tabel5_f[3,,][-3,-3], conf.level = 0.95) # OR tabel marginal
RelRisk(tabel5_f[3,,][-3,-3], conf.level = 0.95) # RR tabel marginal
Odds ratio dan relative risk tabel marginal:

2) Berikut adalah data jumlah karyawan suatu perusahaan berdasarkan Pendidikan, jenis kelamin, dan bagian pekerjaan.

Masukkan data pada tabel diatas dalam lembar kerja SPSS. Kemudian lakukan Langkah-langkah untuk mendapatkan
asosiasi antar variabelnya.
Jawaban:
#Persiapkan package
library(foreign)
library(DescTools)

#Mempersiapkan data yang akan digunakan

data5 <- read.spss("E:/PERT 5/Nomor 2.sav",to.data.frame=TRUE) #Sesuaikan dengan lokasi penyimpanan file
View(data5)
head(data5,3)
#Membuat tabel kontingensi
tabel2 <- xtabs(Jumlah~JK+Bagian+Pendidikan, data=data5)
tabel2
tabel5_f <- addmargins(tabel2)
tabel5_f
#Pengujian asosiasi
chisq.test(tabel5_f[,,1][-3,-3],correct=F)
Chi-square parsial untuk kode pendidikan SD:

chisq.test(tabel5_f[,,2][-3,-3],correct=F)
Chi-square parsial untuk kode pendidikan SMP:
chisq.test(tabel5_f[,,3][-3,-3],correct=F)
Chi-square parsial untuk kode pendidikan SMA:

chisq.test(tabel5_f[,,4][-3,-3],correct=F)
Chi-square margina:
#OR dan RR
#Parsial
OddsRatio(tabel2[,,1], conf.level = 0.95) # OR tabel parsial kategori 1
tabel51<-matrix(as.numeric(tabel2[,,1]),nrow = 2)
RelRisk(tabel51, conf.level = 0.95) # RR tabel parsial kategori 1
Odds ratio dan relative risk tabel parsial kode pendidikan SD:

OddsRatio(tabel2[,,2], conf.level = 0.95) # OR tabel parsial kategori 2

tabel52<-matrix(as.numeric(tabel2[,,2]),nrow = 2)
RelRisk(tabel52, conf.level = 0.95) # RR tabel parsial kategori 2
Odds ratio dan relative risk tabel parsial kode pendidikan SMP:
OddsRatio(tabel2[,,3], conf.level = 0.95) # OR tabel parsial kategori 3
tabel52<-matrix(as.numeric(tabel2[,,3]),nrow = 2)
RelRisk(tabel52, conf.level = 0.95) # RR tabel parsial kategori 3
Odds ratio dan relative risk tabel parsial kode pendidikan SMA:

#Marginal
OddsRatio(tabel5_f[,,4][-3,-3], conf.level = 0.95) # OR tabel marginal
RelRisk(tabel5_f[,,4][-3,-3], conf.level = 0.95) # RR tabel marginal