1

pengaruh = matrix(c(3, 12, 15, 10), nrow = 2)
colnames(pengaruh) = c("Terinfeksi", "Tidak Terinfeksi")
rownames(pengaruh) = c("Vaksin", "Tidak Vaksin")
pengaruh
##              Terinfeksi Tidak Terinfeksi
## Vaksin                3               15
## Tidak Vaksin         12               10
fisher.test(pengaruh)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  pengaruh
## p-value = 0.02171
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##  0.02515321 0.87497397
## sample estimates:
## odds ratio 
##  0.1747616
  • \(p-value\) sebesar 0,02171 menunjukkan adanya hubungan yang signifikan antara status vaksinasi dan infeksi, karena p-value < 0,05.
  • \(Odds ratio\) sebesar 0.1747616 berarti orang yang divaksinasi memiliki kemungkinan 0,175 kali lebih besar untuk terinfeksi dibandingkan dengan orang yang tidak divaksinasi.

2

berhasil = matrix(c(8, 5, 2, 5), nrow = 2)
colnames(berhasil) = c("Baik", "Tidak Baik")
rownames(berhasil) = c("Baru", "Lama")
berhasil
##      Baik Tidak Baik
## Baru    8          2
## Lama    5          5
fisher.test(berhasil)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  berhasil
## p-value = 0.3498
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.4048219 53.8102540
## sample estimates:
## odds ratio 
##   3.718713
  • \(p-value\) sebesar 0,3498 menunjukkan tidak adanya perbedaan yang signifikan antara metode pengobatan dan keberhasilan, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 3.718713 berarti metode pengobatan baru memiliki kemungkinan 3,719 kali lebih besar untuk berhasil dibandingkan dengan metode pengobatan lama.

3

kejadian = matrix(c(7, 13, 20, 5), nrow = 2)
colnames(kejadian) = c("Kecelakaan", "Tidak Kecelekaan")
rownames(kejadian) = c("Menggunakan", "Tidak Menggunakan")
kejadian
##                   Kecelakaan Tidak Kecelekaan
## Menggunakan                7               20
## Tidak Menggunakan         13                5
fisher.test(kejadian)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  kejadian
## p-value = 0.005119
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##  0.02796867 0.60899794
## sample estimates:
## odds ratio 
##  0.1418894
  • \(p-value\) sebesar 0,005119 menunjukkan adanya hubungan yang signifikan antara menggunakan helm dan tingkat kecelakaan, karena p-value < 0,05.
  • \(Odds ratio\) sebesar 0.1418894 berarti orang yang menggunakan helm memiliki kemungkinan 0,142 kali lebih besar untuk kecelakaan dibandingkan dengan orang yang tidak menggunakan helm.

4

program = matrix(c(6, 3, 4, 7), nrow = 2)
colnames(program) = c("Berhasil", "Gagal")
rownames(program) = c("Mengikuti", "Tidak Mengikuti")
program
##                 Berhasil Gagal
## Mengikuti              6     4
## Tidak Mengikuti        3     7
fisher.test(program)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  program
## p-value = 0.3698
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.4057961 33.2738448
## sample estimates:
## odds ratio 
##   3.274233
  • \(p-value\) sebesar 0,3698 menunjukkantidak adanya hubungan yang signifikan antara mengikuti program dan tingkat keberhasilan, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 3,274233 berarti orang yang mengikuti program memiliki kemungkinan 3,275 kali lebih besar untuk berhasil menurnukan berat badan dibandingkan dengan orang yang tidak mengikuti program.

5

belajar = matrix(c(18, 15, 2, 5), nrow = 2)
colnames(belajar) = c("Lulus", "Tidak Lulus")
rownames(belajar) = c("Teknologi", "Tidak Teknologi")
belajar
##                 Lulus Tidak Lulus
## Teknologi          18           2
## Tidak Teknologi    15           5
fisher.test(belajar)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  belajar
## p-value = 0.4075
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.4049553 34.8644233
## sample estimates:
## odds ratio 
##   2.920286
  • \(p-value\) sebesar 0,4075 menunjukkan tidak adanya hubungan yang signifikan antara menggunakan teknologi dan tingkat kelulusan, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 2,920286 berarti orang yang menggunakan teknologi memiliki kemungkinan 2,92 kali lebih besar untuk lulus ujian dibandingkan dengan orang yang tidak menggunakan teknologi.

6

efek = matrix(c(9, 4, 3, 10), nrow = 2)
colnames(efek) = c("Normal", "Tinggi")
rownames(efek) = c("Mengikuti", "Tidak Mengikuti")
efek
##                 Normal Tinggi
## Mengikuti            9      3
## Tidak Mengikuti      4     10
fisher.test(efek)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  efek
## p-value = 0.04718
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   1.018953 62.695315
## sample estimates:
## odds ratio 
##   6.846914
  • \(p-value\) sebesar 0,04718 menunjukkan adanya hubungan yang signifikan antara diet dan tekanan darah karena p-value < 0,05.
  • \(Odds ratio\) sebesar 6,846914 berarti orang yang mengikuti diet memiliki kemungkinan 6,847 kali lebih besar untuk memiliki tekanan darah normal dibandingkan dengan orang yang tidak mengikuti diet.

7

prestasi = matrix(c(10, 4, 5, 11), nrow = 2)
colnames(prestasi) = c("Baik", "Buruk")
rownames(prestasi) = c("Terlibat", "Tidak Terlibat")
prestasi
##                Baik Buruk
## Terlibat         10     5
## Tidak Terlibat    4    11
fisher.test(prestasi)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  prestasi
## p-value = 0.0656
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.9192986 35.5575305
## sample estimates:
## odds ratio 
##   5.159851
  • \(p-value\) sebesar 0,0656 menunjukkan tidak adanya hubungan yang signifikan antara keterlibatan orang tua dan prestasi akademik siswa, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 5,159851 berarti siswa yang orang tuanya terilbat dalam pendidikan memiliki kemungkinan 5,16 kali lebih besar untuk memiliki pretasi akademik yang baik dibandingkan dengan siswa yang orang tuanya tidak terilbat

8

konseling = matrix(c(12, 5, 3, 8), nrow = 2)
colnames(konseling) = c("Menurun", "Tidak Menurun")
rownames(konseling) = c("Mendapatkan", "Tidak Mendapatkan")
konseling
##                   Menurun Tidak Menurun
## Mendapatkan            12             3
## Tidak Mendapatkan       5             8
fisher.test(konseling)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  konseling
## p-value = 0.05103
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.9327367 50.3798211
## sample estimates:
## odds ratio 
##   5.932922
  • \(p-value\) sebesar 0,05103 menunjukkan tidak adanya hubungan yang signifikan antara mengikuti konseling dan tingkat depresi, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 5,932922 berarti orang yang mendapatkan konseling memiliki kemungkinan 5.933 kali lebih besar untuk menurunkan depresi dibandingkan dengan orang yang tidak mendapatkan konseling.

9

penyembuhan = matrix(c(7, 4, 2, 6), nrow = 2)
colnames(penyembuhan) = c("Sembuh", "Tidak Sembuh")
rownames(penyembuhan) = c("Latihan", "Tidak Latihan")
penyembuhan
##               Sembuh Tidak Sembuh
## Latihan            7            2
## Tidak Latihan      4            6
fisher.test(penyembuhan)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  penyembuhan
## p-value = 0.1698
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.5142383 71.5337148
## sample estimates:
## odds ratio 
##   4.772621
  • \(p-value\) sebesar 0,1698 menunjukkan tidak adanya hubungan yang signifikan antara melakukan latihan dan kesembuhan, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 4,77261 berarti orang yang melakukan latihan memiliki kemungkinan 4,77 kali lebih besar untuk sembuh dibandingkan dengan orang yang tidak melakukan latihan.

10

antibiotik = matrix(c(15, 7, 3, 8), nrow = 2)
colnames(antibiotik) = c("Sembuh", "Tidak Sembuh")
rownames(antibiotik) = c("Menggunakan", "Tidak menggunakan")
antibiotik
##                   Sembuh Tidak Sembuh
## Menggunakan           15            3
## Tidak menggunakan      7            8
fisher.test(antibiotik)
## 
##  Fisher's Exact Test for Count Data
## 
## data:  antibiotik
## p-value = 0.06131
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
##   0.9316085 41.5991801
## sample estimates:
## odds ratio 
##   5.388553
  • \(p-value\) sebesar 0,06131 menunjukkan tidak adanya hubungan yang signifikan antara menggunakan antibiotik dan kesembuhan, karena p-value > 0,05.
  • \(Odds ratio\) sebesar 5,388553 berarti orang yang menggunakan antibiotik memiliki kemungkinan 5.388 kali lebih besar untuk sembuh dibandingkan dengan orang yang tidak menggunakan antibiotik.