Algoritma Academy: Regression Models
Saputra Wijaya
Updated: 29 April 2019
1 . Background
Hello ! Hello My name is Saputra Wijaya. Saya adalah mahasiswa Computer Science yang sangat tertarik dengan Data, baik itu Data visualization maupun data scientist. Dibdawah ini adalah hasil analisa saya menggunakan Data crime.csv yang berisi kumpulan beberapa rangkuman tentang Kejahatan yang terjadi. Berikut ini adalah beberapa penjelasan sederhana terkait Regression :
1.1 . Libraries and Setup
First, Kita tentukan dulu Library apa yang akan kita gunakan dan menentukan dataset yang akan kita gunakan. Lalu melihat struktur data yang kita miliki :
knitr::opts_chunk$set(cache=TRUE)
options(scipen = 9999)
rm(list=ls())
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(leaps)## Warning: package 'leaps' was built under R version 3.5.3library(MASS)##
## Attaching package: 'MASS'## The following object is masked from 'package:dplyr':
##
## selectlibrary(manipulate)
library(GGally)## Loading required package: ggplot2##
## Attaching package: 'GGally'## The following object is masked from 'package:dplyr':
##
## nasalibrary(dplyr)
library(Metrics)## Warning: package 'Metrics' was built under R version 3.5.3library("ggpubr")## Loading required package: magrittrlibrary(car)## Warning: package 'car' was built under R version 3.5.3## Loading required package: carData##
## Attaching package: 'car'## The following object is masked from 'package:dplyr':
##
## recodecrime <- read.csv("data_input/crime.csv") %>%
dplyr::select(-X)
names(crime) <- c("percent_m", "is_south", "mean_education", "police_exp60", "police_exp59", "labour_participation", "m_per1000f", "state_pop", "nonwhites_per1000", "unemploy_m24", "unemploy_m39", "gdp", "inequality", "prob_prison", "time_prison", "crime_rate")
plot(crime$gdp, crime$inequality)
head(crime)## percent_m is_south mean_education police_exp60 police_exp59
## 1 151 1 91 58 56
## 2 143 0 113 103 95
## 3 142 1 89 45 44
## 4 136 0 121 149 141
## 5 141 0 121 109 101
## 6 121 0 110 118 115
## labour_participation m_per1000f state_pop nonwhites_per1000 unemploy_m24
## 1 510 950 33 301 108
## 2 583 1012 13 102 96
## 3 533 969 18 219 94
## 4 577 994 157 80 102
## 5 591 985 18 30 91
## 6 547 964 25 44 84
## unemploy_m39 gdp inequality prob_prison time_prison crime_rate
## 1 41 394 261 0.084602 26.2011 791
## 2 36 557 194 0.029599 25.2999 1635
## 3 33 318 250 0.083401 24.3006 578
## 4 39 673 167 0.015801 29.9012 1969
## 5 20 578 174 0.041399 21.2998 1234
## 6 29 689 126 0.034201 20.9995 682str(crime)## 'data.frame': 47 obs. of 16 variables:
## $ percent_m : int 151 143 142 136 141 121 127 131 157 140 ...
## $ is_south : int 1 0 1 0 0 0 1 1 1 0 ...
## $ mean_education : int 91 113 89 121 121 110 111 109 90 118 ...
## $ police_exp60 : int 58 103 45 149 109 118 82 115 65 71 ...
## $ police_exp59 : int 56 95 44 141 101 115 79 109 62 68 ...
## $ labour_participation: int 510 583 533 577 591 547 519 542 553 632 ...
## $ m_per1000f : int 950 1012 969 994 985 964 982 969 955 1029 ...
## $ state_pop : int 33 13 18 157 18 25 4 50 39 7 ...
## $ nonwhites_per1000 : int 301 102 219 80 30 44 139 179 286 15 ...
## $ unemploy_m24 : int 108 96 94 102 91 84 97 79 81 100 ...
## $ unemploy_m39 : int 41 36 33 39 20 29 38 35 28 24 ...
## $ gdp : int 394 557 318 673 578 689 620 472 421 526 ...
## $ inequality : int 261 194 250 167 174 126 168 206 239 174 ...
## $ prob_prison : num 0.0846 0.0296 0.0834 0.0158 0.0414 ...
## $ time_prison : num 26.2 25.3 24.3 29.9 21.3 ...
## $ crime_rate : int 791 1635 578 1969 1234 682 963 1555 856 705 ...1.2 . Analisa Data
Setelah itu kita akan melakukan analisa data dengan memilih sebuah data berupa crime gdp. Crime GDP sendiri adalah indikator yang digunakan untuk mengukur standard kehidupan di tengah-tengah masyarakat. Oleh karena itu sebagai data uji coba kita akan memilih angka 600.Lal
crime[crime$gdp == "600"]## data frame with 0 columns and 47 rowsstr(crime)## 'data.frame': 47 obs. of 16 variables:
## $ percent_m : int 151 143 142 136 141 121 127 131 157 140 ...
## $ is_south : int 1 0 1 0 0 0 1 1 1 0 ...
## $ mean_education : int 91 113 89 121 121 110 111 109 90 118 ...
## $ police_exp60 : int 58 103 45 149 109 118 82 115 65 71 ...
## $ police_exp59 : int 56 95 44 141 101 115 79 109 62 68 ...
## $ labour_participation: int 510 583 533 577 591 547 519 542 553 632 ...
## $ m_per1000f : int 950 1012 969 994 985 964 982 969 955 1029 ...
## $ state_pop : int 33 13 18 157 18 25 4 50 39 7 ...
## $ nonwhites_per1000 : int 301 102 219 80 30 44 139 179 286 15 ...
## $ unemploy_m24 : int 108 96 94 102 91 84 97 79 81 100 ...
## $ unemploy_m39 : int 41 36 33 39 20 29 38 35 28 24 ...
## $ gdp : int 394 557 318 673 578 689 620 472 421 526 ...
## $ inequality : int 261 194 250 167 174 126 168 206 239 174 ...
## $ prob_prison : num 0.0846 0.0296 0.0834 0.0158 0.0414 ...
## $ time_prison : num 26.2 25.3 24.3 29.9 21.3 ...
## $ crime_rate : int 791 1635 578 1969 1234 682 963 1555 856 705 ...crime$gdp <- as.integer(crime$gdp)
crime_mod<-lm(inequality~gdp,data=crime)
predict(crime_mod, data.frame(gdp=600))## 1
## 166.727summary(crime_mod)##
## Call:
## lm(formula = inequality ~ gdp, data = crime)
##
## Residuals:
## Min 1Q Median 3Q Max
## -42.029 -11.754 1.714 12.438 30.006
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 386.03058 15.38651 25.09 <0.0000000000000002 ***
## gdp -0.36551 0.02881 -12.69 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18.86 on 45 degrees of freedom
## Multiple R-squared: 0.7815, Adjusted R-squared: 0.7766
## F-statistic: 160.9 on 1 and 45 DF, p-value: < 0.000000000000000221.3 . Modeling
Dari hasil data diatas kita dapat lihat bahwa sebenarnya GDP diprediksi akan mengalami peningkatan yang cukup significant kedepannya dan tentu ini menjadi indikator bahwa kehidupan masyarakat akan memiliki standard yang lebih tinggi. Selain itu bila kita lihat pada summary. Maka GDP memiliki dampak yang significant tentang crime berdasarkan data yang kita miliki.
Lalu setelah nya kita akan membuat sebuah model dan melihat corelation yang bisa saja terjadi melalui data yang ada. Selain itu kita akan membuat model berdasarka issue ketidaksetaraan, gdp, pengangguran, dan nonwhites
str(crime)## 'data.frame': 47 obs. of 16 variables:
## $ percent_m : int 151 143 142 136 141 121 127 131 157 140 ...
## $ is_south : int 1 0 1 0 0 0 1 1 1 0 ...
## $ mean_education : int 91 113 89 121 121 110 111 109 90 118 ...
## $ police_exp60 : int 58 103 45 149 109 118 82 115 65 71 ...
## $ police_exp59 : int 56 95 44 141 101 115 79 109 62 68 ...
## $ labour_participation: int 510 583 533 577 591 547 519 542 553 632 ...
## $ m_per1000f : int 950 1012 969 994 985 964 982 969 955 1029 ...
## $ state_pop : int 33 13 18 157 18 25 4 50 39 7 ...
## $ nonwhites_per1000 : int 301 102 219 80 30 44 139 179 286 15 ...
## $ unemploy_m24 : int 108 96 94 102 91 84 97 79 81 100 ...
## $ unemploy_m39 : int 41 36 33 39 20 29 38 35 28 24 ...
## $ gdp : int 394 557 318 673 578 689 620 472 421 526 ...
## $ inequality : int 261 194 250 167 174 126 168 206 239 174 ...
## $ prob_prison : num 0.0846 0.0296 0.0834 0.0158 0.0414 ...
## $ time_prison : num 26.2 25.3 24.3 29.9 21.3 ...
## $ crime_rate : int 791 1635 578 1969 1234 682 963 1555 856 705 ...model1 <- lm(inequality ~ gdp, crime)
summary(model1)##
## Call:
## lm(formula = inequality ~ gdp, data = crime)
##
## Residuals:
## Min 1Q Median 3Q Max
## -42.029 -11.754 1.714 12.438 30.006
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 386.03058 15.38651 25.09 <0.0000000000000002 ***
## gdp -0.36551 0.02881 -12.69 <0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 18.86 on 45 degrees of freedom
## Multiple R-squared: 0.7815, Adjusted R-squared: 0.7766
## F-statistic: 160.9 on 1 and 45 DF, p-value: < 0.00000000000000022model2 <- lm(inequality ~ gdp + unemploy_m24 + unemploy_m39, crime)
summary(model2)##
## Call:
## lm(formula = inequality ~ gdp + unemploy_m24 + unemploy_m39,
## data = crime)
##
## Residuals:
## Min 1Q Median 3Q Max
## -37.574 -7.773 2.736 11.392 36.338
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 393.33632 19.79058 19.875 <0.0000000000000002 ***
## gdp -0.37140 0.02747 -13.522 <0.0000000000000002 ***
## unemploy_m24 -0.48352 0.21977 -2.200 0.0332 *
## unemploy_m39 1.23468 0.47068 2.623 0.0120 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 17.89 on 43 degrees of freedom
## Multiple R-squared: 0.8121, Adjusted R-squared: 0.799
## F-statistic: 61.95 on 3 and 43 DF, p-value: 0.000000000000001181model3 <- lm(inequality ~ gdp + nonwhites_per1000, crime)
summary(model3)##
## Call:
## lm(formula = inequality ~ gdp + nonwhites_per1000, data = crime)
##
## Residuals:
## Min 1Q Median 3Q Max
## -34.14 -11.27 -1.03 10.33 38.82
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 346.04533 19.44791 17.793 < 0.0000000000000002 ***
## gdp -0.30723 0.03288 -9.344 0.0000000000052 ***
## nonwhites_per1000 0.09266 0.03086 3.003 0.0044 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 17.37 on 44 degrees of freedom
## Multiple R-squared: 0.8186, Adjusted R-squared: 0.8104
## F-statistic: 99.3 on 2 and 44 DF, p-value: < 0.00000000000000022ggcorr(crime, label = T,label_size = 2.9)
cor(crime)## percent_m is_south mean_education police_exp60
## percent_m 1.00000000 0.58435534 -0.53023964 -0.50573690
## is_south 0.58435534 1.00000000 -0.70274132 -0.37263633
## mean_education -0.53023964 -0.70274132 1.00000000 0.48295213
## police_exp60 -0.50573690 -0.37263633 0.48295213 1.00000000
## police_exp59 -0.51317336 -0.37616753 0.49940958 0.99358648
## labour_participation -0.16094882 -0.50546948 0.56117795 0.12149320
## m_per1000f -0.02867993 -0.31473291 0.43691492 0.03376027
## state_pop -0.28063762 -0.04991832 -0.01722740 0.52628358
## nonwhites_per1000 0.59319826 0.76710262 -0.66488190 -0.21370878
## unemploy_m24 -0.22438060 -0.17241931 0.01810345 -0.04369761
## unemploy_m39 -0.24484339 0.07169289 -0.21568155 0.18509304
## gdp -0.67005506 -0.63694543 0.73599704 0.78722528
## inequality 0.63921138 0.73718106 -0.76865789 -0.63050025
## prob_prison 0.36111641 0.53086199 -0.38992286 -0.47324704
## time_prison 0.11451072 0.06681283 -0.25397355 0.10335774
## crime_rate -0.08947240 -0.09063696 0.32283487 0.68760446
## police_exp59 labour_participation m_per1000f
## percent_m -0.51317336 -0.1609488 -0.02867993
## is_south -0.37616753 -0.5054695 -0.31473291
## mean_education 0.49940958 0.5611780 0.43691492
## police_exp60 0.99358648 0.1214932 0.03376027
## police_exp59 1.00000000 0.1063496 0.02284250
## labour_participation 0.10634960 1.0000000 0.51355879
## m_per1000f 0.02284250 0.5135588 1.00000000
## state_pop 0.51378940 -0.1236722 -0.41062750
## nonwhites_per1000 -0.21876821 -0.3412144 -0.32730454
## unemploy_m24 -0.05171199 -0.2293997 0.35189190
## unemploy_m39 0.16922422 -0.4207625 -0.01869169
## gdp 0.79426205 0.2946323 0.17960864
## inequality -0.64815183 -0.2698865 -0.16708869
## prob_prison -0.47302729 -0.2500861 -0.05085826
## time_prison 0.07562665 -0.1236404 -0.42769738
## crime_rate 0.66671414 0.1888663 0.21391426
## state_pop nonwhites_per1000 unemploy_m24
## percent_m -0.28063762 0.59319826 -0.224380599
## is_south -0.04991832 0.76710262 -0.172419305
## mean_education -0.01722740 -0.66488190 0.018103454
## police_exp60 0.52628358 -0.21370878 -0.043697608
## police_exp59 0.51378940 -0.21876821 -0.051711989
## labour_participation -0.12367222 -0.34121444 -0.229399684
## m_per1000f -0.41062750 -0.32730454 0.351891900
## state_pop 1.00000000 0.09515301 -0.038119948
## nonwhites_per1000 0.09515301 1.00000000 -0.156450020
## unemploy_m24 -0.03811995 -0.15645002 1.000000000
## unemploy_m39 0.27042159 0.08090829 0.745924815
## gdp 0.30826271 -0.59010707 0.044857202
## inequality -0.12629357 0.67731286 -0.063832178
## prob_prison -0.34728906 0.42805915 -0.007469032
## time_prison 0.46421046 0.23039841 -0.169852838
## crime_rate 0.33747406 0.03259884 -0.050477918
## unemploy_m39 gdp inequality prob_prison
## percent_m -0.24484339 -0.6700550558 0.63921138 0.361116408
## is_south 0.07169289 -0.6369454328 0.73718106 0.530861993
## mean_education -0.21568155 0.7359970363 -0.76865789 -0.389922862
## police_exp60 0.18509304 0.7872252807 -0.63050025 -0.473247036
## police_exp59 0.16922422 0.7942620503 -0.64815183 -0.473027293
## labour_participation -0.42076249 0.2946323090 -0.26988646 -0.250086098
## m_per1000f -0.01869169 0.1796086363 -0.16708869 -0.050858258
## state_pop 0.27042159 0.3082627091 -0.12629357 -0.347289063
## nonwhites_per1000 0.08090829 -0.5901070652 0.67731286 0.428059153
## unemploy_m24 0.74592482 0.0448572017 -0.06383218 -0.007469032
## unemploy_m39 1.00000000 0.0920716601 0.01567818 -0.061592474
## gdp 0.09207166 1.0000000000 -0.88399728 -0.555334708
## inequality 0.01567818 -0.8839972758 1.00000000 0.465321920
## prob_prison -0.06159247 -0.5553347075 0.46532192 1.000000000
## time_prison 0.10135833 0.0006485587 0.10182282 -0.436246261
## crime_rate 0.17732065 0.4413199490 -0.17902373 -0.427422188
## time_prison crime_rate
## percent_m 0.1145107190 -0.08947240
## is_south 0.0668128312 -0.09063696
## mean_education -0.2539735471 0.32283487
## police_exp60 0.1033577449 0.68760446
## police_exp59 0.0756266536 0.66671414
## labour_participation -0.1236404364 0.18886635
## m_per1000f -0.4276973791 0.21391426
## state_pop 0.4642104596 0.33747406
## nonwhites_per1000 0.2303984071 0.03259884
## unemploy_m24 -0.1698528383 -0.05047792
## unemploy_m39 0.1013583270 0.17732065
## gdp 0.0006485587 0.44131995
## inequality 0.1018228182 -0.17902373
## prob_prison -0.4362462614 -0.42742219
## time_prison 1.0000000000 0.14986606
## crime_rate 0.1498660617 1.00000000Dari data diatas tentu kita dapat lihat bahwa pengaruh GDP dengan pengangguran tidak memiliki dampak yang begitu besar kehadapan kejahatan. Jadi pengangguran bisa dikatakan memiliki dampak yang cukup tinggi terhadap GDP dan tentu hal ini menandakan bahwa memang gdp memiliki peran penting terhadap kejahatan tapi pengangguran bukan pendukung utama nya.
Dari data yang kita miliki, kita dapat menemukan sebuah fakta bahwa nonwhites memiliki korelasi yang rendah dengan GDP dan ini tidak terlalu mempengaruhi kejahatan.
Selanjutnya kita akan membuat beberapa model kembali dan melakukan compare dengan data yang ada, dan kembali menggunakan GDP sebagai indicator utama nya
model5 <- lm(inequality ~ gdp + mean_education, crime)
summary(model5)##
## Call:
## lm(formula = inequality ~ gdp + mean_education, data = crime)
##
## Residuals:
## Min 1Q Median 3Q Max
## -40.824 -7.585 0.672 13.344 30.179
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 441.88243 25.44031 17.369 < 0.0000000000000002 ***
## gdp -0.28713 0.03994 -7.189 0.00000000604 ***
## mean_education -0.91851 0.34448 -2.666 0.0107 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 17.69 on 44 degrees of freedom
## Multiple R-squared: 0.8119, Adjusted R-squared: 0.8033
## F-statistic: 94.93 on 2 and 44 DF, p-value: < 0.000000000000000221.4 . RMSE
Kita kembali melakukan pembuatan model pada di atas dengan menggunakan indikator berupa tingkat pendidikan. kembali kita menemukan fakta bahwa pendidkan juga memiliki korelasi yang tinggi dengan GDP. Hal ini menguatkan bahwa pendidikan bisa menjadi salah satu faktor utama penyebab kejahatan
Selanjutnya kita akan uji coba mse atau testing agar kita melihat kebagusan data kita. Berikut ini adalah code nya :
mse(crime$inequality, model1$fitted.values)## [1] 340.4619rmse(crime$inequality, model1$fitted.values) ## [1] 18.451611.5 . Prediction
Dari hasil rmse diatas kita dapat lihat bahwa ketidak setaraan memiliki RMSE yang cukup baik dan bisa dikatakan dapat kita gunakan sebagai tolak ukur.
Oke bila semua data telah rapih maka langkah selanjutnya yang dapat kita lakukan adalah melakukan prediksi melayu data yang kita punya.
predict(model1)## 1 2 3 4 5 6 7 8
## 242.0213 182.4438 269.7997 140.0451 174.7682 134.1970 159.4169 213.5118
## 9 10 11 12 13 14 15 16
## 232.1526 193.7745 145.8932 174.0372 200.7191 192.6780 238.0007 229.9596
## 17 18 19 20 21 22 23 24
## 208.0292 155.3964 156.8584 157.2239 182.4438 280.7649 198.5261 188.6574
## 25 26 27 28 29 30 31 32
## 208.3947 139.6796 179.8853 189.7539 153.2033 241.2902 220.4564 160.5134
## 33 34 35 36 37 38 39 40
## 217.1669 170.7476 176.9612 181.7128 246.4073 230.6906 241.6557 207.6637
## 41 42 43 44 45 46 47
## 170.3821 207.2982 204.7397 158.6859 218.9944 169.2856 171.1131predict(model2)## 1 2 3 4 5 6 7 8
## 245.4057 184.4958 270.5241 142.2160 159.3590 132.6300 163.0832 223.0501
## 9 10 11 12 13 14 15 16
## 232.3819 179.2590 155.3076 176.0658 198.6712 192.9697 251.5259 236.6894
## 17 18 19 20 21 22 23 24
## 200.5561 157.9272 164.7315 169.5924 177.8906 281.4504 202.1845 175.9760
## 25 26 27 28 29 30 31 32
## 204.9166 144.3139 172.3467 178.6618 156.7176 243.5493 209.2034 166.5027
## 33 34 35 36 37 38 39 40
## 214.6332 168.4751 182.6718 190.5740 249.2842 220.9583 248.2636 207.8173
## 41 42 43 44 45 46 47
## 158.2867 205.6672 207.1601 154.3365 223.7686 166.2470 169.7012predict(model3)## 1 2 3 4 5 6 7 8
## 252.8857 184.3670 268.6374 146.6892 171.2435 138.4377 168.4396 217.6168
## 9 10 11 12 13 14 15 16
## 243.2004 185.8298 154.0142 173.3162 191.2039 187.7806 228.2868 244.6002
## 17 18 19 20 21 22 23 24
## 196.9780 167.9325 155.6330 162.4265 176.0275 296.7572 196.9587 183.4744
## 25 26 27 28 29 30 31 32
## 199.1384 146.1040 173.1356 188.3805 158.5836 247.9162 208.7212 164.0797
## 33 34 35 36 37 38 39 40
## 212.9057 167.0300 177.3493 176.5250 261.0202 219.1770 239.9766 207.7900
## 41 42 43 44 45 46 47
## 166.5374 195.9929 212.9303 158.2811 210.1794 166.0790 167.4299predict(model5)## 1 2 3 4 5 6 7 8
## 245.1693 178.1600 268.8282 137.5050 164.7823 143.0145 161.9079 206.2401
## 9 10 11 12 13 14 15 16
## 238.3353 182.4685 156.7952 176.1486 192.5165 182.5256 245.6849 238.4495
## 17 18 19 20 21 22 23 24
## 201.0146 165.1790 155.3055 162.9406 182.7526 277.4420 206.4084 180.2857
## 25 26 27 28 29 30 31 32
## 195.7907 137.2178 179.8242 184.8211 160.7007 246.4321 226.3916 164.6063
## 33 34 35 36 37 38 39 40
## 213.7039 164.3794 183.9567 189.5264 252.2889 224.3277 247.6377 206.2385
## 41 42 43 44 45 46 47
## 160.4182 201.3589 208.5340 152.1486 229.8357 176.0899 161.9110Bila kita perhatikan satu persatu dapat kita taruh kesumpulan bahwa setiap model memunculkan beberapa hal yang menarik.
2 . Summary
Jadi dapat kita lihat bahwa GDP adalah salah satu indikator penting dalam kasus kejahatan berdasarkan data yang kita punya. Kejahatan dipredeksi akan terus berkembang bila faktor yang kita ambil seperti pengangguran dan tingkat pendidikan tidak diperbaiki. Seperti kita dapat lihat bahwa tingkat pendidikan berdampak cukup tinggi pada kejahatan. Lalu kejahatan juga dipengaruhi oleh pengangguran. Maka saran dari saya adalah pemerintah harus dapat menangani akarnya yaitu pendidikan yang layak sehingga society dapat memiliki pekerjaan yang sesusai dan akan memperkecil tindak kejaatan. Selain itu SARA tidak mempengaruhi tindak kejahatan yang ada berdasarjab data kita.