🎥 Playlist Kuliah: Two-Sample Hypothesis Testing
Playlist ini berisi penjelasan lengkap untuk seluruh materi Sesi 09. Tonton berurutan dari atas — mulai dari konsep independent samples, paired samples, sampai uji proporsi dua kelompok.
🎯 Bagian 1: Konsep Dasar — Independent vs Paired Samples
🤔 Apa Itu Two-Sample Testing?
Two-sample hypothesis testing = prosedur statistik untuk membandingkan parameter dari dua kelompok. Kita ingin tahu: apakah ada perbedaan yang signifikan antara kelompok 1 dan kelompok 2?
Anda punya dua toko: Toko A di Jakarta dan Toko B di Surabaya. Anda ingin tahu: “Apakah rata-rata omzet Toko A berbeda dengan Toko B?”
Anda ambil sampel omzet dari kedua toko, lalu uji apakah perbedaannya signifikan atau cuma kebetulan. Inilah two-sample testing.
📊 Dua Jenis Two-Sample Testing
🔀 Independent Samples
“Dua kelompok yang berbeda”
Sampel dari kelompok 1 tidak berhubungan dengan sampel dari kelompok 2.
Contoh:
- Omzet UMKM di Jakarta vs Surabaya
- Kepuasan pelanggan pria vs wanita
- Penjualan sebelum vs sesudah kampanye (grup berbeda)
🔗 Paired Samples (Dependent)
“Dua pengukuran dari subjek yang sama”
Sampel dari kelompok 1 berpasangan dengan sampel dari kelompok 2.
Contoh:
- Penjualan toko yang sama sebelum vs sesudah kampanye
- Skor ujian siswa sebelum vs sesudah pelatihan
- Tekanan darah pasien sebelum vs sesudah obat
Pemilihan independent vs paired menentukan rumus yang dipakai. Kalau Anda pakai rumus yang salah, hasilnya tidak valid. Tanyakan: “Apakah subjek di kelompok 1 sama dengan subjek di kelompok 2?” Kalau YA → paired. Kalau TIDAK → independent.
🎯 Hipotesis untuk Two-Sample Testing
Strukturnya mirip one-sample, tapi sekarang kita bandingkan dua parameter:
Ingin tahu: apakah rata-rata omzet UMKM di Jakarta (μ₁) berbeda dengan Surabaya (μ₂)?
- H₀: μ₁ = μ₂ (atau μ₁ − μ₂ = 0) → tidak ada perbedaan
- H₁: μ₁ ≠ μ₂ (atau μ₁ − μ₂ ≠ 0) → ada perbedaan
- H₀: μ₁ ≤ μ₂
- H₁: μ₁ > μ₂ → omzet Jakarta lebih tinggi
📊 Bagian 2: Independent Samples t-test — Membandingkan Dua Kelompok Berbeda
🤔 Kapan Pakai Independent t-test?
Pakai ketika:
- Anda punya 2 kelompok yang berbeda (misal: pria vs wanita, kota A vs kota B)
- Variabel dependen bersifat kontinu (misal: omzet, skor kepuasan)
- Ingin tahu apakah mean kedua kelompok berbeda
📊 Asumsi Independent t-test
- Independence: Observasi di satu kelompok tidak memengaruhi kelompok lain
- Normalitas: Data di masing-masing kelompok berdistribusi Normal (atau n besar ≥ 30)
- Homogeneity of variance: Varians kedua kelompok sama (σ₁² = σ₂²)
Kalau asumsi homogeneity of variance dilanggar (varians sangat berbeda), pakai Welch’s t-test yang tidak asumsikan varians sama. Di Excel/SPSS, biasanya ada opsi untuk ini.
📊 Rumus Independent t-test
Dimana:
- x̄₁, x̄₂ = mean sampel kelompok 1 dan 2
- s₁², s₂² = varians sampel kelompok 1 dan 2
- n₁, n₂ = ukuran sampel kelompok 1 dan 2
Degrees of Freedom (df)
Untuk pooled variance (varians sama):
Untuk Welch’s t-test (varians tidak sama), df dihitung dengan rumus yang lebih kompleks (software biasanya hitung otomatis).
- Jakarta (n₁ = 30): x̄₁ = Rp12 juta, s₁ = Rp3 juta
- Surabaya (n₂ = 35): x̄₂ = Rp10 juta, s₂ = Rp2,5 juta
- t = (12 − 10) / √(3²/30 + 2,5²/35)
- t = 2 / √(0,3 + 0,179)
- t = 2 / √0,479
- t = 2 / 0,692 = 2,89
- df = 30 + 35 − 2 = 63
- p-value (two-tailed) = 0,005
- Karena 0,005 < 0,05 → Tolak H₀
Di Excel: pakai fungsi
T.TEST(array1, array2, tails, type)– tails: 1 = one-tailed, 2 = two-tailed
– type: 1 = paired, 2 = independent (varians sama), 3 = independent (varians tidak sama/Welch’s)
🔗 Bagian 3: Paired Samples t-test — Membandingkan “Sebelum vs Sesudah”
🤔 Kapan Pakai Paired t-test?
Pakai ketika:
- Anda punya 2 pengukuran dari subjek yang sama (before-after design)
- Atau subjek di kedua kelompok dipasangkan (matched pairs)
- Ingin tahu apakah ada perubahan signifikan dari waktu 1 ke waktu 2
Anda ingin tahu apakah program diet efektif. Anda ukur berat badan 20 orang sebelum dan sesudah program.
Karena setiap orang diukur 2x, data “sebelum” dan “sesudah” berpasangan — orang ke-1 sebelum dengan orang ke-1 sesudah, dst. Inilah paired samples.
📊 Konsep Dasar Paired t-test
Paired t-test sebenarnya adalah one-sample t-test dari selisih (difference) antara pasangan:
- Hitung selisih setiap pasangan: dᵢ = x₁ᵢ − x₂ᵢ
- Hitung mean selisih: d̄
- Uji apakah d̄ signifikan berbeda dari 0
📊 Rumus Paired t-test
Dimana:
- d̄ = mean selisih pasangan
- s_d = standar deviasi selisih
- n = jumlah pasangan
- df = n − 1
Sebuah UMKM ingin tahu apakah kampanye Instagram meningkatkan penjualan. Data penjualan harian (juta Rp) dari 8 toko:
| Toko | Sebelum | Sesudah | Selisih (d) |
|---|---|---|---|
| 1 | 5,2 | 6,1 | 0,9 |
| 2 | 4,8 | 5,5 | 0,7 |
| 3 | 6,0 | 6,8 | 0,8 |
| 4 | 5,5 | 6,2 | 0,7 |
| 5 | 4,5 | 5,0 | 0,5 |
| 6 | 5,8 | 6,5 | 0,7 |
| 7 | 5,0 | 5,8 | 0,8 |
| 8 | 4,9 | 5,6 | 0,7 |
- d̄ = (0,9+0,7+0,8+0,7+0,5+0,7+0,8+0,7) / 8 = 0,7
- s_d = 0,12
- t = 0,7 / (0,12 / √8) = 0,7 / 0,042 = 16,67
- df = 8 − 1 = 7
- p-value < 0,001
- Karena p-value < 0,05 → Tolak H₀
🎯 Independent vs Paired: Kapan Pakai yang Mana?
| Situasi | Jenis Uji |
|---|---|
| Bandingkan pria vs wanita | Independent |
| Bandingkan sebelum vs sesudah (subjek sama) | Paired |
| Bandingkan toko A vs toko B (lokasi berbeda) | Independent |
| Bandingkan penjualan toko yang sama sebelum vs sesudah promo | Paired |
| Bandingkan kelas yang pakai metode ajar A vs B (siswa berbeda) | Independent |
| Bandingkan skor ujian siswa sebelum vs sesudah les | Paired |
Pakai independent t-test untuk data before-after. Ini salah karena mengabaikan korelasi antara pengukuran sebelum dan sesudah. Power uji jadi lebih rendah (sulit deteksi efek). Selalu pakai paired t-test untuk before-after design!
📊 Bagian 4: Two-Sample Z-test untuk Proporsi — Bandingkan Persentase
🤔 Kapan Pakai Uji Proporsi Dua Kelompok?
Kalau variabel Anda kategorikal biner (ya/tidak, sukses/gagal) dan Anda ingin membandingkan proporsi dari dua kelompok.
Anda ingin tahu: “Apakah persentase pemilih kandidat A di Jawa Barat berbeda dengan di Jawa Timur?”
Anda ambil sampel dari kedua provinsi, hitung proporsi pemilih kandidat A, lalu uji apakah perbedaannya signifikan.
📊 Hipotesis
- H₀: p₁ = p₂ (atau p₁ − p₂ = 0) → tidak ada perbedaan proporsi
- H₁: p₁ ≠ p₂ → ada perbedaan proporsi
📊 Rumus Two-Sample Z-test untuk Proporsi
Dimana:
- p̂₁, p̂₂ = proporsi sampel kelompok 1 dan 2
- p̄ = pooled proportion = (x₁ + x₂) / (n₁ + n₂)
- x₁, x₂ = jumlah “sukses” di kelompok 1 dan 2
- n₁, n₂ = ukuran sampel kelompok 1 dan 2
Syarat Validitas:
- n₁p̄ ≥ 5, n₁(1−p̄) ≥ 5
- n₂p̄ ≥ 5, n₂(1−p̄) ≥ 5
Ingin tahu: apakah proporsi transaksi QRIS di Jakarta (p₁) berbeda dengan Surabaya (p₂)?
- Jakarta: n₁ = 400, x₁ = 280 pakai QRIS → p̂₁ = 0,70
- Surabaya: n₂ = 350, x₂ = 210 pakai QRIS → p̂₂ = 0,60
- p̄ = (280 + 210) / (400 + 350) = 490 / 750 = 0,653
- Z = (0,70 − 0,60) / √(0,653 × 0,347 × (1/400 + 1/350))
- Z = 0,10 / √(0,2266 × 0,00536)
- Z = 0,10 / √0,001215
- Z = 0,10 / 0,0349 = 2,87
- p-value (two-tailed) = 0,004
- Karena 0,004 < 0,05 → Tolak H₀
Uji proporsi dua kelompok sangat berguna untuk:
- Membandingkan conversion rate antar kampanye marketing
- Membandingkan tingkat kepuasan antar segmen pelanggan
- Membandingkan market share antar wilayah
🔍 Bagian 5: Asumsi Uji dan Cara Cek Normalitas
🤔 Mengapa Asumsi Penting?
Semua uji parametrik (t-test, Z-test) punya asumsi. Kalau asumsi dilanggar, hasil uji tidak valid — bisa jadi terlalu optimis (Type I error tinggi) atau terlalu konservatif (Type II error tinggi).
📊 Asumsi Utama Two-Sample t-test
| Asumsi | Cara Cek | Jika Dilanggar |
|---|---|---|
| Independence | Desain riset (random sampling) | Hasil tidak valid, pertimbangkan desain ulang |
| Normalitas | Histogram, Q-Q plot, Shapiro-Wilk | |
| Homogeneity of variance |
🔍 Cara Cek Normalitas
1. Visual: Histogram
Buat histogram data tiap kelompok. Kalau bentuknya simetris seperti lonceng, kemungkinan Normal.
2. Visual: Q-Q Plot (Quantile-Quantile)
Plot quantil data vs quantil distribusi Normal. Kalau titik-titik mengikuti garis diagonal, data Normal.
3. Uji Statistik: Shapiro-Wilk
H₀: Data berdistribusi Normal
H₁: Data tidak berdistribusi Normal
- Jika p-value > 0,05 → gagal tolak H₀ → data Normal
- Jika p-value ≤ 0,05 → tolak H₀ → data tidak Normal
- Shapiro-Wilk sensitif untuk sampel besar — bisa deteksi penyimpangan kecil yang tidak praktis
- Untuk n > 50, lebih baik pakai visual inspection (histogram, Q-Q plot)
- Untuk n < 30, Shapiro-Wilk lebih reliable
🎯 Solusi Jika Asumsi Dilanggar
Normalitas dilanggar:
- Transformasi data: Log, square root, atau Box-Cox transformation
- Uji non-parametrik: Mann-Whitney U test (independent), Wilcoxon signed-rank (paired)
- Bootstrap: Resampling technique yang tidak butuh asumsi Normal
Homogeneity of variance dilanggar:
- Welch’s t-test: Tidak asumsikan varians sama
- Di Excel:
T.TEST(array1, array2, tails, 3) - Di SPSS/R: biasanya ada opsi “equal variances not assumed”
“Cek asumsi dulu, baru uji.”
Jangan langsung jalankan t-test tanpa cek asumsi. Luangkan waktu 5 menit untuk cek normalitas dan homogeneity of variance. Kalau asumsi dilanggar, pilih metode yang tepat.
🚨 Bagian 6: 6 Kesalahan Fatal Peneliti Pemula dalam Two-Sample Testing
🚨 Mengapa Section Ini Penting?
Two-sample testing adalah uji yang paling sering dipakai dalam riset bisnis — tapi juga paling sering disalahgunakan. Berikut 6 kesalahan yang harus Anda hindari:
❌ Kesalahan #1: Tertukar Independent vs Paired
Yang salah: Pakai independent t-test untuk data before-after.
Akibat: Power uji turun drastis — sulit deteksi efek yang sebenarnya ada. Bisa jadi Type II error.
Solusi: Tanyakan: “Apakah subjek di kelompok 1 sama dengan subjek di kelompok 2?” Kalau YA → paired. Kalau TIDAK → independent.
❌ Kesalahan #2: Tidak Cek Asumsi Normalitas
Yang salah: Langsung jalankan t-test tanpa cek apakah data Normal.
Akibat: Kalau data sangat skewed dan n kecil, hasil t-test tidak valid.
Solusi: Cek normalitas dulu (histogram, Shapiro-Wilk). Kalau tidak Normal, pakai Mann-Whitney atau transformasi data.
❌ Kesalahan #3: Tidak Cek Homogeneity of Variance
Yang salah: Asumsikan varians sama tanpa uji.
Akibat: Kalau varians sangat berbeda, t-test bisa terlalu liberal (Type I error tinggi) atau terlalu konservatif.
Solusi: Pakai Levene’s test. Kalau p-value < 0,05 → varians berbeda → pakai Welch’s t-test.
❌ Kesalahan #4: Multiple Testing Tanpa Koreksi
Yang salah: Bandingkan 5 kelompok sekaligus dengan 10 pairwise t-test.
Akibat: Peluang Type I error meledak! Kalau α = 0,05 dan uji 10 kali, peluang setidaknya satu Type I error = 1 − (0,95)^10 = 40%!
Solusi: Pakai ANOVA (untuk >2 kelompok) atau koreksi Bonferroni (α baru = α / jumlah uji).
❌ Kesalahan #5: “Signifikan” ≠ “Penting”
Yang salah: “p-value = 0,001, berarti perbedaannya sangat penting!”
Akibat: Kalau sampel sangat besar, perbedaan kecil (misal: mean 10,01 vs 10,00) bisa signifikan secara statistik, tapi tidak penting secara bisnis.
Solusi: Selalu laporkan effect size (Cohen’s d untuk t-test) — seberapa besar perbedaannya, bukan cuma apakah signifikan.
❌ Kesalahan #6: Tidak Report Confidence Interval
Yang salah: “Mean kelompok 1 = 12, mean kelompok 2 = 10, p = 0,03.” (titik)
Akibat: Pembaca tidak tahu seberapa besar perbedaannya dan seberapa presisi estimasi.
Solusi: Selalu laporkan: (1) mean kedua kelompok, (2) selisih mean, (3) 95% CI untuk selisih, (4) p-value, (5) effect size.
Sebelum submit riset, cek ulang:
- ☑️ Sudah pilih independent vs paired dengan benar?
- ☑️ Sudah cek asumsi normalitas?
- ☑️ Sudah cek homogeneity of variance?
- ☑️ Sudah laporkan effect size, bukan cuma p-value?
- ☑️ Sudah laporkan confidence interval untuk selisih mean?
✅ Bagian 7: Ringkasan & Checklist Praktis Sesi 09
🗺️ Peta Konsep Sesi 09
| Jenis Uji | Rumus Utama | Kapan Dipakai |
|---|---|---|
| Independent t-test | t = (x̄₁ − x̄₂) / √(s₁²/n₁ + s₂²/n₂) | 2 kelompok berbeda, variabel kontinu |
| Paired t-test | t = d̄ / (s_d / √n) | Before-after atau matched pairs |
| Two-sample Z-test (proporsi) | Z = (p̂₁ − p̂₂) / √(p̄(1−p̄)(1/n₁ + 1/n₂)) | 2 kelompok, variabel biner |
📋 Checklist 8 Langkah Two-Sample Testing
- ☑️ Sudah tentukan jenis uji: independent atau paired?
- ☑️ Sudah nyatakan H₀ dan H₁ dengan benar?
- ☑️ Sudah tentukan α (biasanya 0,05)?
- ☑️ Sudah cek asumsi normalitas (histogram, Shapiro-Wilk)?
- ☑️ Sudah cek homogeneity of variance (Levene’s test)?
- ☑️ Sudah hitung statistik uji (t atau Z)?
- ☑️ Sudah cari p-value dan buat keputusan?
- ☑️ Sudah laporkan effect size dan confidence interval?
🎯 Formula Sheet Ringkas
t = (x̄₁ − x̄₂) / √(s₁²/n₁ + s₂²/n₂)
df = n₁ + n₂ − 2
t = d̄ / (s_d / √n)
df = n − 1
Z = (p̂₁ − p̂₂) / √(p̄(1−p̄)(1/n₁ + 1/n₂))
“Two-sample testing bukan cuma tentang ‘apakah berbeda’, tapi ‘seberapa besar perbedaannya’ dan ‘apakah perbedaan itu penting secara bisnis’.”
Selalu laporkan: (1) jenis uji, (2) asumsi yang dicek, (3) statistik uji, (4) p-value, (5) effect size, (6) confidence interval, (7) interpretasi bisnis.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke ANOVA (Analysis of Variance) — ekstensi dari t-test untuk membandingkan lebih dari 2 kelompok. Pastikan Anda sudah paham two-sample testing di sesi ini sebelum lanjut!
Materi di bawah ini adalah versi deep-dive dari poin-poin yang sudah kita bahas di atas — mencakup Excel formula lengkap, bedah kasus, dan contoh tambahan. Silakan dibaca sebagai pelengkap.
↓ Gulir ke bawah untuk materi pelengkap ↓
Sesi 09 – Hypothesis Testing (Two-Sample Tests)
Learning Guide
Sesi ini membahas pengujian hipotesis yang melibatkan dua populasi, baik yang saling independen maupun berpasangan, serta pengujian perbedaan proporsi.
Learning Objectives
- Menguji perbedaan mean dua populasi independen
- Menguji perbedaan mean dua populasi berpasangan
- Menguji perbedaan proporsi dua populasi independen
10.1 Two Independent Samples (Mean)
Contoh: Membandingkan rata-rata penjualan toko A dan toko B. Kedua sampel diambil secara independen.
Praktik Excel
=T.TEST(A2:A21,B2:B21,2,2)
Nilai p-value digunakan untuk menentukan apakah perbedaan rata-rata signifikan secara statistik.
10.2 Two Related Samples (Paired Test)
Contoh: Mengukur produktivitas karyawan sebelum dan sesudah pelatihan.
Praktik Excel
=T.TEST(A2:A21,B2:B21,2,1)
10.3 Two-Sample Test for Proportions
Contoh: Membandingkan tingkat kepuasan pelanggan antara dua cabang toko.
Konsep:
Perbedaan proporsi diuji menggunakan pendekatan distribusi normal untuk selisih proporsi.
Sumber: Levine et al. (2017), Chapter 10