🎥 Playlist Kuliah: Hypothesis Testing (2 Playlist Tersedia)
Playlist ini berisi penjelasan lengkap untuk seluruh materi Sesi 08. Tonton berurutan dari atas — mulai dari konsep dasar hypothesis testing, sampai uji untuk mean dan proporsi.
📺 Playlist Utama: Hypothesis Testing
📺 Playlist Alternatif: Hypothesis Testing (Versi Lain)
🎯 Bagian 1: Konsep Dasar — Null vs Alternative Hypothesis
🤔 Apa Itu Hypothesis Testing?
Hypothesis testing = prosedur statistik untuk menguji klaim tentang parameter populasi menggunakan data sampel. Kita mulai dengan asumsi (klaim) tertentu, lalu lihat apakah data sampel kontradiksi dengan asumsi itu.
Hypothesis testing seperti sidang pengadilan:
- Terdakwa: “Saya tidak bersalah” (ini asumsi awal = null hypothesis)
- Jaksa: “Saya punya bukti dia bersalah” (ini klaim yang mau dibuktikan = alternative hypothesis)
- Hakim: “Saya asumsikan terdakwa tidak bersalah, UNLESS ada bukti kuat yang meyakinkan sebaliknya.”
📊 Dua Hipotesis yang Saling Bertentangan
❌ H₀: Null Hypothesis
- Status quo / asumsi awal
- “Tidak ada efek” / “tidak ada perbedaan”
- Selalu mengandung tanda =, ≤, atau ≥
- Contoh: μ = 10 juta (rata-rata omzet = 10 juta)
✅ H₁: Alternative Hypothesis
- Klaim yang mau dibuktikan
- “Ada efek” / “ada perbedaan”
- Selalu mengandung tanda ≠, <, atau >
- Contoh: μ ≠ 10 juta (rata-rata omzet ≠ 10 juta)
Seorang konsultan mengklaim: “Rata-rata omzet UMKM di kecamatan ini = Rp10 juta/bulan.”
- H₀: μ = 10 juta (klaim konsultan benar)
- H₁: μ ≠ 10 juta (klaim konsultan salah)
🎯 3 Jenis Uji: One-tailed vs Two-tailed
| Jenis Uji | H₁ | Kapan Dipakai | Contoh |
|---|---|---|---|
| Two-tailed (Dua Arah) | μ ≠ X | Ingin tahu apakah “berbeda” (bisa lebih besar atau lebih kecil) | “Apakah omzet berbeda dari 10 juta?” |
| Right-tailed (Eksperimen Kanan) | μ > X | Ingin tahu apakah “lebih besar” | “Apakah strategi baru meningkatkan omzet >10 juta?” |
| Left-tailed (Eksperimen Kiri) | μ < X | Ingin tahu apakah “lebih kecil” | “Apakah biaya produksi <5 juta?" |
H₀ selalu mengandung tanda = (atau ≤ atau ≥). H₁ selalu mengandung tanda ≠ (atau > atau <). Jangan sampai tertukar!
Untuk pemahaman lebih dalam tentang konsep hypothesis testing, Anda dapat membaca penjelasan dari NIST Engineering Statistics Handbook – What are Hypothesis Tests.
⚠️ Bagian 2: Type I & Type II Errors — Dua Jenis Keputusan Salah
🤔 Mengapa Bisa Salah?
Karena kita pakai sampel (bukan populasi), keputusan kita bisa salah. Ada 2 jenis kesalahan yang mungkin terjadi:
| Keputusan Hakim | Terdakwa Sebenarnya Tidak Bersalah | Terdakwa Sebenarnya Bersalah |
|---|---|---|
| Tidak Bersalah (Gagal Tolak H₀) | ✅ Keputusan Benar | ❌ Type II Error (Bebas padahal bersalah) |
| Bersalah (Tolak H₀) | ❌ Type I Error (Dihukum padahal tidak bersalah) | ✅ Keputusan Benar |
📊 Dua Jenis Error dalam Hypothesis Testing
❌ Type I Error (α)
“False Positive”
Menolak H₀ padahal H₀ benar.
- Probabilitas: α (significance level)
- Contoh bisnis: Menyimpulkan strategi marketing baru efektif, padahal sebenarnya tidak.
- Akibat: Buang-buang biaya untuk strategi yang tidak berguna.
❌ Type II Error (β)
“False Negative”
Gagal menolak H₀ padahal H₀ salah.
- Probabilitas: β
- Contoh bisnis: Menyimpulkan strategi marketing baru tidak efektif, padahal sebenarnya efektif.
- Akibat: Kehilangan peluang keuntungan.
🎯 Significance Level (α)
α = probabilitas maksimum untuk melakukan Type I error yang kita “relakan”.
- α = 0,05 (5%): Standar paling umum — kita rela 5% peluang salah menolak H₀
- α = 0,01 (1%): Lebih konservatif — cuma rela 1% peluang salah
- α = 0,10 (10%): Lebih longgar — rela 10% peluang salah
Kalau Anda turunkan α (biar tidak mudah tolak H₀), Anda naikkan β (lebih mudah gagal deteksi efek yang sebenarnya ada). Tidak ada cara untuk menurunkan keduanya sekaligus — kecuali perbesar ukuran sampel.
📊 Power of the Test (1 − β)
Power = probabilitas benar-benar menolak H₀ ketika H₀ memang salah.
- Power tinggi = uji yang sensitif (mudah deteksi efek)
- Power = 1 − β
- Power dipengaruhi oleh: ukuran sampel, effect size, dan α
- H₀: Obat baru tidak lebih efektif dari obat lama
- H₁: Obat baru lebih efektif
- Type I Error: Menyimpulkan obat baru efektif, padahal tidak → pasien minum obat yang tidak berguna
- Type II Error: Menyimpulkan obat baru tidak efektif, padahal sebenarnya efektif → pasien kehilangan peluang sembuh lebih cepat
Untuk memahami Type I dan Type II errors lebih dalam dengan visualisasi, baca Wikipedia: Type I and Type II Errors.
🧪 Simulasikan Type I & II Error Secara Visual
Bingung membedakan Type I dan Type II error? Di Lab Statistika Interaktif, Anda bisa mengubah significance level (α), effect size, dan ukuran sampel untuk melihat langsung bagaimana area Type I error (false positive) dan Type II error (false negative) berubah secara real-time.
🧪 Buka Lab Statistika Interaktif →📊 Bagian 3: Dua Pendekatan Uji — p-value vs Critical Value
🤔 Bagaimana Cara “Memutuskan”?
Setelah hitung statistik uji dari sampel, ada 2 pendekatan untuk memutuskan apakah menolak H₀ atau tidak:
📊 Pendekatan 1: p-value
“Seberapa ekstrem data saya?”
p-value = probabilitas mendapatkan hasil seekstrem ini (atau lebih ekstrem) jika H₀ benar.
Aturan:
- Jika p-value ≤ α → Tolak H₀
- Jika p-value > α → Gagal tolak H₀
📊 Pendekatan 2: Critical Value
“Apakah statistik uji masuk wilayah penolakan?”
Critical value = batas yang membagi wilayah “gagal tolak” dan “tolak” H₀.
Aturan:
- Jika statistik uji masuk wilayah penolakan → Tolak H₀
- Jika statistik uji tidak masuk → Gagal tolak H₀
Bayangkan Anda ikut ujian dengan passing grade 70.
- Pendekatan p-value: “Nilai saya 85. Berapa % peserta yang nilainya di atas 85? Kalau cuma 5%, berarti nilai saya sangat bagus → saya lulus.”
- Pendekatan critical value: “Passing grade = 70. Nilai saya 85 > 70 → saya lulus.”
📊 Mengapa p-value Lebih Populer?
- Lebih informatif: p-value memberi “seberapa kuat” bukti, bukan cuma “lulus/tidak”
- Fleksibel: Bisa bandingkan dengan α berapapun (tidak perlu hitung ulang critical value)
- Standard di software: Excel, SPSS, R, Python semua output p-value
H₀: μ = 10 juta, H₁: μ ≠ 10 juta, α = 0,05
Sampel 50 UMKM: x̄ = 11,2 juta, s = 2,5 juta
Statistik uji (t) = (11,2 − 10) / (2,5/√50) = 1,2 / 0,354 = 3,39
- Pendekatan p-value: p-value = 0,001. Karena 0,001 < 0,05 → Tolak H₀
- Pendekatan critical value: t-critical (α=0,05, df=49, two-tailed) = ±2,01. Karena 3,39 > 2,01 → masuk wilayah penolakan → Tolak H₀
- ❌ Salah: “p-value = 0,03 artinya 3% peluang H₀ benar.”
- ✅ Benar: “p-value = 0,03 artinya jika H₀ benar, cuma ada 3% peluang mendapatkan data seekstrem ini.”
📈 Bagian 4: Uji untuk Mean — Z-test vs t-test
🤔 Kapan Pakai Z vs t?
Sama seperti confidence interval (Sesi 07), pemilihan Z vs t tergantung pada:
- σ diketahui? → Z-test
- σ tidak diketahui + n ≥ 30? → t-test (atau Z, hasilnya mirip)
- σ tidak diketahui + n < 30? → WAJIB t-test
📊 Kasus 1: Z-test (σ Diketahui)
Dimana:
- x̄ = mean sampel
- μ₀ = nilai yang diklaim di H₀
- σ = standar deviasi populasi
- n = ukuran sampel
Dari literatur, σ omzet UMKM = Rp3 juta. Klaim: μ = 10 juta.
Sampel 50 UMKM: x̄ = 11,2 juta.
- Z = (11,2 − 10) / (3 / √50) = 1,2 / 0,424 = 2,83
- p-value (two-tailed) = 0,0046
- Karena 0,0046 < 0,05 → Tolak H₀
📊 Kasus 2: t-test (σ Tidak Diketahui)
Dimana:
- s = standar deviasi sampel (estimasi σ)
- df = n − 1 (degrees of freedom)
Klaim: rata-rata skor kepuasan = 4,0. σ tidak diketahui.
Sampel 15 pelanggan: x̄ = 4,3, s = 0,6.
- t = (4,3 − 4,0) / (0,6 / √15) = 0,3 / 0,155 = 1,94
- df = 15 − 1 = 14
- p-value (two-tailed) = 0,073
- Karena 0,073 > 0,05 → Gagal tolak H₀
🎯 Langkah-langkah Hypothesis Testing (5 Langkah)
- Langkah 1: Nyatakan H₀ dan H₁
- Langkah 2: Tentukan α (significance level, biasanya 0,05)
- Langkah 3: Hitung statistik uji (Z atau t)
- Langkah 4: Cari p-value (atau bandingkan dengan critical value)
- Langkah 5: Buat keputusan dan interpretasi dalam konteks bisnis
Dalam praktik bisnis, σ hampir tidak pernah diketahui. Jadi Anda akan 95% pakai t-test. Z-test hanya untuk kasus khusus (misal: audit dengan data historis yang sangat lengkap).
📊 Bagian 5: Uji untuk Proporsi — Estimasi Persentase
🤔 Kapan Pakai Uji Proporsi?
Kalau variabel Anda kategorikal biner (ya/tidak, sukses/gagal, puas/tidak puas), dan Anda ingin menguji klaim tentang proporsi populasi (p).
Quick count bilang: “Kandidat A mendapat 55% suara.” Tapi itu cuma sampel. Apakah sebenarnya kandidat A benar-benar menang (>50%)? Uji proporsi menjawab ini.
📊 Rumus Uji Proporsi (Z-test)
Dimana:
- p̂ = proporsi sampel
- p₀ = proporsi yang diklaim di H₀
- n = ukuran sampel
Syarat Validitas:
- n × p₀ ≥ 5 DAN n × (1−p₀) ≥ 5
- Artinya: jumlah “sukses” dan “gagal” yang diharapkan masing-masing minimal 5
Klaim: “60% transaksi e-commerce pakai QRIS” (p₀ = 0,60).
Sampel 500 transaksi: 320 pakai QRIS → p̂ = 320/500 = 0,64.
- Cek syarat: n×p₀ = 500×0,60 = 300 ≥ 5 ✓
- n×(1−p₀) = 500×0,40 = 200 ≥ 5 ✓
- Z = (0,64 − 0,60) / √(0,60×0,40 / 500) = 0,04 / 0,0219 = 1,83
- p-value (two-tailed) = 0,067
- Karena 0,067 > 0,05 → Gagal tolak H₀
Jangan pakai uji proporsi kalau syarat tidak terpenuhi (n×p₀ < 5 atau n×(1−p₀) < 5). Kalau sampel kecil atau proporsi ekstrem (dekat 0% atau 100%), pakai metode alternatif seperti Exact Binomial Test.
📊 Uji Hipotesis dengan Output ala SPSS
Sudah paham teori hypothesis testing? Sekarang praktikkan langsung! Masukkan data sampel Anda ke Kalkulator Statistik SPSS-Style, dan dapatkan output lengkap: t-statistic, degrees of freedom, p-value, dan confidence interval — persis seperti output SPSS, tapi berjalan 100% di browser Anda.
📊 Buka Kalkulator One-Sample Test →🚨 Bagian 6: 7 Kesalahan Fatal Peneliti Pemula dalam Hypothesis Testing
🚨 Mengapa Section Ini Penting?
Setelah mengajar bertahun-tahun, saya melihat pola kesalahan yang sama berulang pada mahasiswa dan peneliti pemula. Section ini adalah “kompilasi dosa statistik” yang harus Anda hindari.
❌ Kesalahan #1: Salah Interpretasi “Gagal Tolak H₀”
Yang salah: “Gagal tolak H₀ artinya H₀ benar.”
Mengapa salah: “Gagal tolak” bukan berarti “terima”. Artinya: data tidak cukup kuat untuk menolak H₀. Bisa jadi H₀ memang benar, atau bisa jadi sampel terlalu kecil untuk deteksi efek.
Analogi: “Tidak terbukti bersalah” ≠ “pasti tidak bersalah”.
❌ Kesalahan #2: Salah Tulis H₀ dan H₁
Yang salah: H₀: μ > 10, H₁: μ = 10
Mengapa salah: H₀ selalu mengandung tanda = (atau ≤ atau ≥). H₁ selalu mengandung tanda ≠ (atau > atau <).
Aturan: H₀ = status quo, H₁ = klaim yang mau dibuktikan.
❌ Kesalahan #3: Pilih α Setelah Lihat Data
Yang salah: Hitung p-value dulu (dapat 0,07), lalu bilang “OK saya pakai α = 0,10 biar signifikan.”
Mengapa salah: α harus ditentukan sebelum lihat data. Kalau tidak, Anda “menggerakkan tiang gawang” — ini bentuk p-hacking yang tidak etis.
❌ Kesalahan #4: Tidak Cek Asumsi
Yang salah: Pakai t-test untuk data yang sangat skewed tanpa cek normalitas.
Mengapa salah: t-test mengasumsikan data (atau sampling distribution) Normal. Kalau data sangat skewed dan n kecil, hasil t-test tidak valid.
Solusi: Cek normalitas dulu, atau pakai uji non-parametrik (Mann-Whitney, Wilcoxon).
❌ Kesalahan #5: “Signifikan” ≠ “Penting”
Yang salah: “p-value = 0,001, berarti hasilnya sangat penting!”
Mengapa salah: Signifikansi statistik (p-value kecil) ≠ signifikansi praktis. Kalau sampel sangat besar (n = 10.000), perbedaan kecil (misal: mean 10,01 vs 10,00) bisa signifikan secara statistik, tapi tidak penting secara bisnis.
Solusi: Selalu laporkan effect size (seberapa besar perbedaannya), bukan cuma p-value.
❌ Kesalahan #6: Multiple Testing Tanpa Koreksi
Yang salah: Uji 20 variabel sekaligus, lalu klaim “3 variabel signifikan!”
Mengapa salah: Kalau α = 0,05, artinya 5% peluang Type I error. Kalau uji 20 kali, peluang setidaknya satu Type I error = 1 − (0,95)^20 = 64%! Sangat tinggi.
Solusi: Pakai koreksi Bonferroni (α baru = α / jumlah uji) atau metode lain.
❌ Kesalahan #7: Tidak Report Effect Size
Yang salah: “p-value = 0,03, jadi H₀ ditolak.” (titik)
Mengapa salah: Pembaca tidak tahu seberapa besar efeknya. Apakah perbedaan 0,1% atau 50%?
Solusi: Selalu laporkan: (1) p-value, (2) effect size (Cohen’s d, odds ratio, dll), (3) confidence interval.
Sebelum submit skripsi/tesis/riset, cek ulang:
- ☑️ Sudah tulis H₀ dan H₁ dengan benar?
- ☑️ Sudah tentukan α sebelum lihat data?
- ☑️ Sudah cek asumsi (normalitas, dll)?
- ☑️ Sudah laporkan effect size, bukan cuma p-value?
- ☑️ Sudah interpretasi “gagal tolak H₀” dengan benar?
✅ Bagian 7: Ringkasan & Checklist Praktis Sesi 08
🗺️ Peta Konsep Sesi 08
| Konsep | Rumus/Aturan Utama | Kapan Dipakai |
|---|---|---|
| H₀ vs H₁ | H₀: =, ≤, ≥ | H₁: ≠, >, < | Selalu di awal hypothesis testing |
| Type I Error (α) | Probabilitas salah tolak H₀ | Ditentukan di awal (biasanya 0,05) |
| Type II Error (β) | Probabilitas gagal tolak H₀ yang salah | Dipengaruhi oleh n, effect size, α |
| Z-test (σ known) | Z = (x̄ − μ₀) / (σ/√n) | σ diketahui (sangat jarang) |
| t-test (σ unknown) | t = (x̄ − μ₀) / (s/√n) | σ tidak diketahui (hampir selalu) |
| Uji Proporsi | Z = (p̂ − p₀) / √(p₀(1−p₀)/n) | Variabel biner (ya/tidak) |
📋 Checklist 7 Langkah Hypothesis Testing
- ☑️ Sudah nyatakan H₀ dan H₁ dengan benar? (H₀ mengandung =)
- ☑️ Sudah tentukan α sebelum lihat data? (standar: 0,05)
- ☑️ Sudah tentukan jenis uji: one-tailed atau two-tailed?
- ☑️ Sudah cek asumsi: normalitas, σ known/unknown, dll?
- ☑️ Sudah hitung statistik uji (Z atau t)?
- ☑️ Sudah cari p-value (atau bandingkan dengan critical value)?
- ☑️ Sudah buat keputusan dan interpretasi dalam konteks bisnis?
🎯 Formula Sheet Ringkas
Z = (x̄ − μ₀) / (σ/√n)
t = (x̄ − μ₀) / (s/√n), df = n−1
Z = (p̂ − p₀) / √(p₀(1−p₀)/n)
p-value ≤ α → Tolak H₀
p-value > α → Gagal tolak H₀
“Hypothesis testing bukan tentang membuktikan H₁ benar. Ini tentang melihat apakah data cukup kuat untuk menolak H₀.”
Selalu laporkan: (1) H₀ dan H₁, (2) α, (3) statistik uji, (4) p-value, (5) effect size, (6) keputusan, (7) interpretasi bisnis.
📚 Persiapan Sesi Berikutnya
Di sesi berikutnya, kita akan masuk ke two-sample hypothesis testing — membandingkan mean atau proporsi dari dua kelompok (misal: apakah omzet UMKM di kota A berbeda dengan kota B?). Pastikan Anda sudah paham konsep one-sample testing di sesi ini sebelum lanjut!