🧪 JANGAN HANYA BACA — EKSPERIMENKAN! 13 simulator interaktif menanti Anda:
🧪 JANGAN HANYA BACA — EKSPERIMENKAN! 13 simulator interaktif menanti Anda:
ZONA A · Fondasi ZONA B · Uji Hipotesis ZONA C · Lanjutan
🎯 “Tests give you answers. Assumptions tell you whether to trust them.”
📊 Konsep 1: Distribusi Sampling — Mesin di Balik Setiap Uji
🤔 Apa Itu Distribusi Sampling?
Distribusi sampling adalah distribusi dari statistik (seperti rata-rata, proporsi, atau koefisien regresi) yang dihitung dari banyak sampel berbeda yang diambil dari populasi yang sama.
🎲 Analogi Dadu:
Bayangkan Anda melempar 1 dadu 1000 kali — Anda dapat 1000 nilai. Itu distribusi data. Tapi kalau Anda hitung rata-rata dari 100 kelompok masing-masing 10 lemparan — 100 rata-rata itu membentuk distribusi sampling rata-rata. Bentuknya berbeda dari distribusi data asli!
Bayangkan Anda melempar 1 dadu 1000 kali — Anda dapat 1000 nilai. Itu distribusi data. Tapi kalau Anda hitung rata-rata dari 100 kelompok masing-masing 10 lemparan — 100 rata-rata itu membentuk distribusi sampling rata-rata. Bentuknya berbeda dari distribusi data asli!
💡 Mengapa Penting?
Kebanyakan orang melewatkan pemahaman ini. Jangan menjadi kebanyakan orang. Distribusi sampling adalah fondasi inferensi statistik. Ini adalah “mesin” yang membuat interval kepercayaan dan uji hipotesis bekerja.
Kebanyakan orang melewatkan pemahaman ini. Jangan menjadi kebanyakan orang. Distribusi sampling adalah fondasi inferensi statistik. Ini adalah “mesin” yang membuat interval kepercayaan dan uji hipotesis bekerja.
📖 Pelajari lebih dalam: Sesi 06: Sampling Distribution
📈 Konsep 2: CLT (Central Limit Theorem) — Keajaiban Sampel Besar
🤔 Apa Itu CLT?
Teorema Limit Pusat (CLT) menyatakan bahwa dengan ukuran sampel yang cukup besar, distribusi sampling dari rata-rata akan mendekati normal — bahkan jika distribusi populasi asli tidak normal.
🛒 Contoh Praktis:
Pendapatan masyarakat sangat right-skewed (beberapa super kaya, mayoritas menengah-bawah). Tapi kalau Anda ambil sampel 50 orang secara acak dan hitung rata-ratanya — distribusi rata-rata itu akan mendekati lonceng normal!
Pendapatan masyarakat sangat right-skewed (beberapa super kaya, mayoritas menengah-bawah). Tapi kalau Anda ambil sampel 50 orang secara acak dan hitung rata-ratanya — distribusi rata-rata itu akan mendekati lonceng normal!
⚠️ Catatan Penting:
“Cukup besar” tergantung pada distribusi asli:
“Cukup besar” tergantung pada distribusi asli:
- Distribusi normal → n = 1 pun sudah cukup
- Distribusi simetris → n ≥ 15 cukup
- Distribusi sangat skewed → butuh n ≥ 30-50
- Ekor berat (heavy tails) → butuh lebih banyak lagi
📖 Pelajari aplikasi CLT: Sesi 06: Sampling Distribution
📏 Konsep 3: Standard Error — Ketepatan Estimasi Anda
🤔 Apa Itu Standard Error?
Standard Error (SE) adalah simpangan baku dari distribusi sampling. Dengan bahasa yang lebih praktis: SE menjawab pertanyaan “Seberapa jauh estimasi saya dari nilai populasi yang sebenarnya?”
🎯 Analogi Target Tembak:
Bayangkan Anda menembak ke target 10 kali.
Bayangkan Anda menembak ke target 10 kali.
- Standar Deviasi (SD) = sebaran peluru-peluru Anda di papan target (presisi tembakan)
- Standard Error (SE) = jarak rata-rata titik tengah peluru dari titik pusat target (akurasi rata-rata)
⚠️ Beda Fundamental: SD vs SE
| Aspek | Standar Deviasi (SD) | Standard Error (SE) |
|---|---|---|
| Apa yang diukur | Variasi data individual | Variasi estimasi rata-rata |
| Fungsi | “Seberapa menyebar data saya?” | “Seberapa tepat rata-rata sampel saya?” |
| Pengaruh n | Tidak mengecil dengan n besar | Mengecil saat n bertambah |
| Laporkan saat | Deskripsi data (tabel 1) | Inferensi (CI, p-value) |
📊 Rumus
SE = SD / √n
Perhatikan: semakin besar sampel (n), semakin kecil SE. Ini alasan ilmiah mengapa survei dengan 1.000 responden lebih akurat daripada survei 100 responden.
🇮🇩 Contoh Konkret: Survei Pendapatan UMKM Yogyakarta
Skenario: Anda meneliti pendapatan bulanan UMKM di Malioboro.
Sampel 1 (n=25):
Sampel 1 (n=25):
- Rata-rata (x̄) = Rp 8 juta
- SD = Rp 4 juta
- SE = 4 juta / √25 = Rp 800.000
- Rata-rata (x̄) = Rp 8,2 juta
- SD = Rp 4 juta (sama, karena populasi sama)
- SE = 4 juta / √400 = Rp 200.000
💡 Pelajaran Penting:
Perhatikan: SD TETAP Rp 4 juta di kedua sampel (karena variasi pendapatan di Malioboro memang segitu). Tapi SE turun drastis dari Rp 800.000 → Rp 200.000. Artinya: estimasi rata-rata di sampel besar 4× lebih presisi. Inilah sebabnya confidence interval survei 400 responden jauh lebih sempit daripada survei 25 responden!
Perhatikan: SD TETAP Rp 4 juta di kedua sampel (karena variasi pendapatan di Malioboro memang segitu). Tapi SE turun drastis dari Rp 800.000 → Rp 200.000. Artinya: estimasi rata-rata di sampel besar 4× lebih presisi. Inilah sebabnya confidence interval survei 400 responden jauh lebih sempit daripada survei 25 responden!
📐 Aturan Praktis: “Empirical Rule” untuk SE
- ~68% probabilitas x̄ berada dalam ± 1 SE dari μ
- ~95% probabilitas x̄ berada dalam ± 2 SE dari μ (inilah dasar CI 95%!)
- ~99,7% probabilitas x̄ berada dalam ± 3 SE dari μ
⚠️ Kesalahan Umum di Laporan Skripsi:
- ❌ “SD = 0,5” padahal maksudnya SE (biasanya karena output SPSS/Excel yang menyingkat)
- ❌ Error bar di grafik yang tidak dijelaskan apakah itu SD, SE, atau CI
- ❌ Membandingkan SE dua studi dengan ukuran sampel berbeda tanpa konteks
📖 Pelajari aplikasi SE dalam Confidence Interval: Sesi 07: Confidence Interval
🔢 Konsep 4: Degrees of Freedom — Informasi yang Tersisa
🤔 Apa Itu df?
Derajat kebebasan (df) adalah jumlah informasi independen yang tersedia untuk memperkirakan parameter, setelah memperhitungkan parameter yang sudah diestimasi.
🎓 Analogi Nilai Ujian:
Anda punya 10 nilai ujian dengan rata-rata = 75. Anda bebas memilih 9 nilai pertama. Tapi nilai ke-10 harus sedemikian rupa sehingga rata-ratanya jadi 75. Artinya: hanya 9 nilai yang bebas bervariasi → df = 9.
Anda punya 10 nilai ujian dengan rata-rata = 75. Anda bebas memilih 9 nilai pertama. Tapi nilai ke-10 harus sedemikian rupa sehingga rata-ratanya jadi 75. Artinya: hanya 9 nilai yang bebas bervariasi → df = 9.
Rumus Umum: df = n – k (k = jumlah parameter yang diestimasi)
📊 df di Berbagai Uji
| Uji | df |
|---|---|
| 1-sample t-test | n – 1 |
| Independent t-test | n₁ + n₂ – 2 |
| ANOVA | N – k (k = jumlah grup) |
| Regresi sederhana | n – 2 |
💡 Sederhananya: Berapa nilai yang bebas bervariasi. Setiap kali Anda mengestimasi sesuatu, Anda kehilangan satu derajat kebebasan.
⚖️ Konsep 5: H₀ vs H₁ — Disiplin Bahasa Ilmiah
🤔 Apa Bedanya?
- H₀ (Hipotesis Nol) = tidak ada efek, tidak ada perbedaan, status quo
- H₁ (Hipotesis Alternatif) = ada efek, ada perbedaan, klaim Anda
⚠️ Disiplin Bahasa Penting:
Anda TIDAK PERNAH “membuktikan” H₀. Anda hanya menolak atau gagal menolak H₀. Ini penting dalam konteks regulasi dan ilmiah!
Anda TIDAK PERNAH “membuktikan” H₀. Anda hanya menolak atau gagal menolak H₀. Ini penting dalam konteks regulasi dan ilmiah!
⚖️ Analogi Pengadilan:
H₀ = “Terdakwa tidak bersalah” (asumsi awal). Anda tidak pernah “membuktikan tidak bersalah” — Anda hanya bisa “membebaskan karena bukti tidak cukup” (gagal tolak) atau “memvonis bersalah” (menolak H₀).
H₀ = “Terdakwa tidak bersalah” (asumsi awal). Anda tidak pernah “membuktikan tidak bersalah” — Anda hanya bisa “membebaskan karena bukti tidak cukup” (gagal tolak) atau “memvonis bersalah” (menolak H₀).
📖 Pelajari lebih dalam: Hipotesis Nol vs Alternatif
📊 Konsep 6: Test Statistic — Seberapa Ekstrem Hasil Saya?
🤔 Apa Itu Test Statistic?
Statistik uji adalah angka tunggal yang dihitung dari data sampel yang merangkum seberapa jauh estimasi Anda dari hipotesis nol.
📊 Rumus Umum
Test Statistic = (Estimasi – Nilai H₀) / Standard Error
💡 Intuisi:
Statistik uji adalah “signal-to-noise ratio”:
Statistik uji adalah “signal-to-noise ratio”:
- Numerator (estimasi – H₀) = signal (seberapa jauh dari nol)
- Denominator (SE) = noise (seberapa tidak pasti)
📊 Contoh di Berbagai Uji
| Uji | Test Statistic |
|---|---|
| Z-test | Z = (x̄ – μ₀) / (σ/√n) |
| t-test | t = (x̄ – μ₀) / (s/√n) |
| ANOVA | F = MS_between / MS_within |
| Chi-Square | χ² = Σ(O-E)²/E |
🚫 Konsep 7: Rejection Region — Garis Batas Keputusan
🤔 Apa Itu Rejection Region?
Daerah penolakan adalah himpunan nilai statistik uji di mana Anda akan menolak H₀. Ukuran daerah ini adalah tingkat signifikansi (α).
Contoh untuk α = 0,05 (dua arah):
- Z-test: tolak H₀ jika |Z| > 1,96
- t-test: tolak H₀ jika |t| > t_kritis(df, 0,025)
📌 Jika statistik uji jatuh di daerah penolakan → Anda menyatakan signifikan secara statistik.
🎯 Konsep 8: Significance Level (α) — Ambang yang Arbitrer
🤔 Apa Itu α?
Tingkat signifikansi (α) adalah probabilitas menolak H₀ padahal sebenarnya benar — ini disebut Kesalahan Tipe I atau false positive.
Konvensi: α = 0,05 (5%)
⚠️ 0,05 adalah ARBITRER!
- Situasi berisiko tinggi (obat, regulasi bank) → α = 0,01 atau 0,001
- Riset eksploratori → α = 0,10 kadang bisa diterima
- Jangan terjebak pada “magic number” 0,05
📊 Jenis Kesalahan
| H₀ Benar | H₀ Salah | |
|---|---|---|
| Tolak H₀ | Tipe I (α) False Positive | ✅ Keputusan Benar (Power = 1-β) |
| Gagal Tolak H₀ | ✅ Keputusan Benar | Tipe II (β) False Negative |
⚡ Konsep 9: Power (1 – β) — Kemampuan Deteksi Efek
🤔 Apa Itu Power?
Power (1 – β) adalah probabilitas menolak H₀ dengan benar ketika H₀ salah. Ini adalah kemampuan untuk mendeteksi efek nyata.
⚠️ Power Rendah = Risiko Tersembunyi
- Studi dengan power 20% = 80% peluang melewatkan efek nyata
- Banyak penelitian psikologi & biomedis direplikasi gagal karena power rendah
- Standar umum: power ≥ 80%
📊 Faktor yang Mempengaruhi Power
- Ukuran efek — efek besar lebih mudah terdeteksi
- Ukuran sampel — sampel besar → power tinggi
- Significance level — α besar → power tinggi (tapi Tipe I juga naik)
- Variansi — data kurang bervariasi → power tinggi
Power = P(Tolak H₀ | H₀ Salah)
💡 Prinsip LEAN untuk Power:
Sebelum riset, hitung ukuran sampel menggunakan power analysis. Jangan menebak!
Sebelum riset, hitung ukuran sampel menggunakan power analysis. Jangan menebak!
📦 Konsep 10: Confidence Interval — Rentang Plausibel
🤔 Apa Itu CI?
Interval kepercayaan adalah rentang nilai plausibel untuk parameter populasi yang sebenarnya, biasanya dihitung pada tingkat kepercayaan 95%.
⚠️ Interpretasi yang SALAH:
❌ “CI 95% berarti ada 95% probabilitas nilai sebenarnya ada di dalam interval.”
❌ “CI 95% berarti ada 95% probabilitas nilai sebenarnya ada di dalam interval.”
✅ Interpretasi yang BENAR:
“Jika kita ulang sampling 100 kali dan hitung CI setiap kali, 95 dari 100 interval akan memuat nilai parameter sebenarnya.”
“Jika kita ulang sampling 100 kali dan hitung CI setiap kali, 95 dari 100 interval akan memuat nilai parameter sebenarnya.”
Intinya: parameter itu fixed (tidak acak), tapi intervalnya yang acak (berubah dari sampel ke sampel).
📖 Pelajari lebih dalam: Sesi 07: Confidence Interval
📐 Konsep 11: Parametrik vs Non-Parametrik
🤔 Perbedaan Dasar
- Uji parametrik = mengasumsikan bentuk distribusi tertentu (misal: normal)
- Uji non-parametrik = lebih sedikit asumsi distribusi
📊 Tabel Perbandingan
| Aspek | Parametrik | Non-Parametrik |
|---|---|---|
| Asumsi | Normalitas, homoskedastisitas | Sedikit/tidak ada |
| Tipe data | Interval/rasio | Ordinal/nominal juga bisa |
| Power | Lebih tinggi (jika asumsi terpenuhi) | Lebih rendah |
| Robustness | Sensitif outlier | Robust terhadap outlier |
💡 Pilih dengan bijak: Non-parametrik lebih aman tetapi kurang power. Pilih berdasarkan apa yang Anda ketahui tentang data Anda.
📖 Panduan lengkap memilih uji: Uji Parametrik vs Non-Parametrik
➡️ Konsep 12: Satu Arah vs Dua Arah — Risiko Tersembunyi
🤔 Perbedaan
- Uji satu arah (one-tailed): “Apakah X > Y?” atau “Apakah X < Y?”
- Uji dua arah (two-tailed): “Apakah X ≠ Y?”
⚠️ Risiko Uji Satu Arah:
- Memiliki power lebih besar di arah yang Anda tebak
- TAPI: jika Anda salah menebak arah, Anda melewatkan segalanya
- Contoh: Uji “obat baru menurunkan tekanan darah” (satu arah) → kalau obat justru menaikkan darah, Anda gagal mendeteksinya!
💡 Best Practice:
Gunakan dua arah sebagai default. Pakai satu arah hanya jika Anda punya justifikasi kuat (teori, literatur, mekanisme biologis/fisik) dan tidak peduli efek di arah sebaliknya.
Gunakan dua arah sebagai default. Pakai satu arah hanya jika Anda punya justifikasi kuat (teori, literatur, mekanisme biologis/fisik) dan tidak peduli efek di arah sebaliknya.
⚖️ Konsep 13: Estimasi vs Uji — Estimasi Lebih Informatif
🤔 Perbedaan Pertanyaan
- Estimasi (CI) = “Berapa banyak?” → kuantitatif
- Uji hipotesis = “Apakah ada efek?” → biner (ya/tidak)
Contoh: Penelitian obat penurun kolesterol
Uji: “Apakah obat menurunkan kolesterol?” (p = 0,03 → signifikan)
Estimasi: “Obat menurunkan kolesterol sebesar 5 mg/dL (95% CI: 2-8)”
Uji: “Apakah obat menurunkan kolesterol?” (p = 0,03 → signifikan)
Estimasi: “Obat menurunkan kolesterol sebesar 5 mg/dL (95% CI: 2-8)”
⚠️ Uji adalah alat KASAR!
Estimasi (interval kepercayaan, effect size) biasanya memberi Anda wawasan lebih. CI 95%: [2-8] lebih informatif daripada sekadar “p = 0,03”.
Estimasi (interval kepercayaan, effect size) biasanya memberi Anda wawasan lebih. CI 95%: [2-8] lebih informatif daripada sekadar “p = 0,03”.
💡 Tren Modern Statistik:
- ASA Statement 2016: “Jangan hanya andalkan p-value”
- Estimasi + CI + Effect Size = praktik terbaik
- Uji hipotesis = komplemen, bukan pengganti estimasi
📉 Konsep 14: P-Value — Signifikan ≠ Penting
🤔 Apa Itu P-Value?
P-value adalah probabilitas mengamati hasil Anda (atau yang lebih ekstrem) jika H₀ benar.
⚠️ Dengan Sampel Sangat Besar:
Efek sepele pun menghasilkan p-value kecil!
Contoh: n = 100.000, obat menurunkan tekanan darah 0,1 mmHg → p < 0,001 → signifikan secara statistik tapi TIDAK penting secara klinis.
Efek sepele pun menghasilkan p-value kecil!
Contoh: n = 100.000, obat menurunkan tekanan darah 0,1 mmHg → p < 0,001 → signifikan secara statistik tapi TIDAK penting secara klinis.
📊 Interpretasi yang Benar
- p kecil = bukti kuat melawan H₀
- Tapi BUKAN ukuran kepentingan praktis
- Dan BUKAN probabilitas H₀ benar
💡 Solusi: Laporkan 3 Hal
- P-value (signifikansi)
- Effect size (kepentingan praktis)
- Confidence interval (ketidakpastian)
📖 Panduan lengkap p-value: P-Value: Kunci Signifikansi Statistik
🎯 Konsep 15: Diskriminasi vs Kalibrasi — Dua Sisi Prediksi
🤔 Dua Dimensi Kualitas Model Prediksi
- Diskriminasi = kemampuan untuk mengurutkan risiko (misal: AUC, Gini coefficient)
- Kalibrasi = akurasi dari probabilitas yang diprediksi
🏦 Contoh Risiko Kredit:
Model dengan Gini tinggi (diskriminasi) bisa mengurutkan nasabah: yang berisiko tinggi vs rendah. Tapi belum tentu probabilitas default-nya akurat — misal, nasabah dengan PD=10% ternyata default rate-nya 30% (kalibrasi buruk).
Model dengan Gini tinggi (diskriminasi) bisa mengurutkan nasabah: yang berisiko tinggi vs rendah. Tapi belum tentu probabilitas default-nya akurat — misal, nasabah dengan PD=10% ternyata default rate-nya 30% (kalibrasi buruk).
⚠️ Keduanya Penting!
- Gini tinggi tidak menjamin PD akurat
- Kalibrasi baik tidak berguna tanpa kemampuan diskriminasi
- Regulator (OJK, Bank Indonesia) memeriksa KEDUANYA
📊 Metrik Diskriminasi vs Kalibrasi
| Diskriminasi | Kalibrasi |
|---|---|
| AUC-ROC | Hosmer-Lemeshow test |
| Gini coefficient | Brier score |
| Kolmogorov-Smirnov | Calibration plot |
| KS statistic | Expected vs Observed |
📌 Ringkasan: 15 Poin Kunci
- Uji statistik memberi Anda jawaban. Asumsi memberi tahu Anda apakah Anda bisa mempercayainya.
- Distribusi sampling adalah mesin di balik setiap interval kepercayaan dan uji hipotesis.
- CLT memungkinkan inferensi normal bahkan untuk data tidak normal — dengan sampel cukup besar.
- Standard Error mengukur ketepatan estimasi Anda — beda dengan standar deviasi.
- P-value kecil → bukti melawan H₀, tetapi bukan ukuran kepentingan praktis.
- Power adalah kemampuan mendeteksi efek — power rendah = risiko tersembunyi.
- Diskriminasi dan kalibrasi keduanya penting — jangan hanya fokus pada satu.
🎯 Prinsip Utama: Jangan pernah menghafal rumus tanpa memahami konsep di baliknya. Konsep fundamental ini adalah peta jalan untuk menavigasi semua uji statistik yang akan Anda temui.
Materi Sebelumnya
← Sesi 08: Hypothesis TestingLanjut ke Materi Berikutnya
P-Value Explained →Status: Satellite · Topik Fundamental