Statistika #16 (Uji Hipotesis: Ho, H1, NIlai -p dan Keputusan)

STATISTIKA SMA • PAKET 16

Uji Hipotesis: H₀, H₁, Nilai-p, dan Keputusan

Menggunakan data sampel untuk mengevaluasi klaim tentang populasi.

Hipotesis Nol • Hipotesis Alternatif • Taraf Signifikansi • Nilai-p • Kesalahan Keputusan

1. Apa Itu Uji Hipotesis?

Uji hipotesis adalah prosedur statistik untuk menilai apakah data sampel memberikan bukti yang cukup untuk menolak suatu klaim awal tentang populasi.

Contoh: sebuah produsen menyatakan bahwa rata-rata berat produknya 500 gram. Sampel produk diambil untuk menilai apakah data memberikan bukti bahwa rata-rata sebenarnya berbeda dari 500 gram.

Gagasan utama: uji hipotesis tidak membuktikan suatu klaim benar secara mutlak. Uji ini menilai seberapa sesuai data dengan hipotesis nol dan apakah bukti cukup kuat untuk menolaknya.

2. Hipotesis Nol dan Hipotesis Alternatif

Hipotesis nol (\(H_0\)) adalah pernyataan acuan yang diuji. Hipotesis alternatif (\(H_1\) atau \(H_a\)) menyatakan arah atau perbedaan yang ingin didukung oleh bukti.

Jenis uji	Hipotesis nol	Hipotesis alternatif
Dua arah	\(H_0:\mu=\mu_0\)	\(H_1:\mu\ne\mu_0\)
Arah kanan	\(H_0:\mu=\mu_0\)	\(H_1:\mu>\mu_0\)
Arah kiri	\(H_0:\mu=\mu_0\)	\(H_1:\mu<\mu_0\)

Arah uji ditentukan sebelum melihat hasil sampel, berdasarkan pertanyaan penelitian. Jangan memilih uji satu arah hanya karena hasil sampel bergerak ke arah yang diinginkan.

3. Taraf Signifikansi dan Nilai-p

Taraf signifikansi (\(\alpha\)) adalah batas yang ditetapkan sebelum analisis untuk mengendalikan peluang kesalahan tipe I dalam kerangka uji yang digunakan. Nilai yang umum adalah 0,05.

Nilai-p adalah peluang, dengan mengasumsikan \(H_0\) benar dan model statistik sesuai, untuk memperoleh statistik uji yang setidaknya sama ekstrem dengan hasil yang diamati.

Nilai-p bukan peluang bahwa \(H_0\) benar, dan bukan ukuran besarnya efek. Nilai-p yang kecil menunjukkan data kurang sesuai dengan \(H_0\), jika asumsi model berlaku.

Perbandingan	Keputusan umum
\(p\le\alpha\)	Tolak \(H_0\)
\(p>\alpha\)	Gagal menolak \(H_0\)

Gunakan istilah gagal menolak, bukan “menerima \(H_0\) sebagai pasti benar”. Data yang tidak cukup kuat untuk menolak klaim belum tentu membuktikan klaim tersebut.

4. Contoh Uji-Z Dua Arah untuk Rata-rata

Sebuah mesin mengisi kemasan. Klaim awal menyatakan rata-rata berat adalah 500 gram. Simpangan baku populasi diketahui 12 gram. Sampel acak berukuran 36 memiliki rata-rata 504 gram. Uji pada taraf signifikansi 5% apakah rata-rata berbeda dari 500 gram.

1. Tentukan hipotesis: \(H_0:\mu=500\) dan \(H_1:\mu\ne500\).
2. Tentukan \(\alpha=0{,}05\). Untuk uji dua arah, nilai kritis sekitar \(-1{,}96\) dan \(1{,}96\).
3. Hitung galat baku: \(\frac{12}{\sqrt{36}}=2\).
4. Hitung statistik uji: \(z=\frac{504-500}{2}=2\).
5. Karena \(z=2>1{,}96\), statistik berada di daerah penolakan. Nilai-p dua arah sekitar 0,0455.

Keputusan: tolak \(H_0\) pada taraf 5%. Data memberikan bukti statistik bahwa rata-rata berbeda dari 500 gram, dengan asumsi pengambilan sampel dan model sesuai.

Signifikan secara statistik tidak selalu berarti perbedaannya besar atau penting secara praktis. Perhatikan juga ukuran efek, ketidakpastian, kualitas pengukuran, dan konteks.

5. Laboratorium Grafik: Daerah Penolakan Uji Hipotesis

Amati kurva normal standar berikut. Daerah merah menunjukkan daerah penolakan hipotesis nol. Garis putus-putus menandai nilai kritis, sedangkan garis hijau menunjukkan statistik uji dari data yang dimasukkan pada kalkulator di bawah.

Daerah penolakanDaerah tidak menolakStatistik uji z

Grafik akan menyesuaikan dengan nilai pada kalkulator.

Cara membaca: untuk uji dua arah pada α = 5%, daerah penolakan berada di bawah −1,96 dan di atas +1,96. Jika statistik uji jatuh pada salah satu daerah merah, keputusan uji adalah menolak H₀. Untuk uji satu arah, daerah merah hanya berada di ekor sesuai arah hipotesis alternatif.

Grafik ini merupakan sketsa kurva normal standar untuk pembelajaran. Nilai kritis ditampilkan berdasarkan pendekatan normal baku.

6. Kalkulator Uji-Z Rata-rata (Simpangan Baku Populasi Diketahui)

Kalkulator ini menggunakan pendekatan normal baku dan cocok untuk pengantar uji rata-rata ketika \(\sigma\) diketahui dan asumsi yang sesuai terpenuhi.

Rata-rata sampel (\(\bar{x}\)) Rata-rata menurut hipotesis nol (\(\mu_0\)) Simpangan baku populasi (\(\sigma\)) Ukuran sampel (\(n\)) Taraf signifikansi (\(\alpha\)) 10%5%1% Jenis hipotesis alternatif Dua arah: \(\mu\ne\mu_0\) Arah kanan: \(\mu>\mu_0\) Arah kiri: \(\mu<\mu_0\)

Hasil uji akan muncul di sini.

Nilai-p dihitung menggunakan pendekatan fungsi distribusi normal baku.

7. Dua Jenis Kesalahan dalam Uji Hipotesis

Jenis kesalahan	Makna	Contoh sederhana
Tipe I	Menolak \(H_0\) padahal \(H_0\) benar	Menyimpulkan mesin tidak sesuai padahal rata-ratanya sesuai klaim
Tipe II	Gagal menolak \(H_0\) padahal \(H_0\) salah	Tidak menemukan bukti perbedaan padahal perbedaan sebenarnya ada

Taraf signifikansi \(\alpha\) membatasi risiko kesalahan tipe I sesuai rancangan uji. Peluang kesalahan tipe II sering dilambangkan \(\beta\), dan daya uji adalah \(1-\beta\).

Ukuran sampel yang lebih besar dapat meningkatkan daya uji untuk efek tertentu, tetapi perencanaan sampel juga perlu mempertimbangkan ukuran efek, variasi, taraf signifikansi, dan desain penelitian.

8. Nilai-p Bukan Ukuran Efek

Nilai-p dipengaruhi oleh ukuran efek, variasi data, dan ukuran sampel. Dengan sampel sangat besar, perbedaan kecil dapat menghasilkan nilai-p kecil. Karena itu, laporkan juga estimasi efek dan interval kepercayaan jika sesuai.

Kesimpulan yang baik menyebutkan keputusan statistik, konteks pertanyaan, dan keterbatasan data—bukan hanya mengatakan “signifikan” atau “tidak signifikan”.

9. Latihan Soal

Soal 1. Apa fungsi hipotesis nol (\(H_0\))?

Hipotesis nol adalah pernyataan acuan tentang parameter populasi yang dievaluasi menggunakan data sampel.

Soal 2. Jika nilai-p = 0,03 dan \(\alpha=0,05\), apa keputusan uji?

Karena 0,03 ≤ 0,05, keputusan umumnya adalah menolak \(H_0\).

Soal 3. Jelaskan kesalahan tipe I.

Kesalahan tipe I terjadi ketika \(H_0\) ditolak padahal sebenarnya benar.

Soal 4. Rata-rata sampel 52, rata-rata menurut \(H_0\) adalah 50, simpangan baku populasi 10, dan ukuran sampel 25. Hitung statistik Z.

Galat baku \(=10/\sqrt{25}=2\). Maka \(z=(52-50)/2=1\).

Soal 5. Apakah gagal menolak \(H_0\) membuktikan bahwa \(H_0\) pasti benar?

Tidak. Artinya bukti sampel belum cukup kuat untuk menolak \(H_0\) pada taraf signifikansi yang dipilih.

10. Kuis Pemahaman

Pilih satu jawaban yang paling tepat, lalu tekan Periksa Jawaban.

1. Jika \(p=0,02\) dan \(\alpha=0,05\), keputusan umumnya adalah …

Gagal menolak \(H_0\) Menolak \(H_0\) Memastikan \(H_0\) benar

2. Kesalahan tipe I terjadi ketika …

\(H_0\) ditolak padahal benar \(H_0\) gagal ditolak padahal benar Ukuran sampel bertambah

3. Nilai-p adalah …

Peluang \(H_0\) benar Besar efek dalam satuan asli Peluang memperoleh hasil setidaknya sama ekstrem, jika \(H_0\) dan model yang digunakan benar

4. Untuk uji dua arah \(H_1:\mu\ne\mu_0\), daerah ekstrem berada …

Hanya di ekor kanan Di kedua ekor distribusi Hanya di tengah distribusi

5. Jika nilai-p lebih besar daripada \(\alpha\), kita umumnya …

Gagal menolak \(H_0\) Membuktikan \(H_0\) benar Selalu menolak \(H_0\)

6. Mengapa ukuran efek juga perlu diperhatikan?

Karena nilai-p selalu salah Karena efek dan nilai-p adalah hal yang sama Karena signifikansi statistik tidak selalu berarti dampak praktis yang besar

Nilai akan ditampilkan di sini.

Refleksi Akhir

Uji hipotesis membantu kita menilai apakah data sampel memberikan bukti yang cukup untuk menolak klaim awal. Kesimpulan yang baik harus mempertimbangkan nilai-p, taraf signifikansi, ukuran efek, asumsi, dan konteks penelitian.

Tantangan: Buat contoh klaim tentang rata-rata suatu produk atau kebiasaan siswa. Tuliskan \(H_0\), \(H_1\), tentukan taraf signifikansi, lalu jelaskan bukti apa yang dibutuhkan untuk mengambil keputusan.