Anda meneliti kinerja karyawan di dua divisi. Divisi A rata-rata skornya 7, divisi B rata-rata 5. Selisihnya 2 poin, dan di atas kertas divisi A terlihat lebih unggul.
Tetapi ada keraguan yang mengganjal. Anda tidak mengukur seluruh karyawan, hanya mengambil beberapa orang dari tiap divisi. Bagaimana kalau kebetulan orang B yang Anda ambil sedang kurang bagus, sementara orang B lain yang tidak terambil sebenarnya hebat-hebat? Kalau begitu, selisih 2 poin itu cuma kebetulan pengambilan sampel, bukan beda yang sungguhan.
Inilah pertanyaan yang menentukan bab 4 skripsi Anda: selisih 2 poin tadi benar-benar menunjukkan divisi A lebih tinggi, atau sekadar keberuntungan sampel? Uji t dua sampel independen dibuat persis untuk menjawabnya.
Kapan Dipakai
Uji t dua sampel independen membandingkan rata-rata dua kelompok yang berbeda orang (atau objek) dan tidak saling terkait. Kata kuncinya: independen — anggota kelompok satu bukan anggota kelompok dua, dan apa yang terjadi pada satu orang tidak memengaruhi orang di kelompok lain. Contoh:
- Kinerja karyawan divisi A vs divisi B.
- Nilai ujian kelas pagi vs kelas sore.
- Kepuasan pelanggan pria vs wanita.
Hati-hati jangan tertukar dengan dua saudaranya:
| Uji | Yang dibandingkan | Contoh |
|---|---|---|
| t satu sampel | satu kelompok vs nilai acuan | rata-rata kepuasan vs netral 3 |
| t dua sampel independen | dua kelompok beda orang | divisi A vs divisi B |
| t berpasangan | satu kelompok diukur dua kali | nilai sebelum vs sesudah pelatihan |
Kalau orang yang sama Anda ukur dua kali (pra-uji lalu pasca-uji), itu bukan independen, itu berpasangan. Kalau kelompoknya ada tiga atau lebih, jangan dipaksa pakai uji t berkali-kali, pindah ke ANOVA satu arah.
Intuisi: Dua Kurva yang Tumpang-Tindih
Sebelum menyentuh rumus, bayangkan datanya sebagai gambar. Tiap kelompok punya sebaran nilainya sendiri — sebuah bukit kecil yang berpusat di rata-ratanya. Pertanyaan “apakah dua kelompok berbeda” sama saja dengan “apakah dua bukit ini terpisah, atau menumpuk jadi satu?”
Dua hal menentukan apakah selisih dua rata-rata meyakinkan:
- Seberapa jauh dua puncak — makin besar selisih $\bar{x}_1 - \bar{x}_2$, makin meyakinkan.
- Seberapa lebar tiap bukit — makin lebar sebarannya (makin gemuk kurvanya), makin gampang dua bukit yang berpusat beda tetap saling menindih, jadi selisihnya makin tidak meyakinkan.
Statistik t menggabungkan keduanya jadi satu angka: selisih rata-rata dibagi ukuran lebar-sebaran-gabungan. Angka besar artinya dua puncak jauh relatif terhadap lebarnya — bukti kuat bahwa kedua kelompok memang beda.
Rumus
$$ t = \frac{\bar{x}_1 - \bar{x}_2}{s_p\sqrt{\dfrac{1}{n_1}+\dfrac{1}{n_2}}} $$Penjelasan tiap lambang:
- $\bar{x}_1$ (dibaca “x-bar satu”) = rata-rata kelompok 1. Misalnya nilai divisi A dijumlah lalu dibagi banyaknya orang.
- $\bar{x}_2$ = rata-rata kelompok 2.
- $n_1, n_2$ = banyak anggota tiap kelompok. Kalau divisi A diisi 5 orang, $n_1 = 5$.
- $s_p$ (dibaca “s-p”, pooled standard deviation) = simpangan baku gabungan, yaitu satu ukuran sebaran yang dirakit dari kedua kelompok sekaligus.
Pembilang $\bar{x}_1 - \bar{x}_2$ adalah selisih dua rata-rata — jarak antara dua puncak pada gambar tadi. Penyebut $s_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}$ adalah standar error selisih: perkiraan seberapa jauh selisih dua rata-rata bisa meleset gara-gara kebetulan sampel. Membaginya berarti bertanya: “selisih yang saya lihat ini berapa kali lipat dari meleset yang wajar?”
Varians gabungan: dari mana $s_p$ datang
Simpangan baku gabungan dihitung dari varians gabungan:
$$ s_p^2 = \frac{SS_1 + SS_2}{n_1 + n_2 - 2} $$Penjelasan tiap lambang:
- $SS_1, SS_2$ = jumlah kuadrat simpangan tiap kelompok, yaitu $\sum (x_i - \bar{x})^2$ — jumlah dari (tiap data dikurangi rata-rata kelompoknya, lalu dikuadratkan). Istilahnya sum of squares. Simpangan polos: kalau sebuah nilai 9 dan rata-rata grupnya 7, simpangannya $9 - 7 = 2$, kuadratnya $2^2 = 4$.
- $n_1 + n_2 - 2$ = derajat bebas. Kita kurangi 2 karena “membayar” satu rata-rata untuk tiap kelompok (untuk menghitung simpangan, rata-rata tiap grup harus ditaksir lebih dulu).
Ide $s_p$: kita berasumsi kedua kelompok punya sebaran yang mirip, jadi informasi dari keduanya digabung untuk menaksir satu sebaran bersama yang lebih stabil. Asumsi ini namanya kesamaan varians (homogeneity of variance), dan itulah yang dicek uji Levene — kita bahas di bagian keputusan.
Contoh Hitung Manual dari Nol
Dua divisi, masing-masing 5 karyawan. Skor kinerja (skala 1–10):
- Grup A: 7, 8, 6, 9, 5
- Grup B: 5, 4, 6, 5, 5
Uji apakah rata-rata kedua divisi berbeda.
Langkah 1 — rata-rata tiap grup.
$$ \bar{x}_1 = \frac{7+8+6+9+5}{5} = \frac{35}{5} = 7 \qquad \bar{x}_2 = \frac{5+4+6+5+5}{5} = \frac{25}{5} = 5 $$Langkah 2 — jumlah kuadrat (SS) tiap grup. Hitung simpangan tiap data dari rata-rata grupnya ($x_i - \bar{x}$), lalu kuadratkan, lalu jumlahkan. Pakai tabel agar rapi.
Grup A (rata-rata 7):
| $x_i$ | $x_i - \bar{x}_1$ | $(x_i - \bar{x}_1)^2$ |
|---|---|---|
| 7 | 0 | 0 |
| 8 | 1 | 1 |
| 6 | −1 | 1 |
| 9 | 2 | 4 |
| 5 | −2 | 4 |
| Σ | 0 | 10 |
Grup B (rata-rata 5):
| $x_i$ | $x_i - \bar{x}_2$ | $(x_i - \bar{x}_2)^2$ |
|---|---|---|
| 5 | 0 | 0 |
| 4 | −1 | 1 |
| 6 | 1 | 1 |
| 5 | 0 | 0 |
| 5 | 0 | 0 |
| Σ | 0 | 2 |
Perhatikan kolom tengah kedua tabel: jumlah simpangan selalu 0 — itu sebabnya kita kuadratkan dulu sebelum menjumlahkan, persis seperti pada varians.
Langkah 3 — varians gabungan dan simpangan baku gabungan.
$$ s_p^2 = \frac{SS_1 + SS_2}{n_1 + n_2 - 2} = \frac{10 + 2}{5 + 5 - 2} = \frac{12}{8} = 1{,}5 $$$$ s_p = \sqrt{1{,}5} \approx 1{,}225 $$Langkah 4 — standar error selisih.
$$ s_p\sqrt{\frac{1}{n_1}+\frac{1}{n_2}} = 1{,}225 \times \sqrt{\frac{1}{5}+\frac{1}{5}} = 1{,}225 \times \sqrt{0{,}4} = 1{,}225 \times 0{,}632 \approx 0{,}775 $$Langkah 5 — statistik t.
$$ t = \frac{\bar{x}_1 - \bar{x}_2}{0{,}775} = \frac{7 - 5}{0{,}775} = \frac{2}{0{,}775} \approx 2{,}58 $$Selisih 2 poin tadi setara dengan sekitar 2,58 kali standar error-nya. Apakah itu cukup besar? Bagian berikut menjawabnya.
Mengambil Keputusan
Statistik t dibandingkan dengan nilai kritis dari t-tabel. Kalau t-hitung jatuh melewati nilai kritis (masuk ke ekor), selisihnya terlalu besar untuk sekadar kebetulan, dan kita tolak anggapan “tidak ada beda”.
Derajat bebas: $df = n_1 + n_2 - 2 = 5 + 5 - 2 = 8$. Pada $df = 8$, taraf 5% dua arah, nilai kritis t-tabel = 2,306.
| Kondisi | Keputusan |
|---|---|
| |t-hitung| > t-tabel (atau Sig. < 0,05) | Rata-rata dua kelompok berbeda signifikan |
| |t-hitung| ≤ t-tabel (atau Sig. ≥ 0,05) | Tidak berbeda signifikan |
Karena $2{,}58 > 2{,}306$, rata-rata kedua divisi berbeda signifikan. Selisih 2 poin tadi kecil kemungkinannya muncul hanya karena kebetulan sampel; divisi A memang lebih tinggi. (Nilai-Sig. atau p-value pasangannya di sini $\approx 0{,}033$, di bawah 0,05 — keputusan yang sama.)
Pooled atau Welch? Inilah uji Levene
Output SPSS untuk uji ini punya dua baris, dan inilah yang paling sering bikin mahasiswa salah:
- Equal variances assumed (varians dianggap sama) — memakai rumus $s_p$ di atas, varians digabung. Ini yang kita pakai pada contoh tadi.
- Equal variances not assumed (Welch) — versi koreksi untuk saat varians kedua kelompok jauh berbeda. Welch tidak menggabung varians; ia memakai varians tiap kelompok apa adanya dan menyesuaikan derajat bebasnya.
Yang menentukan baris mana yang dipakai adalah uji Levene di kolom paling kiri output. Uji Levene menguji satu hal: apakah sebaran (varians) kedua kelompok boleh dianggap sama?
- Levene Sig. > 0,05 → varians dianggap sama → baca baris Equal variances assumed (pooled).
- Levene Sig. < 0,05 → varians beda → baca baris Equal variances not assumed (Welch).
Pada contoh kita, Levene memberi Sig. $\approx 0{,}11$ (di atas 0,05), jadi varians boleh dianggap sama dan baris pooled-lah yang benar — sesuai pilihan kita.
Jadi urutannya selalu: lihat Levene dulu → tentukan baris t mana yang dipakai → baru baca Sig. (2-tailed) di baris itu. Banyak yang langsung loncat ke kolom t tanpa cek Levene, lalu salah baris dan salah kesimpulan.
Di SPSS jalurnya: Analyze → Compare Means → Independent-Samples T Test. Masukkan skor ke Test Variable, variabel kelompok (mis. kode 1 = divisi A, 2 = divisi B) ke Grouping Variable, lalu klik Define Groups untuk mengisi kodenya.
Bereksperimen Sendiri
Geser pengatur dan amati bagaimana statistik t bereaksi: makin jauh rata-rata grup A dari grup B, makin besar t; makin lebar sebaran, makin kecil t.
Coba tiga hal ini, satu per satu:
- Geser rata-rata grup A menjauh dari grup B → dua kurva makin terpisah, t membesar.
- Perbesar simpangan baku gabungan → kurva makin melebar dan saling menindih, t mengecil (bukti makin lemah).
- Tambah $n$ per grup → t membesar walau selisih rata-rata tetap (sampel lebih besar = bukti lebih kuat).
Rumus di Excel
=AVERAGE(A2:A6) → rata-rata grup A
=DEVSQ(A2:A6) → SS grup A (jumlah kuadrat simpangan)
=(DEVSQ(A2:A6)+DEVSQ(B2:B6))/(5+5-2) → varians gabungan s_p²
=T.TEST(A2:A6; B2:B6; 2; 2) → p-value, dua arah, pooled (tipe 2)
=T.TEST(A2:A6; B2:B6; 2; 3) → p-value, dua arah, Welch (tipe 3)
=T.INV.2T(0,05; 8) → nilai kritis t-tabel, df=8
Catatan: argumen terakhir T.TEST memilih jenis uji — 2 = dua sampel varians sama (pooled), 3 = dua sampel varians beda (Welch). Pilih sesuai hasil Levene.
Berkas pendamping berisi data kedua grup, kolom selisih dan selisih kuadrat untuk $SS_1$ dan $SS_2$, varians gabungan $s_p^2$ dan $s_p$, standar error selisih, statistik t, derajat bebas, perbandingan dengan t-tabel, ditambah catatan uji Levene dan kapan pindah ke Welch.
Cek Pemahaman
1. Sebuah uji dua sampel menghasilkan $t$-hitung = 1,80 dengan $df = 8$. Nilai kritis t-tabel pada taraf 5% dua arah untuk $df = 8$ adalah 2,306. Apa keputusannya, dan apa artinya?
Lihat jawaban
Bandingkan: $|1{,}80| < 2{,}306$, jadi t-hitung tidak melewati nilai kritis. Keputusan: tidak berbeda signifikan — selisih dua rata-rata yang teramati masih dalam batas yang wajar muncul karena kebetulan sampel, sehingga kita belum punya bukti cukup untuk menyatakan kedua kelompok berbeda. Catatan penting: “tidak signifikan” bukan berarti “pasti sama”, hanya “buktinya belum cukup”.
2. (Transfer — hitung sendiri dari nol) Dua kelas kecil mengikuti metode belajar berbeda. Kelas X: 10, 12, 14. Kelas Y: 6, 8, 10. Hitung statistik t, lalu ambil keputusan. Nilai kritis t-tabel untuk $df = 4$ pada taraf 5% dua arah = 2,776.
Lihat jawaban
Rata-rata: $\bar{x}_1 = (10+12+14)/3 = 12$; $\bar{x}_2 = (6+8+10)/3 = 8$. Selisih = 4.
Jumlah kuadrat. Kelas X, simpangan dari 12: −2, 0, 2 → kuadrat 4, 0, 4 → $SS_1 = 8$. Kelas Y, simpangan dari 8: −2, 0, 2 → kuadrat 4, 0, 4 → $SS_2 = 8$.
Varians gabungan: $s_p^2 = (8+8)/(3+3-2) = 16/4 = 4$, maka $s_p = 2$.
Standar error selisih: $2 \times \sqrt{\tfrac{1}{3}+\tfrac{1}{3}} = 2 \times \sqrt{0{,}667} = 2 \times 0{,}816 \approx 1{,}633$.
Statistik t: $t = 4 / 1{,}633 \approx 2{,}45$.
Keputusan: $|2{,}45| < 2{,}776$ → tidak berbeda signifikan. Meski selisih rata-rata tampak besar (4 poin), sampel terlalu kecil (df hanya 4) sehingga buktinya belum cukup kuat. Inilah pelajarannya: selisih besar saja tidak otomatis signifikan — ukuran sampel ikut menentukan.
Kesalahan Umum
Memakai data berpasangan sebagai independen. Kalau subjek yang sama Anda ukur dua kali (sebelum–sesudah), itu berpasangan, bukan independen. Salah uji bikin standar error keliru. Cek: apakah baris grup 1 dan grup 2 orang yang sama? Kalau ya, pakai uji t berpasangan.
Mengabaikan uji Levene. Langsung membaca baris pertama tanpa cek Levene. Kalau ternyata varians beda (Levene Sig. < 0,05), baris yang benar adalah Welch (equal variances not assumed). Selalu lihat Levene dulu, baru tentukan baris.
Salah derajat bebas. Uji ini pakai $df = n_1 + n_2 - 2$, bukan $n - 1$ seperti uji t satu sampel. Dengan dua grup masing-masing 5, df-nya 8 — bukan 4 dan bukan 9.
Memaksa uji t untuk tiga kelompok atau lebih. Membandingkan A vs B vs C dengan uji t berulang-ulang menggelembungkan peluang salah-tolak. Untuk tiga kelompok atau lebih, pakai ANOVA satu arah.
Data sangat tidak normal tetap dipaksa uji t. Untuk sampel kecil yang jelas tidak normal (atau data ordinal), alternatifnya uji Mann-Whitney, versi tanpa-asumsi-distribusi (non-parametrik) dari uji ini.
Dipakai di Dunia Nyata
- Skripsi yang membandingkan dua kelompok. Beda kinerja antar-divisi, beda nilai antar-kelas, beda kepuasan antara nasabah baru dan lama — semua memakai uji ini sebagai inti bab 4.
- Eksperimen bisnis (A/B testing). Bandingkan rata-rata konversi atau penjualan antara dua versi tampilan, dua kelompok pelanggan, atau dua cabang.
- Penelitian sosial dan kesehatan. Beda rata-rata antara kelompok perlakuan dan kelompok kendali yang berisi orang berbeda, misalnya yang ikut program vs yang tidak.
Lanjutan
- Uji t Sampel Berpasangan — saat orang yang sama diukur dua kali.
- ANOVA Satu Arah — saat kelompoknya tiga atau lebih.
- Uji Mann-Whitney & Wilcoxon — pengganti non-parametrik saat asumsi normal tidak terpenuhi.
Fondasi:
- Uji t Satu Sampel
- Z-Test dan T-Test (teori)
- Variabilitas dan Sebaran — asal SS dan varians.
Reference
- Gosset, W.S. (“Student”, 1908). “The Probable Error of a Mean”. Biometrika.
- Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro.
- Sugiyono (2019). Statistik untuk Penelitian. Alfabeta.