Anda menyebar kuesioner kepuasan pelanggan dengan skala 1 sampai 5. Setelah dikumpulkan, rata-rata dari sampel Anda 3,6. Angka itu memang di atas titik tengah skala (3 = netral), jadi sekilas pelanggan terlihat puas.
Tetapi rata-rata 3,6 itu cuma berasal dari sampel — sekian puluh orang yang kebetulan Anda survei. Seandainya Anda menyurvei sekelompok orang lain, mungkin keluarnya 3,4, atau 2,9. Pertanyaan yang sebenarnya: apakah 3,6 ini benar-benar menandakan pelanggan puas di atas netral, atau bedanya dari angka 3 cuma kebetulan acak dari satu sampel ini saja?
Untuk menjawab “apakah rata-rata sampel berbeda secara meyakinkan dari sebuah nilai acuan”, kita pakai uji t satu sampel.
Intuisi: Membandingkan Satu Rata-rata dengan Satu Angka Acuan
Bayangkan satu garis bilangan. Di satu titik ada nilai acuan — sebut $\mu_0$ (“mu nol”) — angka yang sudah Anda tetapkan sebelum melihat data: titik netral skala (3), KKM (75), standar layanan (15 menit). Di titik lain ada rata-rata sampel ($\bar{x}$) yang baru Anda hitung dari data.
Jaraknya $\bar{x} - \mu_0$. Kalau jaraknya nol, rata-rata sampel persis di acuan. Kalau jaraknya jauh, sampel terlihat berbeda dari acuan. Tetapi “jauh” itu relatif — relatif terhadap seberapa goyah rata-rata sampel. Sampel yang nilainya seragam menghasilkan rata-rata yang stabil; sampel yang nilainya berserakan menghasilkan rata-rata yang gampang meleset.
Jadi uji t satu sampel pada dasarnya menanyakan satu hal: jarak $\bar{x}$ dari $\mu_0$ itu berapa kali lipat ketidakpastian rata-rata sampel? Kalau jaraknya hanya satu-dua kali ketidakpastian, itu masih wajar terjadi karena kebetulan. Kalau jaraknya jauh lebih besar dari ketidakpastian, sampel sungguh-sungguh berbeda dari acuan.
Hasil “berapa kali lipat” itulah yang kita sebut statistik t. Makin besar t, makin kuat buktinya bahwa rata-rata memang berbeda dari acuan.
Kapan Dipakai
Uji t satu sampel cocok ketika tiga syarat ini terpenuhi:
- Anda punya satu kelompok data, bukan dua kelompok yang dibandingkan.
- Data yang dibandingkan adalah rata-rata dari sebuah variabel numerik (interval/rasio).
- Ada satu nilai acuan ($\mu_0$) yang bermakna teori — bukan angka asal.
Contoh pertanyaan riset yang pas:
- Apakah rata-rata kepuasan (3,6) berbeda dari titik netral 3?
- Apakah rata-rata waktu layanan berbeda dari standar 15 menit?
- Apakah rata-rata skor mahasiswa berbeda dari nilai KKM 75?
Kalau Anda justru membandingkan dua kelompok (mis. pria vs wanita, sebelum vs sesudah), uji t satu sampel bukan alatnya — lihat uji t dua sampel atau uji t berpasangan.
Rumus dan Tiap Simbolnya
$$ t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}} $$Penjelasan tiap lambang:
- $\bar{x}$ (dibaca “x-bar”) = rata-rata sampel, yaitu jumlah semua nilai dibagi banyaknya data. Kalau lima nilai berjumlah 19 dan datanya 5 buah, $\bar{x} = 19/5 = 3,8$.
- $\mu_0$ (dibaca “mu nol”) = nilai acuan yang Anda uji, ditetapkan sebelum melihat data. Misalnya titik netral skala $\mu_0 = 3$.
- $s$ = simpangan baku sampel (ukuran sebaran data, pembagi $n-1$). Makin besar $s$, makin berserakan datanya.
- $n$ = banyak data dalam sampel. Kalau ada 5 responden, $n = 5$.
- $\sqrt{n}$ = akar dari $n$. Untuk $n = 5$, $\sqrt{5} \approx 2,236$.
Bagian penyebut, $s/\sqrt{n}$, punya nama sendiri: standar error (galat baku rata-rata).
$$ SE = \frac{s}{\sqrt{n}} $$Standar error adalah perkiraan seberapa jauh rata-rata sampel bisa meleset dari rata-rata yang sebenarnya. Perhatikan dua hal dari rumusnya: SE mengecil kalau datanya seragam (s kecil), dan SE mengecil kalau sampelnya besar (n besar). Artinya, rata-rata dari sampel yang besar dan seragam jauh lebih bisa dipercaya — dan itu masuk akal.
Jadi rumus t bisa dibaca polos begini: t = (jarak rata-rata sampel dari acuan) dibagi (ketidakpastian rata-rata sampel). Persis intuisi “berapa kali lipat ketidakpastian” tadi.
Daerah Penolakan: Kapan t Cukup Besar
Setelah t dihitung, kita perlu ambang: seberapa besar t baru kita anggap “cukup jauh” untuk menyimpulkan ada perbedaan? Ambang itu disebut nilai kritis ($t^*$), dibaca dari tabel t menurut derajat bebas dan taraf signifikansi. Kalau hipotesisnya dua arah (rata-rata bisa lebih besar atau lebih kecil dari acuan), ada dua ambang simetris: $-t^*$ dan $+t^*$.
Logika gambar di atas: kalau benar tidak ada beda, t hampir selalu jatuh di daerah tengah. t yang sampai terlempar ke ekor itu kejadian langka — jadi kemunculannya lebih masuk akal dijelaskan dengan “memang ada beda” daripada “kebetulan”. Itu dasar keputusan: t hitung di luar $\pm t^*$ → tolak H₀ (ada beda signifikan).
Dua cara membaca keputusan yang ekuivalen:
| Kondisi | Keputusan |
|---|---|
| |t hitung| > $t^*$ (atau Sig. < 0,05) | Rata-rata berbeda signifikan dari $\mu_0$ |
| |t hitung| ≤ $t^*$ (atau Sig. ≥ 0,05) | Belum cukup bukti rata-rata berbeda dari $\mu_0$ |
Catatan: “gagal tolak” bukan berarti “terbukti sama”. Artinya hanya bukti belum cukup kuat — sering karena sampelnya terlalu kecil.
Contoh Hitung dari Nol
Misal lima data kepuasan dari skala 1–5: 4, 3, 5, 4, 3. Kita uji apakah rata-ratanya berbeda dari titik netral $\mu_0 = 3$, dengan taraf 5% dua arah.
Langkah 1 — rata-rata sampel.
$$ \bar{x} = \frac{4+3+5+4+3}{5} = \frac{19}{5} = 3{,}8 $$Langkah 2 — simpangan baku. Hitung dulu selisih tiap nilai dari rata-rata (simpangan $= x_i - \bar{x}$), lalu kuadratkan. Mengkuadratkan menghilangkan tanda sehingga simpangan positif dan negatif tidak saling membatalkan.
| $x_i$ | $x_i - \bar{x}$ | $(x_i - \bar{x})^2$ |
|---|---|---|
| 4 | 0,2 | 0,04 |
| 3 | −0,8 | 0,64 |
| 5 | 1,2 | 1,44 |
| 4 | 0,2 | 0,04 |
| 3 | −0,8 | 0,64 |
| Σ | 0 | 2,80 |
Jumlah simpangan kuadrat = 2,80. Bagi dengan $n-1 = 4$ lalu akarkan:
$$ s = \sqrt{\frac{\sum (x_i - \bar{x})^2}{n-1}} = \sqrt{\frac{2{,}80}{5-1}} = \sqrt{0{,}70} = 0{,}837 $$Langkah 3 — standar error.
$$ SE = \frac{s}{\sqrt{n}} = \frac{0{,}837}{\sqrt{5}} = \frac{0{,}837}{2{,}236} = 0{,}374 $$Langkah 4 — statistik t.
$$ t = \frac{\bar{x} - \mu_0}{SE} = \frac{3{,}8 - 3}{0{,}374} = \frac{0{,}8}{0{,}374} = 2{,}14 $$Langkah 5 — derajat bebas dan nilai kritis. Derajat bebas $df = n - 1 = 5 - 1 = 4$. Dari tabel t, nilai kritis pada $df = 4$ dan taraf 5% dua arah adalah $t^* = 2{,}776$.
Derajat bebas (df) adalah banyaknya nilai yang masih “bebas berubah” setelah rata-rata sampel ditetapkan. Karena rata-rata sudah mengikat datanya, satu nilai jadi tidak bebas lagi — sehingga $df = n - 1$. Makin kecil df, makin gemuk ekor distribusi t, dan makin besar nilai kritisnya (bandingkan: $df = 4 \to t^* = 2{,}776$, tetapi $df = 29 \to t^* = 2{,}045$).
Interpretasi
t hitung kita = 2,14; nilai kritis = 2,776. Karena $2{,}14 < 2{,}776$, t hitung belum mencapai daerah penolakan — masih di area tengah pada gambar tadi.
Keputusan: belum cukup bukti bahwa rata-rata kepuasan berbeda dari titik netral 3. Bukan berarti pelanggan terbukti netral; hanya saja dengan sampel sekecil ini (n = 5) buktinya tidak cukup kuat untuk menyimpulkan perbedaan. Andai data yang sama persis dikumpulkan dari sampel yang jauh lebih besar, standar error mengecil, t membesar, dan kesimpulan bisa berbeda.
Di SPSS, hasil ini muncul di tabel One-Sample Test sebagai nilai t dan Sig. (2-tailed). Untuk contoh ini Sig. (2-tailed) ≈ 0,099 — di atas 0,05, sehingga keputusannya sama: gagal tolak H₀. Aturan bacanya: kalau Sig. < 0,05 → berbeda signifikan; kalau Sig. ≥ 0,05 → belum cukup bukti.
Coba Sendiri
- Geser rata-rata sampel menjauh dari nilai acuan → lihat t membesar (jarak dari acuan naik).
- Perkecil simpangan baku → lihat t membesar (sampel lebih konsisten = standar error kecil = bukti lebih kuat).
- Perhatikan saat t melewati nilai kritis → keputusan berubah jadi signifikan.
Cek Pemahaman
1. Sebuah sampel waktu pengerjaan (menit): 12, 14, 13, 15, 11. Uji apakah rata-ratanya berbeda dari standar $\mu_0 = 10$ menit. Hitung t dari nol (taraf 5% dua arah, $df = 4$, $t^* = 2{,}776$).
Lihat jawaban
Rata-rata $\bar{x} = (12+14+13+15+11)/5 = 65/5 = 13$. Simpangan: −1, 1, 0, 2, −2 → kuadratnya 1, 1, 0, 4, 4 → jumlah = 10. Simpangan baku $s = \sqrt{10/(5-1)} = \sqrt{2{,}5} = 1{,}581$. Standar error $SE = 1{,}581/\sqrt{5} = 1{,}581/2{,}236 = 0{,}707$. Statistik $t = (13 - 10)/0{,}707 = 3/0{,}707 = 4{,}24$.
Karena $4{,}24 > 2{,}776$, tolak H₀ — rata-rata waktu pengerjaan berbeda signifikan dari standar 10 menit (lebih lama).
2. (Transfer) Dua peneliti menguji apakah rata-rata sebuah variabel berbeda dari 50. Keduanya memperoleh $\bar{x} = 53$ yang sama. Peneliti A pakai $n = 16$, peneliti B pakai $n = 100$ — dan kebetulan simpangan bakunya sama. Tanpa menghitung penuh, siapa yang lebih mungkin memperoleh hasil signifikan, dan kenapa?
Lihat jawaban
Peneliti B (sampel lebih besar). Jarak rata-rata dari acuan sama ($53 - 50 = 3$) dan $s$ sama, tetapi standar error $SE = s/\sqrt{n}$ mengecil saat $n$ membesar (penyebut $\sqrt{100} = 10$ jauh lebih besar daripada $\sqrt{16} = 4$). SE kecil → t besar → lebih mungkin melewati nilai kritis. Pelajaran kuncinya: dengan jarak dan sebaran yang sama, sampel lebih besar memberi bukti lebih kuat. (Sisi lain: pada n sangat besar, beda yang kecil dan tak penting secara praktik pun bisa “signifikan” — selalu lihat besar bedanya, bukan hanya Sig.)
Excel Companion
/excel/uji-t-satu-sampel.xlsx berisi: data mentah, perhitungan rata-rata dan simpangan baku manual (kolom selisih dan selisih kuadrat dengan formula hidup), standar error, statistik t, nilai kritis dari tabel t, dan keputusan. Lembar pendamping membandingkan hitung manual itu dengan fungsi bawaan =T.TEST / =AVERAGE / =STDEV.S.
Kesalahan Umum
Salah derajat bebas. Uji t satu sampel selalu pakai $df = n - 1$, bukan $n$. Salah df → salah nilai kritis → keputusan bisa terbalik.
Memakai simpangan baku populasi. Karena ini data sampel, pakai pembagi $n-1$ (fungsi STDEV.S, bukan STDEV.P). Pembagi $n$ akan meremehkan sebaran dan membesarkan t secara keliru.
Salah menentukan $\mu_0$. Nilai acuan harus punya makna teori — titik netral skala, KKM, standar mutu — dan ditetapkan sebelum melihat data. Memilih $\mu_0$ supaya hasilnya signifikan adalah pelanggaran serius.
Mengira ini untuk dua kelompok. Uji t satu sampel hanya membandingkan satu rata-rata dengan satu angka. Untuk membandingkan dua kelompok, pakai uji t dua sampel atau uji t berpasangan.
Salah membaca Sig. Untuk uji beda, Sig. < 0,05 berarti ADA perbedaan (signifikan). Banyak yang terbalik mengira Sig. kecil = sama.
Menyamakan “gagal tolak” dengan “terbukti sama”. Tidak signifikan hanya berarti bukti belum cukup — sering karena sampel kecil — bukan bukti bahwa rata-rata persis sama dengan acuan.
Dipakai di Dunia Nyata
- Skripsi yang membandingkan dengan standar. Apakah rata-rata kepuasan di atas titik netral, apakah rata-rata kinerja memenuhi target yang ditetapkan, apakah rata-rata skor di atas KKM. Ini salah satu uji beda paling sering muncul di skripsi manajemen dan akuntansi.
- Kendali mutu. Apakah rata-rata berat/volume/dimensi produk sesuai spesifikasi yang dijanjikan (mis. rata-rata isi botol = 500 ml).
- Evaluasi terhadap benchmark. Membandingkan rata-rata capaian unit/cabang dengan nilai acuan korporat atau standar industri.
- Uji asumsi nol. Memeriksa apakah rata-rata residual atau selisih sama dengan nol — sebuah langkah pemeriksaan di banyak analisis lanjutan.
Lanjutan
- Uji t Dua Sampel Independen — membandingkan rata-rata dua kelompok berbeda.
- Uji t Sampel Berpasangan — membandingkan dua pengukuran pada subjek yang sama (sebelum–sesudah).
- ANOVA Satu Arah — membandingkan rata-rata tiga kelompok atau lebih.
Fondasi:
- Z-Test dan T-Test (teori) — kenapa distribusi t, dan kapan z vs t.
- Variabilitas (simpangan baku) — asal-usul $s$ yang dipakai di rumus.
Reference
- Gosset, W.S. (“Student”, 1908). “The Probable Error of a Mean.” Biometrika.
- Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program SPSS. Badan Penerbit Universitas Diponegoro.
- Sugiyono (2019). Statistik untuk Penelitian. Alfabeta.