Program Studi Bisnis Digital • FEB UNDIP

Statistika Bisnis

Pertemuan 7 — Pengujian Hipotesis Univariat

Dari estimasi satu variabel menuju keputusan berbasis bukti: menguji klaim tentang rata-rata dan proporsi populasi menggunakan sampel.

RPS MINGGU 7 • $2 \times 50$ MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu merumuskan dan menguji hipotesis univariat untuk mendukung keputusan bisnis. Secara rinci:

CAPAIAN 1

RUMUSKAN

Menyusun hipotesis nol (H0) dan alternatif (H1) dari klaim/pertanyaan bisnis.

CAPAIAN 2

HITUNG

Menghitung statistik uji z dan t untuk rata-rata, serta memahami dua jenis kesalahan.

CAPAIAN 3

PUTUSKAN

Mengambil keputusan tolak/terima H0 memakai nilai kritis maupun p-value.

CAPAIAN 4

TERAPKAN

Menerapkan uji hipotesis satu-arah dan dua-arah pada kasus bisnis nyata.

Mengapa Uji Hipotesis Penting bagi Bisnis?

Setiap hari, manajer membuat klaim yang harus diuji dengan data, bukan sekadar diyakini.

KASUS 1

UMKM

Pemilik warung kopi di Semarang klaim rata-rata pengeluaran pelanggan Rp 45.000. Benarkah, atau cuma perasaan?

KASUS 2

E-COMMERCE

Tim produk Shopee klaim fitur baru menaikkan konversi checkout di atas 8%. Apakah kenaikan itu nyata atau kebetulan sampel?

KASUS 3

MANUFAKTUR

QC pabrik klaim berat kemasan Indomie rata-rata tepat 85 gram sesuai label. Perlu diuji sebelum ditegur BPOM.

Tanpa uji hipotesis, keputusan bisnis hanya berdasar intuisi atau anekdot — berisiko mahal saat diterapkan ke ribuan pelanggan.

Bagian 1 dari 3

Merumuskan Hipotesis

Dari klaim bisnis menjadi H0 dan H1 yang bisa diuji secara statistik.

Hipotesis Nol (H0) vs Hipotesis Alternatif (H1)

H0 adalah klaim status quo yang dianggap benar sampai ada bukti kuat menolaknya — mirip asas praduga tak bersalah di pengadilan.

H0 — Hipotesis Nol

Pernyataan "tidak ada perbedaan" atau nilai tertentu $(=, \leq, \geq)$
Selalu memuat tanda sama dengan
Dianggap benar sampai terbukti sebaliknya

H1 — Hipotesis Alternatif

Pernyataan yang ingin dibuktikan peneliti
Memuat tanda $\neq$, >, atau <
Diterima hanya jika bukti sampel cukup kuat

$$H0: \mu = 500.000 | H1: \mu \neq 500.000$$

Hipotesis nol, disingkat H0, adalah klaim status quo — pernyataan yang kita anggap benar sampai ada bukti kuat yang menolaknya, persis seperti asas praduga tak bersalah dalam hukum: terdakwa dianggap tidak bersalah sampai jaksa membuktikan sebaliknya. H0 selalu memuat tanda sama dengan, misalnya rata-rata transaksi harian UMKM sama dengan Rp 500 ribu. Hipotesis alternatif, H1, adalah kebalikannya — inilah yang biasanya ingin dibuktikan oleh peneliti atau manajer, dan memuat tanda tidak sama dengan, lebih besar, atau lebih kecil. Contoh di layar menunjukkan mu, simbol Yunani untuk rata-rata populasi, sama dengan 500 ribu rupiah versus tidak sama dengan 500 ribu rupiah. Ingat baik-baik: kita tidak pernah "membuktikan H0 benar" — kita hanya bisa "gagal menolak H0" karena bukti belum cukup kuat.

Uji Satu-Arah (One-Tailed) vs Dua-Arah (Two-Tailed)

Arah H1 menentukan bentuk kurva pengujian dan cara membaca daerah penolakan.

Kata kunci klaim bisnis: "berbeda dari" $\to$ dua-arah. "lebih besar/lebih kecil dari" $\to$ satu-arah.

Perhatikan dua kurva di layar. Kurva kiri adalah uji dua-arah, dipakai ketika H1 hanya menyatakan "tidak sama dengan" — misalnya rata-rata berat kemasan Indomie berbeda dari 85 gram, entah lebih berat atau lebih ringan, kita anggap sama-sama bermasalah. Daerah penolakan terbagi dua di kedua ujung kurva, masing-masing seluas alpha per dua. Kurva kanan adalah uji satu-arah, dipakai ketika H1 punya arah spesifik, misalnya tim produk Shopee hanya peduli apakah konversi checkout naik di atas 8 persen — penurunan tidak relevan untuk klaim ini. Seluruh daerah penolakan alpha terkumpul di satu ujung saja. Kesalahan memilih arah ini sering terjadi: perhatikan kata kunci dalam klaim bisnisnya — "berbeda dari" berarti dua-arah, sedangkan "lebih besar dari" atau "lebih kecil dari" berarti satu-arah.

Dua Jenis Kesalahan dalam Pengujian

Setiap keputusan statistik punya risiko keliru — dua jenisnya harus dipahami manajer sebelum bertindak.

	H0 Benar	H0 Salah
Terima H0	Keputusan benar	Kesalahan Tipe $II (\beta)$
Tolak H0	Kesalahan Tipe $I (\alpha)$	Keputusan benar

Tipe $I (\alpha)$: menolak H0 padahal benar — "false alarm". Contoh: menghentikan produksi karena mengira ada cacat, padahal tidak.

Tipe $II (\beta)$: gagal menolak H0 padahal salah — "missed detection". Contoh: tidak mendeteksi produk cacat yang sebenarnya ada.

Tabel ini adalah salah satu konsep paling penting dalam statistika bisnis, jadi mari kita cermati bersama. Ada dua cara kita bisa salah. Kesalahan Tipe I, dengan probabilitas alpha, terjadi ketika kita menolak H0 padahal sebenarnya H0 itu benar — istilah gaulnya "false alarm", seperti quality control pabrik Indomie yang menghentikan lini produksi karena mengira berat kemasan menyimpang, padahal sebenarnya normal, sehingga perusahaan rugi karena produksi terhenti tanpa alasan. Kesalahan Tipe II, dengan probabilitas beta, adalah kebalikannya — kita gagal menolak H0 padahal H0 itu salah, seperti QC yang meloloskan kemasan yang sebenarnya cacat karena sampelnya kebetulan terlihat normal. Alpha biasanya kita tetapkan sendiri di awal, umumnya 5 persen, sebagai batas toleransi risiko false alarm yang kita terima.

Coba Sendiri: Trade-off Error Tipe I, Tipe II, dan Power

Geser $\alpha$ dan jarak rata-rata H1 dari H0, lalu amati bagaimana area error Tipe I, Tipe II, dan power uji berubah.

Bagian 2 dari 3

Statistik Uji: Z dan t

Mengubah data sampel menjadi satu angka yang bisa dibandingkan dengan nilai kritis.

Statistik Uji Z (Sampel Besar, $\sigma$ Diketahui)

Dipakai ketika simpangan baku populasi $$(\sigma)$$ diketahui, atau ukuran sampel besar $(n \geq 30)$.

$$z = (\bar{x} - \mu_{0}) / (\sigma/ \sqrt{n})$$

$\bar{x}$

RATA-RATA SAMPEL

Dihitung langsung dari data yang Anda kumpulkan.

$\mu_{0}$

NILAI HIPOTESIS

Angka klaim yang sedang diuji, dari H0.

$\sigma/ \sqrt{n}$

GALAT BAKU

Standard error — variasi rata-rata sampel di sekitar rata-rata populasi.

Rumus uji z ini mirip dengan rumus nilai-z yang Anda pelajari saat membahas distribusi normal beberapa minggu lalu, hanya saja sekarang pembilangnya adalah selisih antara rata-rata sampel dengan nilai yang dihipotesiskan, bukan selisih dengan rata-rata populasi. Pembilang, x-bar dikurangi mu nol, mengukur seberapa jauh data Anda dari klaim yang diuji. Penyebutnya, sigma dibagi akar n, disebut galat baku atau standard error — ini mengukur seberapa besar variasi alami rata-rata sampel jika Anda mengambil sampel berulang-ulang dari populasi yang sama. Uji z ini kita pakai kalau simpangan baku populasi sigma sudah diketahui, atau kalau ukuran sampel sudah cukup besar, biasanya di atas 30 observasi, sehingga distribusi sampling rata-rata sudah mendekati normal berdasarkan Teorema Limit Pusat yang sudah Anda pelajari sebelumnya.

Hitung dari Nol: Uji Z untuk Rata-Rata Transaksi

UMKM klaim rata-rata transaksi harian $\mu_{0} = Rp 500.000$. Sampel n=36 hari: $\bar{x} = Rp 520.000, \sigma = Rp 60.000, \alpha = 5\%$ (dua-arah).

Langkah	Perhitungan	Nilai
1. Galat baku	$60.000 \div \sqrt36 = 60.000 \div 6$	10.000
2. Selisih rata-rata	520.000 - 500.000	20.000
3. Statistik z	$20.000 \div 10.000$	z = 2,00
4. Nilai kritis $(\alpha=5\%$, dua-arah)	tabel $z, \alpha/2 = 2,5\%$	$\pm1,96$
5. Keputusan	\|2,00\| > $1,96 \to$ masuk daerah penolakan	TOLAK H0

Mari kita hitung langkah demi langkah bersama, klik satu per satu. Langkah pertama, kita hitung galat baku: 60 ribu dibagi akar 36, akar 36 adalah 6, jadi hasilnya 10 ribu rupiah. Langkah kedua, kita hitung selisih antara rata-rata sampel 520 ribu dengan nilai hipotesis 500 ribu, hasilnya 20 ribu rupiah. Langkah ketiga, kita bagi selisih itu dengan galat baku: 20 ribu dibagi 10 ribu sama dengan 2,00 — inilah statistik uji z kita. Langkah keempat, karena ini uji dua-arah dengan alpha 5 persen, nilai kritisnya dari tabel z adalah plus-minus 1,96, membagi 5 persen menjadi 2,5 persen di masing-masing ujung. Langkah kelima, kita bandingkan: nilai absolut z kita, 2,00, lebih besar dari 1,96, artinya statistik uji kita jatuh di daerah penolakan, sehingga kita tolak H0 — ada bukti kuat rata-rata transaksi harian UMKM ini memang lebih dari 500 ribu rupiah, bukan sekadar variasi sampel.

Statistik Uji t (Sampel Kecil, $\sigma$ Tidak Diketahui)

Kondisi paling umum di praktik bisnis: simpangan baku populasi tidak diketahui dan sampel kecil (n < 30).

$$t = (\bar{x} - \mu_{0}) / (s / \sqrt{n})$$

Beda dengan uji z hanya pada satu hal: $$\sigma$$ (populasi) diganti s (sampel), dan pembandingnya bukan tabel z melainkan tabel distribusi t dengan derajat bebas (df) = n - 1.

Derajat bebas (degrees of freedom, df) adalah jumlah nilai bebas bervariasi setelah rata-rata sampel ditentukan — mengoreksi bahwa s hanya estimasi, sehingga distribusi t lebih "gemuk" di ujung dibanding distribusi normal.

Dalam praktik bisnis sehari-hari, kita hampir tidak pernah tahu simpangan baku populasi yang sebenarnya — yang kita punya hanyalah simpangan baku dari sampel yang kita kumpulkan, dilambangkan huruf s kecil. Ketika ini terjadi, terutama dengan sampel kecil di bawah 30 observasi, kita memakai uji t, bukan uji z. Rumusnya identik persis dengan uji z, hanya sigma diganti s. Perbedaan pentingnya ada di distribusi pembanding: kita tidak lagi memakai tabel z, melainkan tabel distribusi t, yang bentuknya mirip lonceng normal tapi ekornya sedikit lebih gemuk untuk mengkompensasi ketidakpastian tambahan karena kita mengestimasi s dari sampel yang sama. Derajat bebas, disingkat df, dihitung sebagai n dikurangi 1 — misalnya sampel 10 toko online, df-nya 9. Semakin besar sampel, semakin df membesar, dan distribusi t semakin mendekati distribusi normal biasa.

Coba Sendiri: Uji-t Satu Sampel dalam Praktik

Masukkan rata-rata sampel, rata-rata teoretis, dan simpangan baku; dapatkan statistik t, derajat bebas, serta keputusan.

Hitung dari Nol: Uji t untuk Rating Aplikasi

Startup klaim rating rata-rata aplikasinya $\mu_{0} = 4,2$. Sampel n=16 ulasan: $\bar{x} = 4,0, s = 0,4, \alpha = 5\%$ (satu-arah, $H1: \mu$ < 4,2).

Langkah	Perhitungan	Nilai
1. Derajat bebas	df = n - 1 = 16 - 1	df = 15
2. Galat baku	$0,4 \div \sqrt16 = 0,4 \div 4$	0,10
3. Statistik t	$(4,0 - 4,2) \div 0,10$	t = -2,00
4. Nilai kritis $(df=15, \alpha=5\%$, satu-arah)	tabel t, ekor kiri	-1,753
5. Keputusan	-2,00 < $-1,753 \to$ masuk daerah penolakan	TOLAK H0

Sekarang giliran uji t, klik langkah demi langkah. Langkah pertama, hitung derajat bebas: 16 ulasan dikurangi 1, sama dengan 15. Langkah kedua, hitung galat baku: 0,4 dibagi akar 16, akar 16 adalah 4, hasilnya 0,10. Langkah ketiga, hitung statistik t: selisih 4,0 dikurangi 4,2 sama dengan minus 0,2, dibagi 0,10, hasilnya minus 2,00. Perhatikan tandanya negatif karena rata-rata sampel lebih rendah dari klaim. Langkah keempat, karena ini uji satu-arah dengan H1 rating lebih rendah dari 4,2, kita cari nilai kritis dari tabel t di baris df 15 dan alpha 5 persen ekor kiri, hasilnya minus 1,753. Langkah kelima, kita bandingkan: minus 2,00 lebih kecil, artinya lebih ekstrem ke kiri, dibanding minus 1,753, sehingga jatuh di daerah penolakan — kita tolak H0. Kesimpulan bisnisnya: ada bukti signifikan rating aplikasi startup ini memang di bawah klaim 4,2 yang mereka promosikan ke investor.

Pendekatan p-Value: Alternatif Nilai Kritis

Software statistik (SPSS, Excel, Python) umumnya langsung menampilkan p-value — cara membaca hasilnya jauh lebih praktis.

Definisi

p-value = probabilitas mendapatkan statistik uji seekstrem atau lebih ekstrem dari hasil sampel, jika H0 benar.

Aturan Keputusan

p-value < $\alpha \to$ tolak H0
p-value $\geq \alpha \to$ gagal tolak H0

Sama seperti kasus rating aplikasi (t = -2,00, df=15): p-value $\approx 0,032$. Karena 0,032 < $0,05 \to$ tolak H0 — konsisten dengan hasil nilai kritis.

Di dunia nyata, Anda jarang mencari nilai kritis manual dari tabel — software seperti SPSS, Excel, atau Python langsung menghitungkan p-value untuk Anda. p-value adalah probabilitas mendapatkan hasil sampel seekstrem atau lebih ekstrem dari yang Anda peroleh, dengan asumsi H0 itu benar. Semakin kecil p-value, semakin kuat bukti melawan H0. Aturannya sederhana dan konsisten dengan pendekatan nilai kritis: kalau p-value lebih kecil dari alpha yang Anda tetapkan, tolak H0; kalau lebih besar atau sama, gagal tolak H0. Contoh kasus rating aplikasi tadi, statistik t minus 2,00 dengan df 15 menghasilkan p-value sekitar 0,032. Karena 0,032 lebih kecil dari alpha 0,05, kita tolak H0 — hasil ini identik dengan kesimpulan yang kita dapat lewat perbandingan nilai kritis di slide sebelumnya. Dua pendekatan ini selalu memberi kesimpulan yang sama; p-value hanya lebih praktis dan lebih informatif karena menunjukkan seberapa kuat buktinya.

Coba Sendiri: Distribusi p-Value di Bawah H0

Lihat bagaimana p-value terdistribusi seragam di bawah H0 benar, dan bagaimana ia menggeser ke kiri saat H1 benar.

Bagian 3 dari 3

Uji Hipotesis Proporsi

Ketika yang diuji bukan rata-rata, tapi persentase atau pangsa (misalnya tingkat konversi, tingkat cacat, tingkat kepuasan).

Statistik Uji untuk Proporsi (p)

Dipakai untuk klaim berbentuk persentase/pangsa, misalnya tingkat konversi atau tingkat cacat produk.

$$z = (\hat{p} - p_{0}) / \sqrt(p_{0}(1-p_{0}) / n)$$

$\hat{p}$

PROPORSI SAMPEL

Jumlah "sukses" dibagi ukuran sampel n.

$p_{0}$

PROPORSI KLAIM

Angka dalam H0, dinyatakan sebagai desimal (mis. 8% = 0,08).

UKURAN SAMPEL

Syarat: $n\cdot p0 \geq 5$ dan $n(1-p0) \geq 5$ agar aproksimasi normal valid.

Rumus uji proporsi ini strukturnya mirip uji z untuk rata-rata: pembilang adalah selisih antara apa yang kita amati di sampel dengan apa yang diklaim, dan penyebut adalah galat baku. Bedanya, p-topi adalah proporsi sampel — misalnya dari 500 pengunjung, 45 orang melakukan checkout, maka p-topi sama dengan 45 dibagi 500. p nol adalah proporsi yang diklaim dalam H0, harus dinyatakan sebagai desimal, jadi 8 persen ditulis 0,08. Galat bakunya dihitung dari p nol dikali 1 minus p nol, dibagi n, lalu diakarkan — rumus ini datang dari sifat distribusi binomial yang mendekati normal untuk sampel besar. Ada syarat penting sebelum memakai rumus ini: n dikali p nol harus minimal 5, dan n dikali 1 minus p nol juga harus minimal 5, supaya aproksimasi ke distribusi normal ini valid secara statistik.

Hitung dari Nol: Uji Proporsi Konversi Checkout

Tim produk klaim fitur baru menaikkan konversi checkout > $8\% (p_{0}=0,08)$. Sampel n=500 pengunjung: 50 checkout, $\alpha=5\%$ (satu-arah).

Langkah	Perhitungan	Nilai
1. Proporsi sampel	$50 \div 500$	$\hat{p} = 0,10$
2. Galat baku	$\sqrt{0,08 \times 0,92 \div 500}$	0,0121
3. Statistik z	$(0,10 - 0,08) \div 0,0121$	$z \approx 1,65$
4. Nilai kritis $(\alpha=5\%$, satu-arah)	tabel z, ekor kanan	1,645
5. Keputusan	1,65 > $1,645 \to$ (sangat tipis) masuk penolakan	TOLAK H0

Kita praktikkan uji proporsi dengan kasus tim produk Shopee tadi. Langkah pertama, hitung proporsi sampel: 50 orang checkout dari 500 pengunjung, sama dengan 0,10 atau 10 persen. Langkah kedua, hitung galat baku memakai p nol, bukan p-topi: akar dari 0,08 kali 0,92 dibagi 500, hasilnya sekitar 0,0121. Langkah ketiga, hitung statistik z: selisih 0,10 dikurangi 0,08 sama dengan 0,02, dibagi 0,0121, hasilnya sekitar 1,65. Langkah keempat, karena uji satu-arah dengan alpha 5 persen di ekor kanan, nilai kritisnya 1,645 dari tabel z. Langkah kelima, kita bandingkan: 1,65 sedikit lebih besar dari 1,645, jadi secara sangat tipis kita tolak H0 — ada bukti, meski tipis, bahwa fitur baru benar menaikkan konversi di atas 8 persen. Perhatikan kata "tipis" di sini penting: dengan margin sekecil ini, manajer sebaiknya menambah sampel sebelum membuat keputusan investasi besar berdasarkan hasil ini saja.

Coba Sendiri: Uji-t Dua Sampel: Bandingkan Dua Kelompok

Bandingkan rata-rata dua kelompok (mis. kelompok kontrol vs perlakuan) dengan uji-t dua sampel yang sesuai.

Sensitivitas: Bagaimana $\alpha$ Mengubah Keputusan?

Tingkat signifikansi $(\alpha)$ yang dipilih memengaruhi seberapa mudah H0 ditolak — pilihan $\alpha$ bukan sekadar formalitas.

$\alpha$ (signifikansi)	Nilai Kritis z (satu-arah)	Kasus konversi (z=1,65)
10% (longgar)	1,282	Tolak H0 (bukti lebih mudah diterima)
5% (standar)	1,645	Tolak H0 (tipis, seperti dihitung)
1% (ketat)	2,326	Gagal tolak H0 (bukti dianggap belum cukup kuat)

Kesimpulan yang sama bisa berubah total hanya karena $\alpha$ berbeda — manajer harus menetapkan $\alpha$ sebelum melihat data, bukan memilih $\alpha$ yang "menguntungkan" hasil.

Tabel ini menunjukkan sesuatu yang sering diabaikan pemula: pilihan alpha bukan angka sembarang, melainkan keputusan yang mengubah kesimpulan akhir. Dengan statistik uji z sebesar 1,65 dari kasus konversi checkout tadi, kalau kita longgarkan alpha jadi 10 persen, nilai kritisnya turun jadi 1,282, sehingga kita tetap tolak H0 dengan mudah. Kalau kita pakai standar 5 persen, nilai kritisnya 1,645, dan kita tolak H0 secara tipis seperti perhitungan sebelumnya. Tapi kalau kita perketat jadi 1 persen — misalnya karena keputusan ini menyangkut investasi besar dan kita ingin sangat yakin — nilai kritisnya naik jadi 2,326, dan tiba-tiba kita gagal tolak H0 dengan statistik uji yang sama persis. Ini sebabnya alpha harus ditetapkan sebelum melihat hasil data, sesuai kesepakatan bisnis tentang berapa besar risiko false alarm yang bisa diterima — bukan dipilih belakangan supaya hasilnya terlihat bagus di depan atasan.

Rangkuman: Enam Langkah Uji Hipotesis

Langkah	Deskripsi
1 Rumuskan hipotesis	Tentukan H0 (status quo) dan H1 (klaim yang diuji) dari pertanyaan bisnis
2 Tetapkan $\alpha$	Pilih tingkat signifikansi (umumnya 5%) sebelum melihat data
3 Pilih statistik uji	$z (\sigma$ diketahui/n besar)$, t (\sigma$ tak diketahui/n kecil), atau uji proporsi
4 Hitung statistik uji	Masukkan data sampel ke rumus yang sesuai
5 Bandingkan	Nilai kritis (tabel) atau p-value (software) — dua jalur, satu kesimpulan
6 Simpulkan	Tolak/gagal tolak H0, lalu terjemahkan ke bahasa bisnis

Sebagai rangkuman, ingat enam langkah ini sebagai alur kerja standar yang bisa Anda pakai untuk kasus apa pun. Pertama, rumuskan H0 dan H1 dari pertanyaan bisnis yang dihadapi. Kedua, tetapkan alpha di awal, sebelum melihat data — ini prinsip kejujuran ilmiah. Ketiga, pilih statistik uji yang tepat: z kalau sigma populasi diketahui atau sampel besar, t kalau sigma tidak diketahui dan sampel kecil, atau rumus khusus kalau yang diuji proporsi. Keempat, hitung statistik ujinya dengan data yang Anda punya. Kelima, bandingkan dengan nilai kritis dari tabel, atau lihat p-value dari software — keduanya akan selalu memberi kesimpulan yang sama. Keenam, dan ini yang paling sering dilupakan mahasiswa: jangan berhenti di "tolak H0" atau "gagal tolak H0" saja — terjemahkan ke bahasa yang dipahami manajer, misalnya "ada bukti kuat rating aplikasi di bawah klaim yang dipromosikan ke investor".

Latihan Kelas: Uji Hipotesis Anda Sendiri

Kerjakan berpasangan, waktu 10 menit. Sebuah platform belajar daring (mirip Ruangguru) klaim rata-rata waktu pengerjaan kuis 15 menit.

Data Sampel

n = 25 mahasiswa, $\bar{x} = 17,5$ menit, s = 5 menit
$\alpha = 5\%$, uji dua-arah $(H1: \mu \neq 15)$

Instruksi: (1) rumuskan H0/H1, (2) hitung df dan statistik t, (3) tentukan nilai kritis, (4) putuskan tolak/gagal tolak H0.

Petunjuk: karena n=25 dan $\sigma$ populasi tidak diketahui $\to$ gunakan rumus uji t, bukan uji z.

Sekarang giliran Anda praktik mandiri. Bayangkan sebuah platform belajar daring seperti Ruangguru mengklaim rata-rata waktu pengerjaan kuisnya 15 menit dalam materi pemasarannya ke orang tua siswa. Sampel dari 25 mahasiswa menunjukkan rata-rata 17,5 menit dengan simpangan baku sampel 5 menit. Kerjakan berpasangan dengan teman sebangku Anda selama 10 menit: rumuskan H0 dan H1 terlebih dahulu, lalu hitung derajat bebas dan statistik uji yang sesuai, tentukan nilai kritisnya dari tabel yang relevan, dan simpulkan apakah klaim platform tersebut didukung data atau tidak. Perhatikan petunjuk yang saya berikan: karena simpangan baku populasi tidak diketahui dan sampelnya hanya 25 orang, gunakan rumus uji t, bukan uji z. Saya akan berkeliling untuk membantu kalau ada yang kesulitan, dan kita bahas bersama jawabannya setelah waktu habis.

Penutup: Minggu Depan & Tugas

Minggu Depan

Setelah UTS, kita masuk babak baru: analisis korelasi — mengukur kekuatan dan arah hubungan antara dua variabel, misalnya hubungan belanja iklan digital dengan penjualan. Ini fondasi menuju regresi.

TUGAS

STUDI KASUS

Kumpulkan klaim bisnis nyata (dari iklan/laporan perusahaan), rumuskan H0/H1, dan uji dengan data yang tersedia. Kumpul sebelum UTS.

Kuasai enam langkah uji hipotesis hari ini — ini fondasi yang akan terus dipakai sampai regresi berganda di akhir semester.

Sebelum kita tutup, mari lihat ke depan. Setelah Ujian Tengah Semester, mata kuliah ini bergeser dari menganalisis satu variabel sendirian menjadi menganalisis hubungan antar dua variabel, dimulai dengan analisis korelasi — misalnya mengukur seberapa kuat hubungan antara belanja iklan digital sebuah brand dengan angka penjualannya. Materi ini akan menjadi fondasi menuju regresi sederhana dan regresi berganda di pertemuan-pertemuan berikutnya. Untuk tugas minggu ini, saya minta Anda mencari satu klaim bisnis nyata — bisa dari iklan, laporan tahunan perusahaan terbuka di BEI, atau ulasan aplikasi — lalu rumuskan hipotesisnya dan uji dengan data yang bisa Anda kumpulkan sendiri, dikumpulkan sebelum UTS. Terima Kasih atas partisipasi Anda hari ini; enam langkah pengujian hipotesis yang kita pelajari hari ini bukan sekadar materi ujian, tapi alat yang akan terus Anda pakai sampai materi regresi berganda di akhir semester.