P-value dan Misinterpretasinya

Bayangkan seorang teman mengaku bisa menebak hasil lemparan koin dengan kekuatan pikiran. Anda menantangnya: lempar koin sepuluh kali, ia tebak setiap kali. Ternyata benar sepuluh kali berturut-turut.

Sekarang Anda ragu. Bukan karena Anda percaya dia punya kekuatan pikiran, tetapi karena hasil itu terlalu ganjil untuk sekadar kebetulan. Kalau koinnya jujur dan tebakannya cuma untung-untungan, peluang benar sepuluh kali beruntun cuma sekitar satu per seribu. Begitu kecilnya peluang itu sampai Anda mulai curiga ada yang lain di balik ini.

Rasa “terlalu ganjil untuk kebetulan” itulah yang diukur oleh p-value. P-value adalah angka yang menjawab satu pertanyaan: seandainya tidak ada apa-apa yang istimewa — hanya kebetulan biasa — seberapa mengejutkan data yang saya lihat ini? Angka kecil berarti sangat mengejutkan; data sebesar itu jarang muncul dari kebetulan saja.

Sayangnya, p-value juga konsep yang paling sering disalahartikan di seluruh statistika. Begitu seringnya sampai American Statistical Association menerbitkan pernyataan resmi pada 2016 yang isinya sebagian besar menjelaskan apa yang p-value bukan. Artikel ini membangun pengertian yang benar dari nol, lalu membongkar enam salah-tafsir yang paling banyak menjebak.

Intuisi Dulu, Sebelum Notasi

Setiap uji hipotesis dimulai dari sebuah pengandaian yang skeptis, yaitu hipotesis nol ($H_0$): anggap tidak ada efek apa pun, yang terjadi murni kebetulan. Koin teman tadi jujur. Obat tidak lebih baik dari pil kosong. Metode belajar baru tidak mengubah apa-apa.

P-value menjawab: kalau pengandaian skeptis itu benar, seberapa sering kebetulan menghasilkan data se-ekstrem yang saya amati — atau bahkan lebih ekstrem?

• Kalau jawabannya “sering” (p besar), data Anda biasa-biasa saja; kebetulan mudah menghasilkannya. Tidak ada alasan kuat meragukan $H_0$.
• Kalau jawabannya “nyaris tak pernah” (p kecil), data Anda ganjil di dunia tempat $H_0$ benar. Salah satu dari dua hal terjadi: Anda kebetulan apes mendapat hasil langka, atau pengandaian skeptis itu memang keliru. Makin kecil p, makin condong kita pada kemungkinan kedua.

Kata kuncinya se-ekstrem ini atau lebih. Kita tidak menghitung peluang mendapat data persis ini (untuk data kontinu peluang itu selalu nol), melainkan peluang mendapat hasil yang sama mengejutkannya atau lebih lagi. Itulah yang membuat p-value selalu berupa luas ekor sebuah distribusi, seperti pada gambar berikut.

Garis ambang di gambar itu adalah statistik uji yang Anda hitung dari data. Luas terarsir di sebelah kanannya adalah peluang kebetulan menghasilkan sesuatu yang sama jauh atau lebih jauh lagi. Itulah p-value. Tidak ada konsep lain di balik angka ini — hanya luas ekor.

Definisi yang Benar

Setelah intuisinya jelas, definisi resminya tinggal menamai apa yang sudah Anda pahami:

P-value adalah peluang memperoleh data se-ekstrem ini atau lebih, dengan syarat hipotesis nol $H_0$ benar.

Ditulis dengan lambang:

$$p = P(\text{data se-ekstrem ini} \mid H_0 \text{ benar})$$

Mari jelaskan tiap bagian:

• $P(\,\cdot\,)$ dibaca “peluang dari”. Hasilnya selalu angka antara 0 dan 1 (atau 0% sampai 100%). Misalnya $P = 0{,}03$ berarti peluang 3%.
• Tanda $\mid$ dibaca “dengan syarat” atau “jika diberikan”. Apa pun di sebelah kanannya adalah asumsi yang sedang kita pegang. Jadi seluruh perhitungan terjadi di dalam dunia khayal tempat $H_0$ dianggap benar.
• “data se-ekstrem ini atau lebih” = hasil pengamatan kita, ditambah semua hasil yang lebih jauh lagi dari yang diharapkan $H_0$. Inilah yang menjadi luas ekor pada gambar di atas.

Sekarang bagian yang paling sering keliru. P-value bukan kebalikannya:

$$p \neq P(H_0 \text{ benar} \mid \text{data})$$

Dua pernyataan ini terlihat mirip tetapi artinya jauh berbeda, karena peluang bersyarat tidak bisa dibalik begitu saja. Analogi: “peluang seseorang basah, jika diberikan dia sedang berenang” hampir 100%. Tetapi “peluang seseorang sedang berenang, jika diberikan dia basah” jauh lebih kecil — dia bisa saja kehujanan atau baru mandi. Membalik syarat mengubah arti sepenuhnya.

P-value menjawab “seberapa ganjil data ini, jika $H_0$ benar”. Ia tidak menjawab “seberapa besar peluang $H_0$ benar”. Pertanyaan kedua butuh informasi awal (prior) dan masuk ranah statistika Bayes — di luar yang bisa diberikan p-value.

Contoh Hitung dari Nol

Mari hitung sebuah p-value betulan, dari data mentah sampai angka akhir.

Kasus. Sepuluh siswa mengikuti metode belajar baru. Untuk tiap siswa kita catat selisih nilai (nilai sesudah − nilai sebelum). Selisih positif berarti membaik, negatif berarti menurun. Datanya (dalam poin):

$$5,\ -3,\ 7,\ 2,\ -2,\ 8,\ 3,\ 6,\ 0,\ 4$$

Hipotesis nol kita skeptis: metode tidak berpengaruh, jadi rata-rata selisih sebenarnya nol ($H_0: \mu = 0$). Pertanyaannya: kalau metode memang tak berpengaruh, seberapa ganjil kita melihat rata-rata kenaikan sebesar yang kita amati?

Langkah 1 — rata-rata selisih. Jumlahkan, bagi banyaknya:

$$\bar{x} = \frac{5+(-3)+7+2+(-2)+8+3+6+0+4}{10} = \frac{30}{10} = 3{,}0$$

Rata-rata, siswa naik 3 poin. Tapi datanya naik-turun — apakah 3 poin ini nyata atau sekadar ombak kebetulan?

Langkah 2 — sebaran (standar deviasi). Kita perlu tahu seberapa berserak datanya. Hitung simpangan tiap nilai dari rata-rata, kuadratkan, jumlahkan (cara lengkapnya di Variabilitas):

Varians sampel = $126 / (10-1) = 14$, jadi standar deviasi $s = \sqrt{14} \approx 3{,}74$ poin.

Langkah 3 — statistik uji ($t$). Statistik uji mengukur seberapa jauh rata-rata kita dari nol, dalam satuan “galat baku”. Galat baku adalah sebaran rata-rata: $SE = s/\sqrt{n}$.

$$SE = \frac{s}{\sqrt{n}} = \frac{3{,}74}{\sqrt{10}} = \frac{3{,}74}{3{,}16} \approx 1{,}18$$$$t = \frac{\bar{x} - 0}{SE} = \frac{3{,}0}{1{,}18} \approx 2{,}54$$

Rata-rata kita berjarak 2,54 galat baku dari nol. Cukup jauh — tapi cukup ganjil-kah untuk kebetulan?

Langkah 4 — ubah jarak menjadi luas ekor (p-value). Inilah inti p-value. Statistik $t = 2{,}54$ adalah garis ambang pada gambar luas ekor tadi. P-value = luas di kedua ekor di luar $\pm 2{,}54$ (dua ekor karena kita peduli penyimpangan ke arah mana pun — naik atau turun). Dengan derajat kebebasan $df = n - 1 = 9$, luas itu:

$$p = P(|t| \geq 2{,}54 \mid H_0 \text{ benar}) = 0{,}0319$$

Hasil: p = 0,0319, atau sekitar 3,2%.

Menafsirkan Hasil

Apa arti p = 0,0319 ini, dalam bahasa polos?

Kalau metode belajar baru sebenarnya tidak berpengaruh sama sekali, peluang kebetulan menghasilkan rata-rata kenaikan se-mencolok ini (atau lebih) cuma sekitar 3,2%.

3,2% itu kecil. Data kita ganjil di dunia tempat $H_0$ benar. Jadi kita condong menyimpulkan $H_0$ kemungkinan keliru — metode tampaknya memang berpengaruh. Dengan ambang lazim 0,05, karena $0{,}0319 < 0{,}05$, kita menolak $H_0$.

Sekarang perhatikan apa yang tidak boleh kita katakan:

• ❌ “Peluang metode tidak berpengaruh = 3,2%.” Salah. P-value bukan peluang $H_0$ benar — ingat, syaratnya tidak bisa dibalik.
• ❌ “Peluang ini salah (positif palsu) = 3,2%.” Salah. Itu hal lain (dibahas di bawah).
• ✅ “Seandainya metode tak berpengaruh, data se-ekstrem ini hanya muncul 3,2% dari waktu.” Inilah satu-satunya tafsir yang benar.

Bedanya halus, tetapi inilah jurang yang menjebak banyak peneliti. Selalu kembali ke kalimat panjang yang benar saat ragu.

Enam Salah-Tafsir Paling Umum

Berikut enam keliru yang secara eksplisit ditolak oleh pernyataan ASA (2016). Hampir semua bermuara pada satu akar: membalik arah peluang bersyarat.

Pertama — “p-value = peluang $H_0$ benar”. Keliru. $p = P(\text{data} \mid H_0)$, bukan $P(H_0 \mid \text{data})$. Yang kedua butuh informasi awal dan hanya bisa dijawab lewat statistika Bayes.

Kedua — “p = 0,03 berarti 3% peluang ini temuan palsu”. Keliru. Tingkat positif-palsu adalah $\alpha$, ambang yang kita tetapkan sebelum mengambil data. P-value adalah hasil yang kita amati. Keduanya angka berbeda dengan peran berbeda.

Ketiga — “p > 0,05 berarti tidak ada efek”. Keliru. “Gagal menolak $H_0$” tidak sama dengan “$H_0$ benar”. Bisa jadi efeknya nyata tetapi kecil, atau sampel kita terlalu sedikit untuk menangkapnya. Seperti vonis “tidak terbukti bersalah” di pengadilan — itu bukan “terbukti tak bersalah”; bukti sekadar tidak cukup (lihat analogi pengadilan di Uji Hipotesis).

Keempat — “p < 0,05 berarti efeknya penting”. Keliru. P-value bergantung pada ukuran sampel. Pada sampel raksasa (jutaan), efek yang amat kecil dan tak bermakna pun bisa menghasilkan p < 0,001. Signifikan secara statistik tidak sama dengan penting secara praktis. Karena itu p-value harus selalu dilaporkan bersama ukuran efek.

Kelima — “p = 0,049 jauh lebih meyakinkan daripada p = 0,051”. Keliru. Keduanya nyaris sama. Ambang 0,05 hanyalah kesepakatan, bukan hukum alam. P-value adalah ukuran yang menerus (continuum), bukan tombol hidup-mati. Ronald Fisher, yang mempopulerkan 0,05, sendiri menyebutnya sekadar angka yang “praktis”, bukan “ajaib”.

Keenam — “p-value akan terulang serupa di studi berikutnya”. Keliru. Sekalipun efeknya nyata, p-value sebuah replikasi bisa berayun sangat lebar. P = 0,001 di studi pertama sama sekali tidak menjamin p < 0,05 di studi kedua. Sebaran p-value memang bervariasi luas — kenyataan yang mengejutkan bahkan bagi statistikawan berpengalaman.

Kenapa 0,05 Bukan Angka Ajaib

Pada 1925 Ronald Fisher menulis bahwa peluang “satu dari dua puluh” (0,05) adalah batas yang “praktis” untuk dibahas — bukan aturan keras. Kesepakatan ini bertahan karena mudah diingat, tetapi setiap bidang sebenarnya memilih ambangnya sendiri sesuai taruhannya:

• Kedokteran kerap memakai 0,01 (lebih ketat — taruhannya nyawa).
• Fisika partikel menuntut “5-sigma”, setara p sekitar $3 \times 10^{-7}$ — sebelum berani mengumumkan penemuan partikel baru.
• Sebagian riset ekonomi menerima 0,10 untuk efek yang sulit diukur.

Daripada memvonis “signifikan vs tidak”, lebih jujur membaca p-value sebagai kekuatan bukti yang menerus:

P-value contoh kita, 0,0319, jatuh di baris “cukup kuat” — bukti yang lumayan, tetapi bukan kepastian. Laporkan angka persisnya; jangan dipaksa jadi sekadar “signifikan”.

P-Hacking dan Krisis Replikasi

Karena ambang 0,05 begitu didewakan, muncul godaan untuk mengakali analisis sampai p turun di bawahnya. Praktik ini disebut p-hacking, dan bisa terjadi tanpa sadar:

• Berhenti saat untung. Mengecek data tiap pekan dan menyetop begitu p < 0,05. Ini melonjakkan peluang positif palsu jauh di atas 5%.
• Banyak jalan, pilih yang lolos. Mencoba puluhan variasi analisis (ganti subset, ganti variabel kendali), lalu melaporkan yang kebetulan signifikan.
• Berhipotesis setelah tahu hasil. Mengarang hipotesis sesudah melihat data, lalu menyajikannya seolah ditetapkan sejak awal.
• Melaporkan yang manis saja. Menjalankan sepuluh uji, hanya memuat yang signifikan.

Bahaya terbesar muncul saat banyak uji dijalankan sekaligus. Kalau Anda menjalankan 20 uji yang $H_0$-nya semua benar dengan $\alpha = 0{,}05$, secara rata-rata 1 di antaranya akan “signifikan” hanya karena kebetulan ($20 \times 0{,}05 = 1$). Bahkan, peluang paling sedikit satu positif palsu mencapai $1 - 0{,}95^{20} \approx 64\%$. Karena itu, uji berganda wajib dikoreksi (Bonferroni, FDR).

Akumulasi praktik ini meledak menjadi krisis replikasi. Saat Open Science Collaboration (2015) mencoba mengulang 100 studi psikologi ternama, hanya 39% yang berhasil direplikasi dengan p < 0,05, dan ukuran efeknya rata-rata menyusut setengah. Solusi yang kini diadopsi: pra-registrasi (menulis hipotesis sebelum mengambil data), kewajiban melapor ukuran efek + selang kepercayaan, dan koreksi uji berganda.

Bereksperimen Sendiri

Geser ukuran sampel dan ukuran efek pada widget berikut, lalu amati bagaimana sebaran p-value berubah. Perhatikan: saat $H_0$ benar, p-value tersebar rata di seluruh [0, 1] — benar-benar acak. Saat $H_0$ salah dan kuasa uji tinggi, p-value menumpuk dekat nol.

Cara Lapor P-Value yang Benar

Praktik terbaik publikasi mutakhir:

1. Lapor nilai persis, bukan “< 0,05”. ✅ “Efek = 0,32 (95% SK: 0,15–0,49), p = 0,008, Cohen’s d = 0,42” ❌ “Efek signifikan pada p < 0,05”
2. Sertakan ukuran efek (Cohen’s d, korelasi r, rasio odds) — itu mengukur besar efek, bukan sekadar ada-tidaknya.
3. Sertakan selang kepercayaan — lebih informatif daripada p-value sendirian; ia menampilkan rentang nilai efek yang masih masuk akal.
4. Hindari memutlakkan ambang. Tulis “bukti mengisyaratkan” untuk p sekitar 0,05, “bukti kuat” untuk p < 0,01.
5. Pra-registrasi bila memungkinkan (OSF, AsPredicted) — mengunci hipotesis sebelum data dilihat.
6. Jujur soal uji berganda. Kalau menguji 20 hipotesis, sebutkan, dan terapkan koreksi (Bonferroni / FDR).

Rumus di Excel

P-value adalah luas ekor sebuah distribusi, jadi rumus Excel-nya mengembalikan luas itu dari statistik uji:

Uji-z:
  =2*(1-NORM.S.DIST(ABS(z); TRUE))   → dua ekor
  =1-NORM.S.DIST(z; TRUE)            → ekor kanan

Uji-t:
  =T.DIST.2T(ABS(t); df)             → dua ekor
  =1-T.DIST(t; df; TRUE)             → ekor kanan

Khi-kuadrat:
  =CHISQ.DIST.RT(chi2; df)           → ekor kanan (selalu)

Uji-F:
  =F.DIST.RT(f; df1; df2)            → ekor kanan

Untuk contoh tadi, =T.DIST.2T(2,5355; 9) mengembalikan 0,0319 — persis hasil hitung tangan kita.

⬇ Unduh 26-p-value.xlsx

Berkas pendamping berisi kalkulator p-value untuk uji z, t, khi-kuadrat, dan F; simulasi sebaran p-value di bawah $H_0$ vs $H_1$; koreksi uji berganda (Bonferroni, FDR); serta enam salah-tafsir dengan diagnosisnya.

Cek Pemahaman

1. Sebuah uji menghasilkan p = 0,20. Manakah tafsir yang benar? (a) Peluang $H_0$ benar adalah 20%. (b) Kalau $H_0$ benar, data se-ekstrem ini muncul 20% dari waktu. (c) Efeknya pasti nol.

Lihat jawaban

Jawaban (b). P-value adalah peluang data, dengan syarat $H_0$ benar — bukan peluang $H_0$ benar (itu menyalahi (a), karena syarat tidak bisa dibalik). Bukan pula (c): gagal menolak $H_0$ tidak membuktikan efeknya nol; bisa saja efek kecil yang belum tertangkap. Dengan p = 0,20 (di atas 0,05), kita sekadar belum punya bukti cukup untuk menolak $H_0$.

2. (soal transfer) Anda menantang teman yang mengaku bisa menebak lemparan koin. Dari 10 lemparan, ia benar 9 kali. Di bawah $H_0$ (“ia cuma menebak, peluang benar 50%”), peluang benar 9 kali atau lebih ekstrem (yaitu 9, 10, atau sebaliknya 0, 1 kali — dua ekor) adalah 0,0215. Apakah Anda menolak $H_0$ pada ambang 0,05? Apa kesimpulan yang boleh dan tidak boleh Anda tarik?

Lihat jawaban

P-value = 0,0215 < 0,05, jadi ya, kita menolak $H_0$. Boleh disimpulkan: kalau ia sekadar menebak, hasil se-mencolok ini hanya muncul ~2,2% dari waktu — cukup ganjil untuk meragukan “cuma menebak”. Tidak boleh disimpulkan: “peluang ia hanya menebak = 2,2%” (membalik syarat) atau “terbukti ia punya kekuatan pikiran” (menolak $H_0$ hanya berarti kebetulan murni jadi penjelasan yang lemah — penjelasan lain seperti koin berat sebelah atau trik juga mungkin). P-value menilai data terhadap $H_0$, bukan membuktikan hipotesis tandingan mana pun.

Kesalahan Umum

Membalik arah peluang bersyarat. Akar dari hampir semua kekeliruan: menganggap $P(\text{data} \mid H_0)$ sama dengan $P(H_0 \mid \text{data})$. Selalu eja kalimat lengkapnya — “kalau $H_0$ benar, data se-ekstrem ini muncul sekian persen” — saat ragu.

Memvonis biner “signifikan vs tidak”. P = 0,049 dan p = 0,051 praktis sama. Laporkan nilai persis dan baca sebagai kekuatan bukti yang menerus, bukan sebagai tombol.

Menyamakan “tidak signifikan” dengan “tidak ada efek”. Bisa jadi efeknya nyata tetapi kecil, atau sampel terlalu sedikit. Gagal menolak $H_0$ bukan bukti $H_0$ benar.

Melapor p-value tanpa ukuran efek. P-value kecil pada efek sepele (karena sampel raksasa) menyesatkan. Selalu sertakan ukuran efek dan selang kepercayaan.

Menjalankan banyak uji tanpa koreksi. Dua puluh uji pada $H_0$ benar diperkirakan menghasilkan 1 positif palsu; peluang setidaknya satu mencapai 64%. Terapkan Bonferroni atau FDR, dan ungkapkan berapa uji yang dijalankan.

Dipakai di Dunia Nyata

• Uji klinis obat. Sebelum obat disetujui, p-value menguji apakah perbaikan pasien melampaui yang bisa dijelaskan kebetulan. Karena taruhannya nyawa, ambangnya kerap diperketat ke 0,01, dan ukuran efek (besar penurunan tekanan darah, misalnya) wajib menyertai.
• Uji A/B produk digital. Saat membandingkan dua desain tombol, p-value menilai apakah selisih klik nyata atau riak acak. Praktik “berhenti saat untung” (mengintip hasil tiap hari, menyetop saat p < 0,05) adalah jebakan p-hacking yang nyata di industri.
• Pengumuman penemuan fisika. Boson Higgs baru diumumkan setelah mencapai bukti 5-sigma (p sekitar $3 \times 10^{-7}$) — ambang amat ketat karena klaim penemuan partikel baru menuntut bukti luar biasa.
• Riset keuangan dan ekonomi. Menguji apakah suatu strategi atau kebijakan punya efek nyata; di sini koreksi uji berganda krusial, karena menjajal ratusan strategi nyaris pasti memunculkan beberapa “signifikan” semu.

Lanjutan

P-value hanyalah satu sisi mata uang inferensi. Sisi-sisi lain yang melengkapinya:

• Selang Kepercayaan — alternatif yang lebih informatif: menampilkan rentang nilai efek yang masuk akal, bukan satu angka.
• Ukuran Efek — mengukur besar efek (Cohen’s d, korelasi r), pelengkap wajib p-value.
• Analisis Kuasa — merencanakan ukuran sampel agar efek nyata tidak luput terdeteksi.

Kalau fondasinya masih goyah, kembali ke Uji Hipotesis (kerangka lima langkah) dan Uji-z dan Uji-t (cara menghitung statistik uji yang menjadi ambang p-value).

Referensi

• Wasserstein, R. L., & Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. DOI: 10.1080/00031305.2016.1154108
• Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251).
• Greenland, S., dkk. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350.
• Benjamin, D. J., dkk. (2018). Redefine statistical significance. Nature Human Behaviour, 2(1), 6–10.