Sebuah pabrik botol mengklaim isi rata-ratanya 500 ml. Anda, sebagai auditor mutu, menarik 36 botol acak dan menimbangnya. Rata-ratanya 499,3 ml. Selisih 0,7 ml.

Pertanyaan yang langsung muncul: apakah mesin benar-benar meleset, atau 0,7 ml itu cuma naik-turun wajar karena Anda hanya menimbang 36 botol — bukan seluruh produksi? Kalau Anda menuduh pabrik curang padahal cuma kebetulan, Anda salah. Kalau Anda diam padahal mesin sungguh bergeser, Anda juga salah. Kedua jenis kesalahan ini punya nama, punya harga, dan punya cara untuk dikendalikan.

Artikel ini membangun seluruh kerangka uji hipotesis dari nol — dari cara merumuskan pertanyaan, memilih uji yang tepat (z atau t, satu sampel atau dua sampel), menghitung statistik uji, sampai membaca p-value tanpa salah tafsir. Semua ditempuh dengan contoh hitung manual yang bisa Anda kerjakan dengan kalkulator, lalu divalidasi dengan kalkulator Excel berisi formula hidup.

Intuisi: Sidang Pengadilan, Bukan Laboratorium Kebenaran

Cara termudah memahami uji hipotesis adalah analogi sidang. Di pengadilan, terdakwa dianggap tidak bersalah sampai jaksa membuktikan sebaliknya. Beban pembuktian ada di pihak jaksa. Kalau bukti lemah, hakim memutus “tidak terbukti bersalah” — yang berbeda dengan “terbukti tidak bersalah”. Mungkin terdakwa memang bersalah; hanya saja buktinya kurang.

Uji hipotesis bekerja persis begitu. Yang kita uji diasumsikan “tidak bersalah” (tidak ada efek, tidak ada selisih) sampai data membuktikan sebaliknya. Empat pilar logika ini akan muncul berulang:

Sidang pengadilanUji hipotesis
Terdakwa dianggap tak bersalah sampai terbukti$H_0$ dianggap benar sampai terbantah
Jaksa harus bukti kesalahan secara meyakinkanData harus membantah $H_0$ secara meyakinkan
Putusan: “bersalah” atau “tidak terbukti bersalah”Putusan: “tolak $H_0$” atau “gagal tolak $H_0$”
“Tidak terbukti bersalah” ≠ “pasti tak bersalah”“Gagal tolak $H_0$” ≠ “$H_0$ benar”

Baris terakhir itulah jebakan paling umum. Gagal menolak $H_0$ bukan bukti $H_0$ benar — hanya saja data belum cukup kuat untuk menghukumnya.

Dua Hipotesis: Nol dan Alternatif

Setiap uji bertumpu pada dua pernyataan yang saling melengkapi.

Hipotesis nol ($H_0$) — pernyataan “tidak ada efek” atau “keadaan apa adanya”. Inilah terdakwanya: dianggap benar sampai data membantah. Untuk kasus pabrik botol, $H_0$ berbunyi $\mu = 500$ ml (rata-rata sebenarnya sama dengan klaim).

Hipotesis alternatif ($H_1$, kadang $H_a$) — pernyataan “ada efek”. Inilah yang ingin kita dukung dengan bukti. Bunyinya bisa tiga macam, tergantung pertanyaan:

  • $H_1: \mu \neq 500$ — rata-rata berbeda dari klaim (dua-arah, paling lazim)
  • $H_1: \mu < 500$ — rata-rata kurang dari klaim (satu-arah, curiga pabrik isi kurang)
  • $H_1: \mu > 500$ — rata-rata lebih dari klaim (satu-arah)

Pilihan arah harus ditetapkan sebelum melihat data. Memilih arah sesudah tahu hasilnya adalah kecurangan yang menggembungkan peluang salah-tolak. Kalau ragu, pakai dua-arah — itu pilihan paling jujur.

Dua Jenis Kesalahan dan Taraf Signifikansi

Karena kita memutuskan berdasar sampel (bukan seluruh populasi), keputusan bisa salah dua cara:

$H_0$ benar$H_0$ salah
Tolak $H_0$Galat jenis I (salah-tolak)Keputusan benar
Gagal tolak $H_0$Keputusan benarGalat jenis II (salah-terima)
  • Galat jenis I ($\alpha$): menuduh mesin bergeser padahal sebenarnya tidak. Menuduh pabrik curang padahal murni kebetulan. Peluangnya kita sebut taraf signifikansi, dilambangkan $\alpha$ (dibaca “alfa”). Konvensi: $\alpha = 0{,}05$ (5%).
  • Galat jenis II ($\beta$): membiarkan mesin bergeser padahal sebenarnya iya. Tidak menuduh padahal pabrik curang. Dilambangkan $\beta$ (dibaca “beta”). Kebalikannya, $1 - \beta$, disebut kuasa uji (power) — peluang berhasil mendeteksi efek yang sungguh ada.

Taraf $\alpha$ bukan angka keramat; ia ambang risiko yang kita sepakati. $\alpha = 0{,}05$ berarti “saya rela peluang 5% salah menuduh”. Untuk uji klinis obat, di mana salah-tolak berbahaya, $\alpha$ diturunkan ke 0,01 atau 0,001. Untuk riset eksploratif, $\alpha = 0{,}10$ kadang ditoleransi. Yang penting sadar: menurunkan $\alpha$ otomatis menaikkan $\beta$ (untuk sampel yang sama). Tidak ada makan siang gratis — kedua galat ditarik dengan tali yang sama.

Lima Langkah Baku Uji Hipotesis

Setiap uji, sederhana atau rumit, mengikuti lima langkah yang sama. Hafalkan urutan ini dan Anda bisa menguji apa pun.

  1. Rumuskan $H_0$ dan $H_1$, termasuk pilih satu-arah atau dua-arah.
  2. Tetapkan taraf $\alpha$ (biasanya 0,05) dan pilih uji yang tepat (z bila $\sigma$ diketahui, t bila tidak).
  3. Hitung statistik uji dari data — angka yang merangkum seberapa jauh data menyimpang dari $H_0$.
  4. Tentukan nilai kritis (batas daerah penolakan) atau hitung p-value.
  5. Putuskan: tolak $H_0$ bila statistik uji melewati nilai kritis, atau bila p-value $< \alpha$.

Dua cara pada langkah 4–5 selalu sepakat. Tidak mungkin yang satu menolak dan yang lain tidak. Banyak praktisi modern lebih suka p-value karena memberi ukuran seberapa kuat bukti, bukan sekadar ya/tidak.

Memilih Uji: z atau t?

Ini keputusan pertama yang harus diambil di langkah 2, dan sering bikin bingung. Aturannya sesungguhnya sederhana — berkisar pada satu pertanyaan: apakah simpangan baku populasi $\sigma$ sungguh diketahui?

KondisiUjiNilai kritis dari
$\sigma$ diketahui (jarang!)z-testdistribusi normal standar
$\sigma$ tidak diketahui → pakai $s$ sampelt-testdistribusi-$t$ dengan $df = n-1$

Dalam praktik nyata, $\sigma$ hampir tak pernah diketahui. Pengecualian: pengujian kalibrasi alat yang punya catatan historis panjang, atau uji proporsi (di mana $\sigma$ dihitung langsung dari $p_0$). Maka t-test jadi pilihan default untuk rata-rata, dan z-test lebih banyak dipakai di buku teks daripada di lapangan.

Mengapa beda? Karena saat kita menaksir $\sigma$ dengan $s$, ada ketidakpastian ekstra. Distribusi-$t$ lebih gemuk di ekor daripada normal — ia “mengakui” ketidakpastian itu dengan membutuhkan bukti sedikit lebih kuat sebelum menolak $H_0$. Semakin besar $n$, semakin ramping $t$ mendekati normal (itulah inti Teorema Limit Pusat). Pada $n > 30$, perbedaannya kecil; pada $n = 5$, sangat besar.

Selain itu, pertanyaan kedua: satu sampel atau dua sampel?

  • Satu sampel: bandingkan rata-rata sampel dengan satu nilai klaim (pabrik botol vs 500 ml).
  • Dua sampel independen: bandingkan rata-rata dua kelompok berbeda (mesin A vs mesin B).
  • Berpasangan: dua pengukuran pada subjek yang sama (sebelum vs sesudah, dipelajari terpisah).

Galat Baku: Jembatan dari Data ke Statistik Uji

Sebelum menghitung statistik uji, kita perlu satu bahan: galat baku (standard error, $SE$). Ini ukuran seberapa goyah rata-rata sampel dari satu sampel ke sampel lain.

Untuk satu sampel:

$$SE = \frac{\sigma}{\sqrt{n}} \quad \text{(z)} \qquad \text{atau} \qquad SE = \frac{s}{\sqrt{n}} \quad \text{(t)}$$

Untuk dua sampel independen (varians diketahui atau diasumsikan):

$$SE = \sqrt{\frac{\sigma_1^2}{n_1} + \frac{\sigma_2^2}{n_2}}$$

Perhatikan $\sqrt{n}$ di penyebut — semakin besar sampel, semakin kecil $SE$, semakin stabil rata-rata. Inilah kenapa sampel besar membuat selisih kecil pun bisa signifikan (konsep yang akan kembali menyergap saat kita bahas ukuran efek).

z-test Satu Sampel: Klaim Pabrik 500 ml

Mari kita selesaikan kasus pembuka, langkah demi langkah.

Diketahui. $\bar{x} = 499{,}3$ ml, $\sigma = 2{,}5$ ml (diketahui dari catatan kalibrasi historis), $n = 36$, $\mu_0 = 500$, $\alpha = 0{,}05$.

Langkah 1 — Hipotesis. $H_0: \mu = 500$ lawan $H_1: \mu \neq 500$ (dua-arah; kita tidak punya alasan a priori curiga ke satu arah).

Langkah 2 — Taraf & uji. $\alpha = 0{,}05$. Karena $\sigma$ diketahui, pakai z-test.

Langkah 3 — Galat baku & statistik uji.

$$SE = \frac{\sigma}{\sqrt{n}} = \frac{2{,}5}{\sqrt{36}} = \frac{2{,}5}{6} = 0{,}4167 \text{ ml}$$$$z = \frac{\bar{x} - \mu_0}{SE} = \frac{499{,}3 - 500}{0{,}4167} = \frac{-0{,}7}{0{,}4167} = -1{,}68$$

Tanda negatif hanya berarti rata-rata sampel di bawah klaim. Yang akan kita bandingkan adalah nilai mutlaknya, $|z| = 1{,}68$.

Langkah 4 — Nilai kritis. Untuk uji dua-arah pada $\alpha = 0{,}05$, daerah penolakan dibagi dua di kiri dan kanan, masing-masing ekor menampung $\alpha/2 = 0{,}025$. Nilai kritis $z^* = \pm 1{,}96$ (angka keramat yang berasal dari distribusi normal: 95% luas terletak dalam 1,96 galat baku dari pusat).

Langkah 5 — Keputusan. Karena $|{-1{,}68}| = 1{,}68 < 1{,}96$, statistik uji tidak memasuki daerah penolakan. Maka gagal tolak $H_0$.

Arti. Selisih 0,7 ml masih terlalu kecil untuk dipungut sebagai bukti mesin bergeser. Bisa jadi mesin memang sedikit meleset, tapi dengan sampel 36 botol dan $\sigma = 2{,}5$ ml, selisih sebesar ini wajar muncul hanya karena naik-turun sampling. Kami tidak mempunyai bukti kuat untuk menuduh pabrik.

p-value: Peluang Data, Bukan Peluang Hipotesis

Cara lain — dan kini lebih populer — menyimpulkan langkah 4 dan 5 adalah dengan p-value.

p-value adalah peluang memperoleh data sekstrem yang teramat, atau lebih ekstrem lagi, jika $H_0$ benar.

Perhatikan kalimatnya baik-baik. p-value bukan “peluang $H_0$ benar”. Ia justru dihitung dengan mengasumsikan $H_0$ benar. p-value kecil berarti: “andaian $H_0$ benar, data seperti ini jarang sekali muncul — maka curigai $H_0$.”

Untuk kasus botol:

$$\text{p-value} = 2 \times P(Z > |{-1{,}68}|) = 2 \times (1 - \Phi(1{,}68))$$

di mana $\Phi$ adalah fungsi sebaran kumulatif normal standar. Dari tabel, $\Phi(1{,}68) \approx 0{,}9535$, sehingga:

$$\text{p-value} = 2 \times (1 - 0{,}9535) = 2 \times 0{,}0465 = 0{,}093$$

Aturan keputusan: tolak $H_0$ bila $\text{p-value} < \alpha$. Karena $0{,}093 > 0{,}05$, gagal tolak $H_0$ — keputusan yang sama persis dengan cara nilai kritis. Ini bukan kebetulan; kedua cara adalah dua wajah dari koin yang sama.

p-value = 0,093 berarti: kalau rata-rata sebenarnya memang 500 ml, sekitar 9,3 dari 100 sampel acak berukuran 36 akan memberi selisih sebesar ini atau lebih besar. Itu tidak cukup langka untuk dianggap bukti. Bandingkan dengan ambang kita, 5 dari 100.

Lima Salah-Tafsir p-value yang Paling Sering

p-value adalah konsep paling disalahpahami dalam seluruh statistika. Hafalkan lima kekeliruan ini — dan jangan jatuh ke salah satunya.

  1. “p kecil berarti $H_0$ palsu.” Tidak. p kecil berarti data tidak cocok dengan $H_0$. Bisa jadi $H_0$ memang salah, bisa juga kebetulan langka, atau asumsi uji yang melenceng.
  2. “p = peluang $H_0$ benar.” Salah total. p-value dihitung dengan mengasumsikan $H_0$ benar — ia tidak bisa sekaligus menjadi peluang $H_0$ benar. Ini seperti menanyakan “peluang hujan, andaikan tidak hujan”.
  3. “p besar berarti $H_0$ benar.” Salah. p besar hanya berarti bukti belum cukup. Mungkin efeknya ada tapi kecil, atau sampel terlalu sedikit.
  4. “p = 0,049 dan p = 0,051 itu berbeda dunia.” Tidak. Keduanya nyaris identik. Ambang 0,05 adalah kesepakatan, bukan jurang. Laporkan p-value apa adanya, beserta ukuran efek dan selang kepercayaan.
  5. “p mengukur besar efek.” Tidak. p-value sangat sensitif terhadap $n$ — dengan sampel jutaan, selisih yang tidak penting pun bisa punya p kecil. Untuk besar efek, lihat koefisien atau selisih praktis, bukan p.

t-test Satu Sampel: Saat $\sigma$ Tidak Diketahui

Sekarang kasus yang lebih realistis. Pabrik baterai mengklaim daya tahan rata-ratanya 20 jam. Anda menguji 25 baterai dan dapat $\bar{x} = 20{,}8$ jam dengan simpangan baku sampel $s = 1{,}5$ jam. Apakah klaim terbantahkan?

Di sini $\sigma$ tidak diketahui — kita hanya punya $s$ dari sampel. Maka uji yang tepat adalah t-test, bukan z-test.

Langkah 1. $H_0: \mu = 20$ lawan $H_1: \mu \neq 20$ (dua-arah).

Langkah 2. $\alpha = 0{,}05$. Uji t karena $\sigma$ tidak diketahui.

Langkah 3 — Galat baku & statistik uji.

$$SE = \frac{s}{\sqrt{n}} = \frac{1{,}5}{\sqrt{25}} = \frac{1{,}5}{5} = 0{,}30 \text{ jam}$$$$t = \frac{\bar{x} - \mu_0}{SE} = \frac{20{,}8 - 20}{0{,}30} = \frac{0{,}8}{0{,}30} = 2{,}667$$

Langkah 4 — Derajat bebas & nilai kritis. Derajat bebas (degrees of freedom) untuk t satu sampel adalah:

$$df = n - 1 = 25 - 1 = 24$$

Dari tabel-$t$ (atau fungsi T.INV.2T(0,05; 24) di Excel), nilai kritis dua-arah pada $\alpha = 0{,}05$ adalah $t^* = \pm 2{,}064$. Perhatikan ini lebih besar daripada $z^* = 1{,}96$ — itulah “hukuman” karena kita menaksir $\sigma$ dengan $s$; kurva-$t$ lebih gemuk, menuntut bukti lebih kuat.

Langkah 5 — Keputusan. $|2{,}667| > 2{,}064$, jadi tolak $H_0$. Data cukup kuat untuk membantah klaim 20 jam.

p-value-nya? $\text{p-value} = 2 \times P(T_{24} > 2{,}667)$. Dari Excel (T.DIST.2T(2,667; 24)), p-value $\approx 0{,}0135$. Karena $0{,}0135 < 0{,}05$, sekali lagi tolak $H_0$ — kedua cara sepakat.

Arti. Rata-rata 20,8 jam cukup jauh dari 20 jam sehingga selisihnya tidak bisa dianggap kebetulan. Baterai ini daya tahannya berbeda nyata dari klaim (dan lebih lama, karena $\bar{x} > 20$).

Selang Kepercayaan: Saudara Kembar Uji Hipotesis

Setiap uji hipotesis dua-arah memiliki saudara kembar: selang kepercayaan (lihat materi khusus). Dua pendekatan ini menyampaikan informasi yang sama dengan bingkai berbeda.

Untuk kasus baterai, selang kepercayaan 95% untuk $\mu$ adalah:

$$\bar{x} \pm t^* \cdot SE = 20{,}8 \pm 2{,}064 \times 0{,}30 = 20{,}8 \pm 0{,}619 = [20{,}18;\ 21{,}42]$$

Aturan emasnya: selang kepercayaan $(1-\alpha)$ memuat $\mu_0$ jika dan hanya jika uji dua-arah pada taraf $\alpha$ gagal menolak $H_0$.

Di sini selang $[20{,}18;\ 21{,}42]$ tidak memuat 20 — sama seperti uji-$t$ di atas menolak $H_0$. Dua pernyataan ekuivalen. Tapi selang memberi sesuatu yang tidak diberikan uji: rentang nilai yang masuk akal untuk $\mu$. Uji hanya bilang “tolak”, selang bilang “tolak, dan kira-kira nilainya di antara 20,18 dan 21,42”. Itulah mengapa banyak jurnal modern mewajibkan pelaporan selang di samping p-value.

Dua Sampel: Membandingkan Dua Mesin

Sekarang kasus yang paling sering muncul di industri: membandingkan dua kelompok. Sebuah pabrik punya dua mesin, A dan B. Manajemen ingin tahu: apakah rata-rata output kedua mesin berbeda?

Dari mesin A ditarik 10 sampel, dari mesin B juga 10 sampel. Ringkasannya: $\bar{x}_A = 100{,}36$, $\bar{x}_B = 102{,}23$, $s_A = 0{,}57$, $s_B = 0{,}46$. Selisih rata-rata sekitar 1,87 unit.

Langkah 1. $H_0: \mu_A = \mu_B$ (atau $\mu_A - \mu_B = 0$) lawan $H_1: \mu_A \neq \mu_B$.

Langkah 2. $\alpha = 0{,}05$. Karena $\sigma$ tidak diketahui untuk keduanya, dan kita tidak yakin variansnya sama, pakai t-test dua sampel Welch (pendekatan paling aman dan kini default di hampir semua perangkat lunak statistik).

Langkah 3 — Galat baku & statistik uji.

$$SE = \sqrt{\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}} = \sqrt{\frac{0{,}57^2}{10} + \frac{0{,}46^2}{10}} = \sqrt{0{,}0325 + 0{,}0212} = \sqrt{0{,}0537} \approx 0{,}232$$$$t = \frac{\bar{x}_A - \bar{x}_B}{SE} = \frac{100{,}36 - 102{,}23}{0{,}232} = \frac{-1{,}87}{0{,}232} \approx -8{,}1$$

Langkah 4 — Derajat bebas Welch. Rumusnya terkenal buruk, namun penting:

$$df_{\text{Welch}} = \frac{\left(\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}\right)^2}{\frac{(s_A^2/n_A)^2}{n_A - 1} + \frac{(s_B^2/n_B)^2}{n_B - 1}} \approx 17{,}2$$

Bilangan ini biasanya bukan bulat — biarkan saja. Nilai kritis $t^*$ pada $df \approx 17$ dan $\alpha = 0{,}05$ dua-arah sekitar $\pm 2{,}11$.

Langkah 5 — Keputusan. $|{-8{,}1}| \gg 2{,}11$, jadi tolak $H_0$ dengan sangat yakin. p-value di sini praktis nol (di Excel, T.TEST(rentangA; rentangB; 2; 3) mengembalikan nilai sekitar $10^{-7}$).

Arti. Selisih 1,87 unit antara kedua mesin sangat besar dibandingkan keragaman sampling — nyaris mustahil muncul kebetulan. Mesin B menghasilkan output rata-rata yang lebih tinggi. Tim teknis perlu menelusuri kenapa.

Satu-Arah vs Dua-Arah: Kapan Pakai Yang Mana?

Pilihan ini sering dibuat sembarangan. Aturannya:

  • Dua-arah ($\neq$): kalau Anda tertarik pada selisih ke arah mana pun. Default yang aman. Contoh: “apakah rata-rata mesin berbeda dari target?”
  • Satu-arah atas ($>$): kalau Anda hanya peduli kalau nilainya lebih besar, dan selisih ke arah bawah tidak menarik (atau tidak mungkin). Contoh: “apakah obat menurunkan tekanan darah?” — Anda hanya ingin bukti penurunan, kenaikan berarti obat gagal.
  • Satu-arah bawah ($<$): kebalikannya.

Jebakannya: uji satu-arah punya semua $\alpha$ di satu ekor, sehingga nilai kritisnya lebih mudah dilampaui (1,645 untuk $z$ satu-arah pada 0,05, vs 1,96 dua-arah). Ini membuatnya “lebih mudah” menolak $H_0$ — godaan untuk memakainya setelah melihat data condong ke satu arah. Itu kecurangan. Arah harus ditetapkan sebelum data dikumpulkan, berakar pada pertanyaan substantif. Kalau ragu, pakai dua-arah.

Kalkulator Excel dengan Formula Hidup

Semua contoh di atas bisa dihitung manual dengan kalkulator. Tetapi untuk pekerjaan nyata — dengan puluhan atau ratusan pengamatan — Anda butuh alat. Berkas Excel berikut berisi empat kalkulator dengan formula hidup: ubah sel input kuning, semua statistik dan keputusan hijau terhitung ulang otomatis.

Sheet 1_Z_1SAMPLE — z-test satu sampel (σ diketahui)
  SE        = σ/SQRT(n)
  z         = (x̄ − μ₀)/SE
  z*        = NORM.S.INV(1 − α/2)            ← nilai kritis
  p-value   = 2*(1 − NORM.S.DIST(ABS(z); TRUE))

Sheet 3_T_1SAMPLE — t-test satu sampel (σ tidak diketahui)
  SE        = s/SQRT(n)
  df        = n − 1
  t         = (x̄ − μ₀)/SE
  t*        = T.INV.2T(α; df)
  p-value   = T.DIST.2T(ABS(t); df)

Sheet 4_T_2SAMPLE — t-test dua sampel (Welch, varians beda)
  SE        = SQRT(s₁²/n₁ + s₂²/n₂)
  df_Welch  = (s₁²/n₁ + s₂²/n₂)² / [ (s₁²/n₁)²/(n₁−1) + (s₂²/n₂)²/(n₂−1) ]
  t         = (x̄₁ − x̄₂)/SE
  p-value   = T.DIST.2T(ABS(t); df_Welch)
  p-value   = T.TEST(rentang1; rentang2; 2; 3)   ← langsung dari data mentah

⬇ Unduh hypothesis-testing-template.xlsx

Berkas pendamping berisi enam lembar: petunjuk, empat kalkulator (z satu sampel, z dua sampel, t satu sampel, t dua sampel Welch), dan satu lembar referensi (nilai kritis $z^*$ dan $t^*$, aturan keputusan, glosarium rumus). Setiap kalkulator menampilkan dua cara keputusan — berdasarkan nilai kritis dan berdasarkan p-value — sehingga Anda bisa melihat sendiri bahwa keduanya selalu berimpit. Sheet 4_T_2SAMPLE bahkan menyertakan blok data mentah 10 pengamatan per mesin, sehingga T.TEST menghitung p-value langsung dari rentang sel — ubah satu angka di data dan seluruh hasil mengalir.

Lima Langkah, Selesai. Lalu Mengapa Masih Rumit?

Kerangka lima langkah itu sendiri sederhana. Yang membuat uji hipotesis sulit adalah banyaknya pilihan yang harus diambil dengan benar sebelum menghitung: z atau t, satu atau dua sampel, satu-arah atau dua-arah, $\alpha$ berapa, ukuran efek apa yang relevan. Setiap pilihan punya konsekuensi, dan setiap kesalahan pilihan bisa membatalkan seluruh hasil.

Itulah mengapa bagian berikut — kesalahan umum — sama pentingnya dengan rumusnya.

Kesalahan Umum

Salah memilih z vs t. Aturannya satu: $\sigma$ diketahui → z; $\sigma$ tidak diketahui (pakai $s$) → t. Banyak buku lama menyebut “pakai z bila $n \geq 30$” — itu pintas yang belum tentu benar; pada $n$ besar, $t$ dan $z$ hampir sama saja, jadi pakai $t$ tidak merugikan. Kesalahan fatal adalah memakai z padahal $\sigma$ tidak diketahui dan $n$ kecil — selang terlalu sempit, p-value terlalu kecil, galat jenis I mengembang tanpa Anda sadari.

Salah menafsirkan p-value. p-value bukan peluang $H_0$ benar. Ia peluang data sekstrem ini jika $H_0$ benar. Lima kekeliruan di bagian khusus di atas adalah ringkasan yang wajib dihafal.

Menganggap 0,05 angka keramat. $\alpha = 0{,}05$ hanyalah kesepakatan, bukan hukum alam. p-value 0,049 dan 0,051 hampir-hampir tidak berbeda secara substantif. Laporkan p-value apa adanya, ditemani ukuran efek dan selang kepercayaan.

Menyimpulkan “gagal tolak = $H_0$ benar”. Salah. Gagal menolak hanya berarti bukti belum cukup. Bisa jadi sampelnya kurang besar atau efeknya kecil tetapi tetap ada. Analogi sidang: “tidak terbukti bersalah” bukan “terbukti tidak bersalah”.

Menentukan arah setelah melihat data. Memilih uji satu-arah setelah tahu hasil condong ke mana adalah kecurangan yang menggembungkan peluang salah-tolak di atas $\alpha$. Arah harus ditetapkan sebelum pengumpulan data; kalau ragu, pakai dua-arah.

Mengabaikan asumsi. z-test dan t-test klasik menduga data menyebar normal dan (untuk dua sampel) varians yang setara. Untuk sampel besar, Teorema Limit Pusat menyelamatkan asumsi normalitas. Untuk sampel kecil atau sangat miring, pertimbangkan uji nonparametrik (Mann-Whitney, Wilcoxon) atau transformasi data.

Memungut hasil dari banyak uji. Menguji 20 hipotesis pada $\alpha = 0{,}05$ membuat kita berharap sekitar satu salah-tolak walau semua $H_0$ benar. Gunakan koreksi Bonferroni atau pengendalian laju temuan palsu saat menguji banyak hal sekaligus.

Dipakai di Dunia Nyata

  • Uji A/B produk digital. Setiap percobaan fitur di layanan daring memutuskan lanjut atau batal berdasar uji hipotesis. Dengan sampel jutaan pengguna, kuasa mendekati 100% bahkan untuk efek kecil — sehingga ukuran efek menjadi penentu keputusan, bukan p-value.
  • Kendali mutu pabrik. Persis kasus botol di artikel ini. Pengendalian proses statistik (SPC) menjalankan uji setiap giliran kerja; menolak $H_0$ berarti menghentikan produksi untuk pemeriksaan.
  • Uji klinis obat. Otoritas seperti BPOM mewajibkan uji hipotesis sebelum obat disetujui. $H_0$: obat tidak lebih manjur daripada plasebo. Kuasa minimal 80% ditetapkan lebih dulu, lalu ukuran sampel dirancang agar kuasa tercapai (lihat kuasa uji).
  • Audit keuangan. Auditor memakai logika uji hipotesis untuk menilai apakah laporan keuangan “wajar”. $H_0$: tidak ada salah saji material; menolaknya mengarah ke opini dengan pengecualian.
  • Riset akademik. Hampir semua makalah ekonomi, psikologi, sosiologi memakai uji hipotesis untuk mengklaim “efek X nyata”. Krisis replikasi sebagian bersumber dari ketergantungan berlebih pada p-value — pendorong agar ukuran efek dan selang kepercayaan ikut dilaporkan.

Cek Pemahaman

1. (Perhitungan langsung.) Sebuah pabrik mengklaim rata-rata berat suku cadang 50,0 gram. Anda menimbang 49 suku cadang, dapat $\bar{x} = 49{,}7$ gram dengan simpangan baku sampel $s = 1{,}4$ gram. Pada $\alpha = 0{,}05$ dua-arah, apakah klaim terbantahkan? Sebutkan uji yang dipilih, statistik uji, derajat bebas, dan keputusan.

Lihat jawaban

$\sigma$ tidak diketahui → pakai t-test. Galat baku $SE = s/\sqrt{n} = 1{,}4/\sqrt{49} = 1{,}4/7 = 0{,}20$. Statistik $t = (49{,}7 - 50{,}0)/0{,}20 = -0{,}3/0{,}2 = -1{,}50$. Derajat bebas $df = 49 - 1 = 48$. Nilai kritis $t^*$ dua-arah $\alpha = 0{,}05$ pada $df = 48$ sekitar $\pm 2{,}01$. Karena $|{-1{,}50}| = 1{,}50 < 2{,}01$, gagal tolak $H_0$. Selisih 0,3 gram masih wajar sebagai naik-turun sampling. (p-value $\approx 0{,}14$, di atas 0,05 — keputusan sama.)

2. (z vs t — kenapa pilihannya bukan soal ukuran sampel.) Sebuah laboratorium memiliki catatan 20 tahun kalibrasi alat ukur dan tahu pasti simpangan baku galat alat itu $\sigma = 0{,}5$ satuan, sangat stabil. Dari 64 pengukuran baru, rata-ratanya 100,2; nilai acuan 100,0. Uji manakah yang tepat, dan apa statistik ujinya?

Lihat jawaban

Karena $\sigma$ benar-benar diketahui (catatan 20 tahun yang stabil), inilah kasus langka yang membolehkan z-test — meskipun $n = 64$ besar. Galat baku $SE = \sigma/\sqrt{n} = 0{,}5/\sqrt{64} = 0{,}5/8 = 0{,}0625$. Statistik $z = (100{,}2 - 100{,}0)/0{,}0625 = 3{,}2$ — jauh melewati $z^* = \pm 1{,}96$, jadi tolak $H_0$: pengukuran hari ini berbeda nyata dari acuan. Kuncinya bukan ukuran sampel, melainkan apakah $\sigma$ sungguh diketahui.

3. (Membandingkan dua mesin.) Anda membandingkan dua mesin pengemas, A dan B, masing-masing dengan 12 sampel. Ringkasan: $\bar{x}_A = 99{,}8$, $\bar{x}_B = 101{,}5$, $s_A = 1{,}2$, $s_B = 1{,}0$. Pada $\alpha = 0{,}05$ dua-arah, hitung statistik uji Welch dan tarik keputusan. (Petunjuk: $df \approx 22$, $t^* \approx 2{,}07$.)

Lihat jawaban

$SE = \sqrt{s_A^2/n_A + s_B^2/n_B} = \sqrt{1{,}2^2/12 + 1{,}0^2/12} = \sqrt{0{,}12 + 0{,}0833} = \sqrt{0{,}2033} \approx 0{,}451$. Statistik $t = (99{,}8 - 101{,}5)/0{,}451 = -1{,}7/0{,}451 \approx -3{,}77$. Derajat bebas Welch sekitar 22, nilai kritis $t^* \approx \pm 2{,}07$. Karena $|{-3{,}77}| > 2{,}07$, tolak $H_0$: rata-rata output mesin B nyata lebih tinggi dari mesin A. (p-value $\approx 0{,}001$.)

4. (Salah tafsir p-value.) Sebuah peneliti melaporkan “p-value = 0,04, jadi peluang hipotesis nol benar hanya 4%”. Jelaskan kenapa pernyataan ini salah, dan rumuskan ulang dengan benar.

Lihat jawaban

p-value bukan peluang $H_0$ benar. p-value dihitung dengan mengasumsikan $H_0$ benar — ia tidak bisa sekaligus menjadi peluangnya. Pernyataan yang benar: “Bila $H_0$ benar, peluang memperoleh data sekstrem ini atau lebih ekstrem hanya sekitar 4%.” Karena 4% di bawah ambang $\alpha = 5\%$, kita tolak $H_0$ — bukan karena $H_0$ pasti salah, tetapi karena data tidak cocok dengannya.

5. (Banyak uji sekaligus.) Seorang peneliti menguji 20 hipotesis berbeda, masing-masing pada $\alpha = 0{,}05$, dan ternyata semua $H_0$ sebenarnya benar. Kira-kira berapa banyak di antara 20 uji itu yang akan menolak $H_0$ secara keliru? Apa pelajarannya?

Lihat jawaban

$\alpha = 0{,}05$ berarti tiap uji punya peluang 5% melakukan galat jenis I. Untuk 20 uji yang semuanya berlatar $H_0$ benar, harapan banyaknya salah-tolak adalah $20 \times 0{,}05 = 1$ uji. Jadi rata-rata sekitar satu hasil “signifikan” akan muncul murni karena kebetulan. Pelajarannya: menjalankan banyak uji lalu hanya melaporkan yang “signifikan” sangat menyesatkan. Solusinya adalah koreksi untuk uji berganda, misalnya koreksi Bonferroni ($0{,}05/20 = 0{,}0025$ sebagai ambang baru) atau pengendalian laju temuan palsu.

Lanjutan

Uji hipotesis adalah fondasi seluruh statistika inferensial. Setelah kerangka lima langkah dan kalkulator ini jelas, pendalaman bisa ke beberapa arah:

Kalau prasyaratnya belum mantap, kembali dulu ke:

Uji hipotesis sangat ampuh, tetapi mudah disalahgunakan. Pakailah dengan kritis: nilai kritis atau p-value yang dibaca bersama ukuran efek dan selang kepercayaan jauh lebih informatif daripada satu angka p-value sendirian.