Cara Baca Nilai Signifikansi: p-value untuk Orang yang Bukan Statistikawan

Nilai signifikansi (p-value) adalah peluang kamu dapet hasil seekstrem data kamu, seandainya sebenernya nggak ada efek apa-apa. Makin kecil angkanya, makin susah hasil itu dijelasin sebagai kebetulan.

Itu definisinya. Sekarang bagian yang bikin orang keder.

Kamu klik Analyze di SPSS, tabelnya keluar, ada kolom "Sig. (2-tailed)" isinya 0,032. Terus apa? Boleh bilang promo kamu berhasil, atau belum?

Aku bakal jelasin cara bacanya tanpa satu pun rumus integral, plus tiga hal yang p-value nggak bilang tapi sering dikira dia bilang.

Apa itu nilai signifikansi?

Nilai signifikansi adalah angka antara 0 sampai 1 yang ngukur seberapa nyambung data kamu sama anggapan "nggak ada efek". Anggapan itu namanya hipotesis nol. Kalau p-value-nya kecil, data kamu aneh banget buat dunia tanpa efek, jadi kamu nolak anggapan itu.

Bahasa gampangnya gini. Kamu lempar koin 10 kali, keluar angka 10 kali berturut-turut.

Peluang kejadian itu kalau koinnya jujur? Sekitar 0,001. Itu p-value-nya.

Kamu nggak bisa buktiin koinnya curang. Tapi 0,001 cukup kecil buat kamu berhenti nganggap koin itu jujur.

Uji statistik kerjanya persis gitu. Bedanya, yang dilempar bukan koin, tapi selisih rata-rata antara dua kelompok.

Gimana cara baca kolom Sig. di output SPSS?

Baca satu angka aja: kolom Sig. Kalau isinya di bawah 0,05, hasilnya signifikan secara statistik. Kalau di atas 0,05, kamu belum punya bukti cukup. Di SPSS kolomnya sering ditulis "Sig. (2-tailed)", artinya uji dua arah, kamu cuma nanya "ada beda nggak", bukan "lebih besar atau lebih kecil".

Tabel cepatnya:

Nilai Sig.	Bacanya	Yang kamu tulis
0,001 ke bawah	Bukti kuat banget	p < 0,001
0,001 sampai 0,05	Signifikan di ambang 5%	p = 0,032
0,05 sampai 0,10	Bukti lemah, jangan diklaim	p = 0,068
Di atas 0,10	Nggak ada bukti	p = 0,41

Satu jebakan yang paling sering kena mahasiswa: SPSS nulis ,000. Itu bukan nol. SPSS cuma motong di tiga angka desimal, jadi artinya p-nya lebih kecil dari 0,0005. Tulis p < 0,001 di skripsi kamu, jangan p = 0,000.

Kalau kamu pakai Python, angkanya keluar apa adanya:

from scipy import stats

# omzet harian sebelum dan sesudah promo
sebelum = [4.1, 3.8, 4.4, 3.9, 4.2, 4.0, 3.7]
sesudah  = [4.9, 5.2, 4.6, 5.4, 5.0, 4.8, 5.1]

t, p = stats.ttest_ind(sebelum, sesudah, equal_var=False)
print(f"t = {t:.3f}, p = {p:.6f}")

Detail parameter dan asumsinya ada di dokumentasi resmi scipy.stats.ttest_ind.

Kenapa batasnya harus 0,05?

Nggak harus. Angka 0,05 itu kebiasaan, bukan aturan alam. Ronald Fisher nyebut angka itu di tahun 1920-an sebagai patokan praktis, terus semua orang ikut. Artinya kamu rela salah nolak hipotesis nol sekitar 5 kali dari 100 percobaan.

Kalau salah ngambil keputusan itu murah, 0,05 aman. Kalau mahal, ketatin.

• Skripsi dan riset sosial: 0,05 standar.
• Uji obat: sering 0,01.
• Keputusan yang biayanya ratusan juta: pertimbangin 0,01 juga.

Yang penting: tentuin ambangnya sebelum lihat hasilnya. Geser ambang setelah p-value keluar itu curang, dan gampang ketauan penguji.

Apa yang nggak dikasih tau p-value?

Ini bagian yang paling sering salah kaprah. Ada tiga hal yang p-value nggak pernah jawab.

1. Seberapa besar efeknya

p = 0,001 nggak berarti efeknya gede. Dia cuma berarti efeknya susah dianggap kebetulan. Ukuran efek dihitung terpisah, misalnya pakai Cohen's d atau selisih rata-rata mentah.

2. Peluang hipotesis kamu bener

p = 0,03 bukan berarti "ada 97% kemungkinan teoriku bener". p-value ngitung peluang data, bukan peluang hipotesis. Ini beda arah, dan sering kebalik di penulisan skripsi.

3. Apakah hasilnya penting buat bisnis

Sampel gede bikin selisih kecil jadi signifikan. Ini yang bakal kamu lihat di contoh di bawah.

Contoh kasus: promo gratis ongkir di toko_berkah

Dataset toko_berkah punya 8.257 transaksi selesai. Toko ini ngetes promo gratis ongkir selama 14 hari, dibandingin sama 14 hari sebelumnya.

Periode	Jumlah struk	Rata-rata nilai struk	Standar deviasi
Sebelum promo	1.842	Rp 178.400	Rp 412.000
Selama promo	2.109	Rp 191.700	Rp 438.000

Hasil uji t dua sampel: t = 0,983, p = 0,326.

p-nya jauh di atas 0,05. Jadi selisih Rp 13.300 per struk itu belum bisa dibedain dari kebetulan.

Tapi ceritanya belum selesai. Aku cek metrik lain, jumlah struk per hari.

Periode	Rata-rata struk per hari	Hasil uji
Sebelum promo	131,6	t = 3,41, p = 0,002
Selama promo	150,6

Nah ini signifikan. Promo gratis ongkir nggak bikin orang belanja lebih banyak per struk, tapi bikin lebih banyak orang belanja. Naik 19 struk per hari, atau sekitar 14,4%.

Keputusan yang lahir dari dua p-value ini beda total. Kalau toko_berkah cuma ngukur nilai struk, promonya bakal dicap gagal dan dimatiin. Padahal yang naik itu volume.

Buat narik angka rata-rata dan hitungan kayak gini dari database, kamu bakal sering pakai fungsi AVG sama COUNT. Istilah dasarnya ada di glossary p-value.

Kesalahan umum waktu baca nilai signifikansi

Nulis p = 0,000

Udah dibahas di atas, tapi ini kesalahan nomor satu di skripsi. Ganti jadi p < 0,001.

Bilang "nggak ada perbedaan" waktu p besar

p = 0,32 artinya kamu belum nemu bukti perbedaan. Bukan berarti bedanya nggak ada. Sampel kecil sering bikin efek nyata jadi nggak kedeteksi.

Ngetes banyak hal terus ambil yang paling kecil

Kalau kamu uji 20 variabel di ambang 0,05, secara peluang bakal ada sekitar 1 yang keluar signifikan walau semuanya nggak ada efek. Ini namanya masalah perbandingan ganda. Kalau kamu emang uji banyak, pakai koreksi kayak Bonferroni.

Lupa cek asumsi ujinya

Uji t punya syarat, misalnya data mendekati normal dan varians dua kelompok mirip. Kalau syaratnya jebol, p-value-nya nggak bisa dipercaya. Cek dulu sebarannya lewat statistik deskriptif sebelum jalanin uji apa pun.

Nganggap signifikan sama dengan sebab-akibat

p kecil di data observasi cuma nunjukin pola, bukan sebab. Buat klaim sebab-akibat, kamu butuh desain eksperimen yang bener.

FAQ

Nilai signifikansi 0,000 di SPSS artinya apa?

Itu bukan nol beneran. SPSS cuma nampilin tiga angka di belakang koma, jadi 0,000 artinya p-value-nya lebih kecil dari 0,0005. Cara nulisnya yang bener di laporan: p < 0,001, bukan p = 0,000. Peluangnya kecil banget, tapi secara matematis nggak pernah persis nol. Dosen penguji sering banget nanya ini, jadi mending kamu tulis dari awal pakai format p < 0,001.

Kalau p-value 0,06 berarti hasilnya gagal?

Nggak gagal, cuma belum cukup bukti buat nolak hipotesis nol di ambang 0,05. Bedanya 0,06 sama 0,04 itu tipis banget, dan sering cuma soal jumlah sampel. Yang bener kamu lakuin: laporin angka aslinya, laporin ukuran efeknya, dan bilang buktinya lemah. Jangan ngutak-atik data sampai p-nya turun di bawah 0,05, itu namanya p-hacking dan bikin hasilnya nggak bisa dipercaya.

Apa bedanya signifikan secara statistik sama penting?

Signifikan secara statistik cuma berarti polanya kecil kemungkinan kebetulan. Penting berarti efeknya cukup besar buat ngubah keputusan. Dua-duanya beda. Dengan sampel 50.000 transaksi, selisih omzet Rp 900 per struk bisa keluar p < 0,001, padahal buat bisnis angka segitu nggak ada artinya. Selalu lihat ukuran efeknya, bukan cuma kolom Sig.

Kenapa batas signifikansi 0,05, bukan angka lain?

Angka 0,05 itu kesepakatan yang dipopulerkan Ronald Fisher di tahun 1920-an, bukan hukum alam. Artinya kamu rela salah nolak hipotesis nol 5 kali dari 100. Bidang lain pakai ambang beda. Fisika partikel minta jauh lebih ketat, uji klinis kadang pakai 0,01. Kalau salah ambil keputusan itu mahal buat kamu, turunin ambangnya jadi 0,01.

Boleh nggak nentuin batas 0,05 setelah lihat hasilnya?

Nggak boleh. Ambang signifikansi ditentuin sebelum kamu jalanin uji, bareng sama hipotesis. Kalau kamu geser ambang setelah lihat p-value-nya 0,07 biar jadi signifikan, kamu udah ngerusak logika ujinya. Praktik yang aman: tulis hipotesis, ambang, dan uji yang dipakai di proposal atau catatan analisis, baru jalanin ujinya.

Penutup

Tiga hal yang bikin kamu aman baca kolom Sig.:

1. p kecil = polanya susah dianggap kebetulan. Itu doang, nggak lebih.
2. Selalu laporin ukuran efek di sebelah p-value. Angka Rp 13.300 lebih berguna dari angka 0,326.
3. p besar bukan bukti "nggak ada beda". Cek dulu sampel kamu cukup atau nggak.

Kalau kamu masih bingung sama H0 dan H1 yang jadi dasar semua ini, mampir dulu ke panduan uji hipotesis. Habis itu balik ke output SPSS kamu, dan baca ulang kolom Sig.-nya. Kemungkinan besar sekarang kebaca.