TL;DR
Macam macam uji statistik dikelompokin berdasarkan tujuan analisis: uji beda rata-rata (uji t, ANOVA), uji beda non-parametrik (Mann-Whitney, Wilcoxon, Kruskal-Wallis), dan uji hubungan (Pearson, Spearman, chi-square, regresi). Pilihan ujinya ditentukan tiga hal: mau lihat beda atau hubungan, skala data variabel terikat, dan jumlah kelompok yang dibandingin. Kalau data gagal uji normalitas, ganti versi parametriknya dengan padanan non-parametrik.
Uji statistik adalah prosedur buat ngecek apakah pola di data kamu nyata secara statistik, atau cuma kebetulan dari sampel yang kepilih.
Bagian tersulitnya bukan ngitung. SPSS, JASP, dan Python udah ngerjain hitungannya dalam hitungan detik.
Yang bikin bab 4 skripsi ambyar itu salah pilih uji. Di bawah ini 15 uji yang paling sering muncul, dikelompokin berdasarkan pertanyaan penelitian yang mau kamu jawab.
Uji statistik adalah prosedur hitung yang ngebandingin data sampel kamu sama satu dugaan awal bernama hipotesis nol. Hasilnya berupa p-value, yaitu peluang ketemu pola sekuat ini kalau hipotesis nolnya benar. Kalau p-value di bawah ambang yang kamu tetapkan, biasanya 0,05, hipotesis nol ditolak.
Hipotesis nol isinya selalu sama: nggak ada beda, atau nggak ada hubungan. Kerjaan uji statistik cuma satu, nyari bukti buat nolak kalimat itu.
Kalau kamu belum pernah nyusun hipotesis dengan benar, baca dulu panduan uji hipotesis. Arti angka 0,05 juga dijelasin di glossary p-value.
Pilihan uji statistik ditentukan tiga hal: tujuan analisis (beda atau hubungan), skala data variabel terikat, dan jumlah kelompok yang dibandingin. Begitu tiga hal itu jelas, kandidat ujinya tinggal satu atau dua. Hasil uji normalitas yang nentuin kamu pakai versi parametrik atau non-parametrik.
Urutan pertanyaan yang aku pakai tiap kali bantu orang milih:
Tabel ini ngeringkas jalurnya:
| Tujuan | Kondisi data | Uji parametrik | Padanan non-parametrik |
|---|---|---|---|
| Beda 2 kelompok bebas | Interval atau rasio | Uji t sampel bebas | Mann-Whitney U |
| Beda 2 pengukuran pada subjek sama | Interval atau rasio | Uji t berpasangan | Wilcoxon signed rank |
| Beda 3 kelompok atau lebih | Interval atau rasio | ANOVA satu arah | Kruskal-Wallis |
| Hubungan 2 variabel angka | Interval atau rasio | Korelasi Pearson | Korelasi Spearman |
| Hubungan 2 variabel kategori | Nominal | Nggak ada | Chi-square |
| Prediksi nilai dari variabel lain | Interval atau rasio | Regresi linear | Regresi logistik (target kategori) |
Uji prasyarat ngecek apakah data kamu memenuhi asumsi uji utama. Tiga yang paling sering diminta penguji: normalitas sebaran, homogenitas ragam antar kelompok, dan linearitas hubungan. Kalau prasyaratnya gagal, kesimpulan uji utamanya jadi rapuh, dan kamu harus ganti metode.
Uji normalitas yang paling kuat buat sampel kecil sampai sedang, kira-kira di bawah 50 data. Hipotesis nolnya: data berasal dari sebaran normal. Jadi kamu justru berharap p-value di atas 0,05.
Banyak mahasiswa kebalik baca ini. Sig 0,200 di output SPSS artinya data kamu normal, dan itu kabar baik.
Uji normalitas alternatif buat sampel besar. Di SPSS versinya pakai koreksi Lilliefors, yang muncul bareng Shapiro-Wilk di menu Explore. Cara bacanya sama, p di atas 0,05 berarti normal.
Ngecek apakah ragam antar kelompok mirip. Ini prasyarat uji t sampel bebas dan ANOVA. Kalau Levene keluar signifikan, artinya ragamnya beda, dan kamu baca baris "equal variances not assumed" di output uji t.
Buat ngebandingin rata-rata, pilihannya ada di keluarga uji t dan ANOVA. Uji t dipakai kalau kelompoknya cuma dua, ANOVA kalau tiga atau lebih. Bedanya lagi ada di desain: sampel bebas kalau orangnya beda, sampel berpasangan kalau orangnya sama tapi diukur dua kali.
Ngebandingin rata-rata satu kelompok sama satu angka acuan. Contohnya: apakah rata-rata nilai kepuasan pelanggan beda dari target perusahaan 4,0 dari skala 5.
Ngebandingin rata-rata dua kelompok yang isinya orang berbeda. Contoh klasik di skripsi: rata-rata omzet UMKM yang ikut pelatihan versus yang nggak ikut.
Buat data pretest dan posttest dari orang yang sama. Yang diuji bukan dua rata-rata terpisah, tapi rata-rata selisihnya. Salah pakai uji t sampel bebas di sini bikin hasilnya terlalu konservatif.
Ngebandingin rata-rata tiga kelompok atau lebih dari satu faktor. Hasilnya cuma bilang ada minimal satu pasang kelompok yang beda. Buat tau pasangan mana, kamu lanjut ke uji lanjutan kayak Tukey atau Bonferroni.
Dipakai kalau ada dua faktor sekaligus, misalnya jenis promo dan lokasi cabang. Nilai tambahnya ada di uji interaksi, yang ngecek apakah efek promo beda-beda tergantung lokasi.
Uji non-parametrik kerja pakai ranking, bukan nilai aslinya. Karena itu dia nggak butuh asumsi sebaran normal dan tahan sama outlier. Tiap uji parametrik punya padanan non-parametrik dengan tujuan yang sama persis.
Padanan uji t sampel bebas. Yang dibandingin distribusi dua kelompok lewat peringkat gabungan. Cocok buat data skala Likert yang sering muncul di kuesioner skripsi.
Padanan uji t berpasangan. Dipakai buat pretest posttest yang datanya kecil atau menceng.
Padanan ANOVA satu arah buat tiga kelompok atau lebih. Sama kayak ANOVA, hasil signifikan cuma bilang ada yang beda, belum bilang siapa. Lanjutannya pakai uji Dunn.
Buat ngukur hubungan, pilih berdasarkan skala data kedua variabel. Dua variabel angka pakai korelasi, dua variabel kategori pakai chi-square. Kalau kamu pengin memprediksi nilai satu variabel dari variabel lain, bukan cuma ngukur keeratan, jawabannya regresi.
Ngukur keeratan hubungan lurus antara dua variabel angka. Nilainya dari -1 sampai 1. Detail cara hitung dan cara bacanya ada di artikel korelasi Pearson.
Versi berbasis peringkat. Dipakai kalau datanya ordinal atau hubungannya monoton tapi nggak lurus. Bandingannya dibahas di Spearman versus Pearson.
Ngetes hubungan antara dua variabel kategori lewat tabel silang. Contohnya jenis kelamin versus pilihan metode bayar. Pembahasan lengkapnya ada di uji chi-square.
Bikin persamaan buat memprediksi variabel terikat dari satu atau beberapa variabel bebas. Ini uji yang paling sering jadi tulang cerita skripsi manajemen. Konsepnya dijelasin di regresi linear.
Dataset latihan toko_berkah di ngulikdata punya transaksi dari dua cabang. Pertanyaannya sederhana: apakah rata-rata nilai belanja di dua cabang ini beda?
| Cabang | Jumlah transaksi | Rata-rata belanja | Simpangan baku |
|---|---|---|---|
| Depok | 180 | Rp 84.200 | Rp 31.000 |
| Bekasi | 165 | Rp 79.500 | Rp 31.000 |
Dua kelompok, orangnya beda, datanya rasio. Jadi ujinya uji t sampel bebas.
Selisih rata-ratanya Rp 4.700. Kelihatan lumayan kalau dilihat sekilas.
Tapi galat baku selisihnya Rp 3.341, jadi nilai t cuma 1,41 dengan p sekitar 0,16. Di atas 0,05, jadi hipotesis nol nggak ditolak.
Terjemahan bisnisnya: dengan jumlah transaksi segitu, selisih Rp 4.700 masih masuk rentang kebetulan. Kalau manajer toko mau ngambil keputusan buka cabang baru cuma dari angka ini, dia lagi baca noise.
Sekarang perhatikan efek jumlah data. Kalau pola yang sama muncul di 900 dan 825 transaksi, nilai t-nya naik jadi sekitar 3,15 dan p turun ke 0,002. Selisih rupiahnya sama persis, kesimpulannya kebalik.
Ini kenapa jumlah sampel wajib dilaporin bareng hasil uji. Angka p tanpa n itu setengah cerita.
1. Ngejalanin uji parametrik tanpa cek normalitas. Uji t dan ANOVA punya asumsi. Kalau langsung klik tanpa Explore, penguji bakal nanya di sidang.
2. Salah baca arah uji normalitas. Di Shapiro-Wilk, p di atas 0,05 itu bagus. Banyak yang kebalik dan malah panik lihat Sig 0,200.
3. Pakai uji t sampel bebas buat data pretest posttest. Orangnya sama, jadi datanya berpasangan. Uji yang benar uji t berpasangan.
4. Berhenti di ANOVA yang signifikan. ANOVA nggak bilang kelompok mana yang beda. Tanpa uji lanjutan, kamu belum punya kesimpulan yang bisa ditulis.
5. Nyimpulin sebab akibat dari korelasi. Korelasi kuat antara biaya iklan dan omzet nggak otomatis berarti iklan yang nyebabin omzet naik. Bisa jadi dua-duanya naik gara-gara musim liburan.
6. Ngebuang outlier biar datanya jadi normal. Outlier kadang data paling berharga. Cek dulu apakah itu salah input atau kejadian nyata. Bahasan lengkapnya ada di glossary outlier.
7. Nerjemahin hasil nggak signifikan jadi nggak ada pengaruh. Hasil nggak signifikan artinya kamu belum punya bukti cukup. Bukan berarti efeknya nol.
Jawab tiga pertanyaan dulu. Kamu mau lihat perbedaan atau hubungan? Skala data variabel terikatnya angka, ranking, atau kategori? Berapa kelompok yang dibandingin? Setelah itu cek normalitas datanya. Kalau normal, pakai uji parametrik kayak uji t atau ANOVA. Kalau nggak normal, pakai padanan non-parametriknya.
Uji parametrik nganggap data kamu ngikutin sebaran tertentu, biasanya normal, dan butuh skala interval atau rasio. Uji non-parametrik nggak butuh asumsi sebaran itu dan bisa jalan di data ordinal. Harganya: uji non-parametrik biasanya lebih susah nemuin efek yang beneran ada, jadi kamu butuh sampel lebih besar buat kesimpulan yang sama.
Ada tiga jalan. Pertama, ganti ke uji non-parametrik yang setara, misalnya Mann-Whitney buat gantiin uji t sampel bebas. Kedua, transformasi datanya, misalnya pakai logaritma buat data yang menceng ke kanan. Ketiga, cek dulu apakah sebarannya jadi aneh gara-gara segelintir outlier yang salah input. Sering banget penyebabnya cuma typo di data entry.
Nggak ada satu angka yang berlaku buat semua uji. Buat chi-square, aturan praktisnya tiap sel punya nilai harapan minimal 5. Buat uji t dan ANOVA, banyak dosen minta minimal 30 per kelompok biar sebaran rata-ratanya mendekati normal. Yang lebih benar: hitung sample size dari efek minimal yang mau kamu deteksi.
Dari pola judul skripsi manajemen, tiga yang paling sering muncul adalah regresi linear berganda buat nguji pengaruh beberapa variabel bebas, uji t buat ngecek koefisien satu per satu, dan uji F buat model secara keseluruhan. Uji validitas dan reliabilitas kuesioner biasanya jalan duluan sebelum semua itu.
Tiga hal yang nentuin pilihan uji: tujuan analisis, skala data, dan jumlah kelompok. Sisanya tinggal ngikutin tabel di atas.
Uji normalitas jalan duluan, dan hasilnya yang nentuin kamu belok ke jalur parametrik atau non-parametrik. Jangan lupa laporin jumlah sampel bareng p-value.
Semua uji di atas ada implementasinya di modul scipy.stats. Daftar lengkap fungsinya bisa kamu cek di dokumentasi scipy.stats.
Coba ambil satu variabel dari data skripsimu, jalanin Shapiro-Wilk, dan tentuin jalurnya dari situ. Kalau hasilnya bingungin, lanjut baca statistik deskriptif buat kenalan sama sebaran datamu dulu.
Mau praktek langsung? Mulai latihan SQL gratis
Latihan interaktif, langsung di browser.
Kolom datetime nyimpen tanggal, jam, hari, semuanya nempel jadi satu. Accessor .dt di pandas ngeluarin tiap bagian jadi kolom sendiri buat dianalisa.
Nama toko ketik campur huruf besar-kecil, spasi nyasar di ujung, atau kode produk nempel jadi satu. Accessor .str di pandas ngerapiin semua itu tanpa loop.
Model machine learning cuma ngerti angka, bukan teks kayak merah atau biru. get_dummies ngubah kolom kategori jadi kolom 0/1 dalam satu baris kode.