Pengertian Uji Hipotesis Statistik: H0, H1, dan Kesalahan Tipe I dan II

Uji hipotesis statistik adalah cara ngambil keputusan soal populasi dari data sampel, dengan nguji dua pernyataan yang saling bertentangan. Satu nyatain nggak ada efek, satunya nyatain ada.

Yang bikin mandek biasanya bukan konsepnya. Yang bikin mandek itu nulis H0 dan H1 dengan bener, dan ngerti kenapa kamu bisa salah dengan dua cara berbeda.

Aku bakal jelasin pakai kasus toko_berkah yang mau ganti kemasan produk, bukan pakai contoh koin dan dadu.

Apa itu uji hipotesis statistik?

Uji hipotesis statistik adalah prosedur terstruktur buat mutusin apakah pola yang kamu lihat di sampel cukup kuat buat disimpulin berlaku di populasi. Prosedurnya punya lima langkah tetap: tulis H0 dan H1, tentuin ambang alpha, pilih uji yang cocok, hitung statistik uji dan p-value, lalu ambil keputusan.

Logikanya mirip persidangan. Terdakwa dianggap nggak bersalah sampai bukti cukup kuat.

H0 adalah posisi "nggak bersalah". Kamu nggak berangkat dari netral, kamu berangkat dari anggapan nggak ada efek. Data harus kerja keras buat ngegeser kamu dari situ.

Konsekuensinya penting: kalau bukti kurang, kamu nggak bilang terdakwa terbukti nggak bersalah. Kamu cuma bilang buktinya kurang.

Gimana cara nulis H0 dan H1?

H0 (hipotesis nol) selalu nyatain nggak ada efek, nggak ada perbedaan, atau nggak ada hubungan, dan selalu ditulis pakai tanda sama dengan. H1 (hipotesis alternatif) nyatain kebalikannya, dan bentuknya nentuin ujimu satu arah atau dua arah.

Contoh konkret dari toko_berkah. Toko ini mau ganti kemasan gula pasir dari plastik bening ke kemasan bergambar.

Jenis uji	H0	H1	Kapan dipakai
Dua arah	Rata-rata penjualan kemasan lama = kemasan baru	Rata-rata penjualan kemasan lama ≠ kemasan baru	Kamu nggak punya dugaan arahnya
Satu arah kanan	Penjualan kemasan baru ≤ kemasan lama	Penjualan kemasan baru > kemasan lama	Kamu cuma peduli kalau naik
Satu arah kiri	Penjualan kemasan baru ≥ kemasan lama	Penjualan kemasan baru < kemasan lama	Kamu cuma peduli kalau turun

Tiga aturan yang bikin H0 dan H1 kamu lolos review:

1. H0 dan H1 harus saling meniadakan. Nggak boleh ada kemungkinan yang nggak tertampung di dua-duanya.
2. Yang diuji itu parameter populasi, bukan statistik sampel. Tulis pakai simbol populasi (mu, sigma, rho), bukan rata-rata sampel.
3. Arah H1 ditentuin sebelum lihat data. Kalau kamu ganti dari dua arah ke satu arah setelah lihat hasilnya, kamu curang.

Kesalahan yang paling sering di skripsi: nulis H0 sebagai "ada pengaruh". Itu kebalik. H0 selalu "nggak ada pengaruh".

Apa itu kesalahan tipe I dan tipe II?

Kesalahan tipe I adalah nolak H0 padahal H0 bener, jadi kamu ngumumin ada efek yang sebenernya nggak ada. Kesalahan tipe II adalah gagal nolak H0 padahal H0 salah, jadi ada efek nyata yang kamu lewatin.

Empat kemungkinan hasil uji, dalam satu tabel:

	H0 sebenernya BENER	H0 sebenernya SALAH
Kamu nolak H0	Kesalahan tipe I (alpha)	Keputusan benar
Kamu gagal nolak H0	Keputusan benar	Kesalahan tipe II (beta)

Cara paling gampang inget bedanya, pakai alarm kebakaran.

Tipe I = alarm bunyi padahal nggak ada api. Semua orang keluar gedung, kerjaan berhenti, ternyata cuma asap rokok.

Tipe II = ada api tapi alarmnya diem. Ini yang lebih ngeri.

Kamu ngatur alpha sendiri, biasanya di 0,05. Artinya kamu rela bikin alarm palsu 5 kali dari 100.

Beta nggak bisa kamu set langsung. Dia ditentuin sama tiga hal: ukuran efek yang mau dideteksi, jumlah sampel, dan variasi data. Yang bisa kamu atur langsung cuma jumlah sampel.

Kekuatan uji (power)

Power = 1 dikurangi beta. Ini peluang kamu berhasil mendeteksi efek yang beneran ada.

Standar yang lazim di riset sosial: power minimal 0,80. Artinya kalau efeknya beneran ada, ujimu punya peluang 80% buat nangkepnya.

Power di bawah 0,50 bikin penelitianmu hampir sia-sia. Kamu ngerjain riset dengan peluang gagal nangkep efek lebih besar dari peluang nangkep.

Hitungan power dan penentuan jumlah sampel bisa kamu jalanin pakai modul statistik scipy atau software gratis G*Power.

Mana yang lebih bahaya, tipe I atau tipe II?

Tergantung ongkosnya. Statistik nggak bisa jawab ini, cuma konteks yang bisa.

Situasi	Tipe I artinya	Tipe II artinya	Yang lebih mahal
Uji obat baru	Obat nggak manjur diloloskan	Obat manjur ditolak	Tipe I
Deteksi penipuan transaksi	Nasabah jujur diblokir	Penipuan lolos	Tergantung nominal
Uji kemasan baru toko	Ganti kemasan sia-sia, biaya cetak	Kelewat peluang naikin penjualan	Tipe II
Uji keamanan pangan	Batch aman dibuang	Batch tercemar dijual	Tipe II

Buat kasus toko_berkah, biaya cetak kemasan baru Rp 3,4 juta. Potensi kenaikan penjualan kalau kemasannya beneran ngefek, sekitar Rp 8 juta per bulan.

Dengan perbandingan segitu, kesalahan tipe II jauh lebih mahal. Jadi masuk akal buat naikin alpha ke 0,10 dan nambah sampel, biar power-nya naik.

Ini keputusan bisnis, bukan keputusan statistik. Tapi angkanya yang bikin keputusannya jelas.

Contoh kasus: uji kemasan baru di toko_berkah

Rancangannya: kemasan baru dipakai di cabang Yogyakarta selama 21 hari, kemasan lama tetap di cabang Bandung sebagai pembanding.

H0: rata-rata penjualan harian gula pasir kemasan baru sama dengan kemasan lama.
H1: rata-rata penjualan harian gula pasir kemasan baru lebih tinggi dari kemasan lama.
Alpha: 0,05, uji satu arah.

Kelompok	Hari	Rata-rata unit/hari	Simpangan baku
Kemasan lama (Bandung)	21	63,8	11,2
Kemasan baru (Yogyakarta)	21	71,4	13,7

Hasil uji t: t = 1,96, p = 0,029.

p di bawah 0,05, jadi H0 ditolak. Selisih 7,6 unit per hari itu susah dijelasin sebagai kebetulan.

Tapi tunggu. Ada masalah desain di sini, dan ini yang penting.

Dua kelompoknya beda cabang. Jadi selisihnya bisa dari kemasan, bisa juga dari beda karakter pelanggan Yogyakarta dan Bandung. Uji statistiknya bener, kesimpulannya belum tentu.

Setelah dicek ke data 3 bulan sebelum uji, penjualan gula Yogyakarta emang rata-rata 4,1 unit per hari lebih tinggi dari Bandung. Jadi efek kemasan yang sebenernya cuma sekitar 3,5 unit, bukan 7,6.

Uji ulang dengan selisih 3,5 unit dan simpangan baku yang sama ngasih p = 0,21. Nggak signifikan lagi.

Ini kenapa desain penelitian lebih penting dari uji statistiknya. Uji yang bener di atas data yang timpang tetap ngasih kesimpulan salah. Konteks soal p-value-nya bisa kamu baca di cara baca nilai signifikansi.

Buat ngitung rata-rata harian per cabang dari database, fungsi AVG dan GROUP BY yang ngerjain.

Kesalahan umum soal H0 dan H1

Nulis "menerima H0"

Yang bener "gagal menolak H0". Uji statistik nggak pernah buktiin H0 bener, dia cuma gagal nemu bukti yang cukup buat nolak. Ini kalimat yang paling sering dicoret dosen pembimbing.

Ganti arah H1 setelah lihat hasil

Kalau kamu mulai dengan uji dua arah, dapat p = 0,08, terus pindah ke satu arah biar jadi 0,04, itu p-hacking. Tentuin arahnya di proposal.

Nganggap p besar berarti nggak ada efek

p = 0,4 bisa berarti nggak ada efek, bisa juga berarti sampelmu kekecilan. Dua hal ini beda jauh, dan bedanya cuma bisa dibedain lewat hitungan power.

Nyimpulin sebab-akibat dari data observasi

Nolak H0 di data yang nggak dirandomisasi cuma nunjukin ada hubungan. Buat klaim sebab, kamu butuh desain eksperimen dengan penempatan acak.

Lupa cek asumsi uji

Uji t butuh data mendekati normal dan varians dua kelompok mirip. Cek dulu lewat statistik deskriptif sebelum nyimpulin apa pun.

FAQ

H0 itu selalu yang nyatain nggak ada perbedaan?

Hampir selalu, dan itu bukan kebetulan. H0 ditulis sebagai posisi default yang mau kamu tantang, dan posisi default yang paling netral adalah nggak ada efek. Bentuknya selalu pakai tanda sama dengan, misalnya rata-rata dua kelompok sama. Ada juga uji satu arah dengan H0 berbentuk lebih besar sama dengan atau lebih kecil sama dengan, tapi intinya tetap sama: H0 yang diuji, bukan H1.

Kesalahan tipe I sama tipe II bedanya apa?

Kesalahan tipe I adalah kamu nolak H0 padahal H0 bener, jadi kamu ngaku nemu efek yang sebenernya nggak ada. Kesalahan tipe II adalah kamu gagal nolak H0 padahal H0 salah, jadi ada efek nyata yang kelewat. Peluang tipe I namanya alpha, biasanya diset 0,05. Peluang tipe II namanya beta, dan 1 dikurangi beta adalah kekuatan uji atau power.

Kenapa istilahnya gagal menolak H0, bukan menerima H0?

Karena uji statistik nggak pernah bisa buktiin H0 bener. Dia cuma bisa nunjukin datamu cukup aneh atau nggak buat nolak H0. Kalau p-value-nya besar, artinya kamu belum punya bukti cukup, bukan berarti H0 terbukti benar. Bisa jadi efeknya nyata tapi sampelmu kekecilan buat mendeteksinya. Makanya penulisannya gagal menolak, dan penguji skripsi biasanya jeli soal ini.

Gimana cara ngurangin kesalahan tipe II?

Cara paling ampuh: nambah jumlah sampel. Sampel yang lebih besar bikin uji lebih peka mendeteksi efek kecil. Cara lain, kurangi variasi data lewat pengukuran yang lebih teliti, atau pakai desain berpasangan kalau memungkinkan. Kamu juga bisa naikin alpha dari 0,01 ke 0,05, tapi itu nukar risiko tipe II dengan risiko tipe I, jadi bukan solusi gratis.

Kalau H1 nggak terbukti, penelitianku gagal?

Nggak gagal. Hasil yang nggak signifikan tetap informasi, apalagi kalau sampelmu cukup besar dan pengukurannya rapi. Yang bikin skripsi lemah bukan hasil nggak signifikan, tapi analisis yang nggak menjelaskan kenapa. Laporin ukuran efeknya, sebut keterbatasan jumlah sampel, dan bahas kemungkinan kesalahan tipe II di bagian pembahasan.

Penutup

Tiga hal yang bikin kamu nggak nyasar di bab 3:

1. H0 selalu "nggak ada efek" dan selalu pakai tanda sama dengan. H1 yang nentuin ujimu satu arah atau dua arah.
2. Tipe I = alarm palsu, tipe II = api kelewat. Mana yang lebih mahal itu keputusan konteks, bukan statistik.
3. Tulis "gagal menolak H0", jangan "menerima H0".

Langkah teknis tiap jenis uji, mulai dari uji t sampai ANOVA, dibahas terpisah di panduan uji hipotesis. Kalau kamu udah punya output dan tinggal bacanya, langsung aja ke cara jalanin dan baca output SPSS.