Uji Statistik: Peta Lengkap Memilih Uji yang Tepat untuk Datamu

Uji statistik adalah prosedur buat menilai apakah pola yang kelihatan di data sampelmu cukup kuat buat disimpulkan berlaku di populasi, bukan cuma kebetulan.

Yang bikin bingung bukan cara menjalankannya. Software ngerjain itu dalam beberapa klik. Yang bikin bingung adalah memilih uji mana dari puluhan nama yang beredar.

Kabar baiknya, pilihan itu ditentukan cuma oleh empat pertanyaan. Di bawah ini empat pertanyaannya, tabel peta lengkapnya, plus contoh memakainya di tiga pertanyaan riset nyata.

Apa itu uji statistik?

Uji statistik adalah cara menghitung seberapa besar kemungkinan pola yang kamu lihat di data muncul karena kebetulan semata. Hasilnya berupa nilai statistik uji dan p-value. Kalau p-value lebih kecil dari batas yang kamu tetapkan, biasanya 0,05, kamu menyimpulkan polanya nyata secara statistik.

Semua uji punya kerangka yang sama: ada hipotesis nol yang menyatakan nggak ada beda atau nggak ada hubungan, dan ada hipotesis alternatif yang menyatakan sebaliknya. Yang beda cuma cara menghitungnya, dan itu bergantung pada bentuk datamu.

Arti angka p-value dibahas terpisah di glossary p-value.

Empat pertanyaan yang menentukan uji mana yang kamu pakai

Jawab berurutan. Tiap jawaban mempersempit pilihan, dan setelah pertanyaan keempat biasanya cuma tersisa satu uji.

1. Apa tujuanmu? Membandingkan kelompok, mencari hubungan antar variabel, atau memprediksi nilai. Tiga tujuan ini punya keluarga uji yang berbeda.
2. Skala data variabel terikatmu apa? Numerik seperti rupiah dan skor, atau kategori seperti ya dan nggak. Ini yang misahin uji t dari chi-square.
3. Ada berapa kelompok, dan apakah berpasangan? Dua kelompok orang berbeda itu independen. Orang yang sama diukur sebelum dan sesudah itu berpasangan.
4. Apakah asumsi normalitas terpenuhi? Kalau ya, pakai uji parametrik. Kalau nggak, pakai pasangan non-parametriknya. Cara mengeceknya ada di uji normalitas SPSS.

Urutannya penting. Banyak orang mulai dari pertanyaan keempat, padahal kalau tujuan dan skala datamu belum jelas, hasil uji normalitas nggak nolong apa-apa.

Peta uji untuk membandingkan kelompok

Keluarga ini dipakai kalau pertanyaanmu berbentuk "apakah kelompok A berbeda dari kelompok B". Pilihan ujinya ditentukan jumlah kelompok dan apakah datanya berpasangan.

Situasi	Uji parametrik	Pasangan non-parametrik
Satu kelompok vs nilai acuan	Uji t satu sampel	Wilcoxon satu sampel
Dua kelompok berbeda	Uji t independen	Mann-Whitney U
Satu kelompok diukur dua kali	Uji t berpasangan	Wilcoxon signed rank
Tiga kelompok atau lebih, berbeda orang	ANOVA satu arah	Kruskal-Wallis
Tiga pengukuran atau lebih, orang sama	ANOVA repeated measures	Friedman
Dua faktor sekaligus	ANOVA dua arah	Nggak ada padanan langsung

Kalau ANOVA menghasilkan hasil signifikan, itu cuma bilang minimal ada satu pasang kelompok yang beda. Buat tau pasangan mana, kamu perlu uji lanjut seperti Tukey atau Bonferroni.

Peta uji untuk hubungan dan prediksi

Keluarga ini dipakai kalau pertanyaanmu berbentuk "apakah A berhubungan dengan B" atau "seberapa besar A memengaruhi B".

Situasi	Uji yang dipakai	Catatan
Dua variabel numerik, sebaran normal	Korelasi Pearson	Mengukur hubungan lurus
Dua variabel numerik, nggak normal atau ordinal	Korelasi Spearman	Bekerja pada peringkat
Dua variabel kategori	Chi-square	Butuh nilai harapan minimal 5 per sel
Dua variabel kategori, sampel kecil	Fisher exact test	Untuk tabel 2x2 dengan sel kecil
Memprediksi satu nilai numerik	Regresi linear	Bisa satu atau banyak variabel bebas
Memprediksi hasil dua pilihan	Regresi logistik	Contohnya beli atau nggak beli
Kesesuaian sebaran dengan harapan	Chi-square goodness of fit	Contohnya proporsi pembeli antar hari

Korelasi cuma bilang dua hal bergerak bersama, bukan siapa menyebabkan siapa. Penjelasan lengkapnya ada di korelasi Pearson, sementara uji hubungan antar kategori dibahas di uji chi-square.

Uji untuk mengecek syarat, bukan menjawab hipotesis

Ada satu kelompok uji yang sering ketuker sebagai uji utama padahal fungsinya cuma memeriksa syarat. Uji ini dijalankan sebelum uji hipotesismu, dan hasilnya menentukan jalur mana yang kamu ambil.

Uji	Yang diperiksa	Hasil yang diharapkan
Shapiro-Wilk atau Kolmogorov-Smirnov	Sebaran normal	Sig di atas 0,05
Levene	Kesamaan ragam antar kelompok	Sig di atas 0,05
Durbin-Watson	Autokorelasi residual regresi	Nilai sekitar 2
VIF dan Tolerance	Kemiripan antar variabel bebas	VIF di bawah 10
Cronbach's Alpha	Konsistensi butir kuesioner	Alpha minimal 0,70

Arah kesimpulan uji syarat kebalik dari uji hipotesis. Di sini kamu justru berharap p-value-nya besar.

Contoh kasus: memilih uji untuk tiga pertanyaan riset

Ini dataset contoh ngulikdata toko_berkah, berisi transaksi dan survei pelanggan sebuah toko sembako.

Pertanyaan 1: apakah nilai belanja pelanggan lama berbeda dari pelanggan baru?

• Tujuan: membandingkan kelompok
• Variabel terikat: nilai belanja dalam rupiah, jadi numerik
• Kelompok: dua, orangnya beda, jadi independen
• Normalitas: nilai belanja miring ke kanan, Shapiro-Wilk Sig 0,000

Jawabannya Mann-Whitney U. Kalau kamu transformasi dulu pakai logaritma dan sebarannya jadi normal, uji t independen boleh dipakai.

Pertanyaan 2: apakah metode pembayaran berhubungan dengan tipe pelanggan?

• Tujuan: mencari hubungan
• Dua variabel kategori: metode bayar dan tipe pelanggan
• Jumlah data cukup, tiap sel di atas 5

Jawabannya chi-square. Dari 400 transaksi di dataset contoh, 60 persen pelanggan lama bayar tunai sementara 70 persen pelanggan baru pakai dompet digital.

Pertanyaan 3: apakah keramahan kasir dan kecepatan antrean memengaruhi kepuasan?

• Tujuan: memprediksi
• Variabel terikat: skor kepuasan gabungan, diperlakukan numerik
• Dua variabel bebas sekaligus
• Residual normal, Shapiro-Wilk Sig 0,342

Jawabannya regresi linear berganda. Langkah dan cara membaca outputnya ada di regresi linear berganda.

Perhatikan polanya. Tiga pertanyaan dari satu dataset yang sama menghasilkan tiga uji berbeda, dan pembedanya cuma bentuk pertanyaannya.

Kesalahan umum saat memilih uji statistik

1. Milih uji dari nama yang paling familiar. Uji t dipakai buat semua hal cuma karena paling sering kedengaran. Ini sumber salah tafsir paling sering di skripsi.

2. Nggak misahin data berpasangan dan independen. Data sebelum dan sesudah dari orang yang sama harus pakai uji berpasangan. Kalau dipaksa pakai uji independen, kekuatan ujinya turun dan hasilnya bisa berubah.

3. Menjalankan uji t berkali-kali buat tiga kelompok. Tiga kelompok berarti tiga perbandingan, dan peluang salah kesimpulan menumpuk. Pakai ANOVA, lalu uji lanjut.

4. Menguji normalitas variabel padahal yang dibutuhkan residual. Untuk regresi, yang harus normal adalah residualnya.

5. Menganggap signifikan berarti penting. Di sampel besar, beda kecil pun bisa signifikan. Laporkan juga ukuran efeknya, bukan cuma p-value.

6. Mengganti uji setelah lihat hasil. Kalau uji pertama nggak signifikan lalu kamu coba uji lain sampai ada yang signifikan, kesimpulanmu nggak bisa dipercaya.

7. Memperlakukan data ordinal sebagai numerik tanpa keterangan. Ini boleh dilakukan untuk skor gabungan, tapi sebutkan alasannya di bagian metode.

FAQ

Gimana cara cepat nentuin uji statistik yang tepat?

Jawab empat pertanyaan berurutan. Pertama, tujuanmu membandingkan kelompok, mencari hubungan, atau memprediksi. Kedua, skala data variabel terikatmu numerik atau kategori. Ketiga, ada berapa kelompok dan apakah orangnya sama diukur dua kali. Keempat, apakah sebaran datanya normal. Empat jawaban itu hampir selalu menyisakan satu pilihan uji, dan sisanya tinggal dicocokkan ke tabel peta.

Apa beda uji parametrik dan non-parametrik?

Uji parametrik menuntut asumsi tertentu tentang sebaran data, terutama normalitas, dan bekerja langsung pada nilai aslinya. Uji non-parametrik nggak menuntut sebaran normal karena bekerja pada peringkat, bukan nilai mentah. Konsekuensinya, uji non-parametrik lebih tahan terhadap data miring dan outlier, tapi kekuatannya sedikit lebih rendah kalau datanya sebenarnya memang normal.

Kalau sampelnya besar, apakah asumsi normalitas masih wajib?

Jadi lebih longgar. Untuk sampel besar, sebaran rata-rata sampel cenderung mendekati normal meskipun data aslinya nggak, sehingga uji t dan ANOVA tetap cukup andal. Angka 30 per kelompok sering disebut sebagai patokan kasar. Tapi outlier ekstrem tetap bisa menggeser rata-rata, jadi lihat juga histogram, bukan cuma jumlah datanya.

Uji statistik apa yang dipakai buat data skala Likert?

Tergantung cara kamu memperlakukannya. Kalau yang dianalisis skor gabungan dari beberapa butir, banyak peneliti memperlakukannya sebagai data interval sehingga uji t, ANOVA, dan regresi bisa dipakai. Kalau yang dianalisis jawaban satu butir tunggal, datanya ordinal dan lebih aman memakai uji non-parametrik seperti Mann-Whitney atau Kruskal-Wallis. Sebutkan pilihan ini beserta alasannya di bagian metode.

Boleh nggak menjalankan beberapa uji sekaligus lalu ambil yang signifikan?

Nggak. Semakin banyak uji yang kamu jalankan pada data yang sama, semakin besar peluang ada hasil signifikan yang muncul karena kebetulan. Tentukan uji berdasarkan rancangan penelitian sebelum melihat hasilnya. Kalau kamu memang perlu menguji banyak perbandingan, pakai koreksi seperti Bonferroni dan laporkan berapa uji yang dijalankan.

Penutup

Peta di atas kelihatan panjang, tapi jalannya pendek. Tentukan tujuan, lihat skala data variabel terikat, hitung kelompok dan cek apakah berpasangan, baru periksa normalitas. Empat langkah itu nyisain satu uji.

Kalau asumsi normalitas gagal, kamu nggak kehilangan apa-apa. Tiap uji parametrik punya pasangannya, dan pasangan itu bekerja pada peringkat sehingga tahan terhadap data miring.

Simpan tabel peta di atas, lalu cocokkan sama pertanyaan penelitianmu sekarang. Daftar lengkap uji beserta fungsinya di Python ada di rujukan resmi scipy.stats, dan kalau kamu pakai SPSS, mulai dari uji normalitas SPSS buat nentuin jalurnya.