TL;DR
Uji statistik adalah prosedur buat menilai apakah pola yang kelihatan di data sampel cukup kuat buat disimpulkan berlaku di populasi. Pilihan ujinya ditentukan empat hal: tujuan analisis (beda, hubungan, atau prediksi), skala data variabel terikat, jumlah kelompok beserta apakah datanya berpasangan, dan terpenuhi atau nggaknya asumsi normalitas. Kalau asumsi normalitas gagal, tiap uji parametrik punya pasangan non-parametriknya, misalnya uji t independen digantikan Mann-Whitney.
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.
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.
Jawab berurutan. Tiap jawaban mempersempit pilihan, dan setelah pertanyaan keempat biasanya cuma tersisa satu uji.
Urutannya penting. Banyak orang mulai dari pertanyaan keempat, padahal kalau tujuan dan skala datamu belum jelas, hasil uji normalitas nggak nolong apa-apa.
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.
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.
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.
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?
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?
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?
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.
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.
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.
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.
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.
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.
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.
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.
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.