Uji Beda
Formula z diatas kurang praktis digunakan, karena cukup sulit untuk mengukur
standar deviasi (σ) populasi. Modifikasi yang dilakukan oleh Gosset adalah menges-
timasi σ dengan s. Modifikasi ini yang kemudian dikenal sebagai distribusi t yang
ditunjukkan oleh formula berikut:
X̄ − µhip
t=
s
Uji t berfungsi untuk membandingkan (komparasi) mean dari 1 atau 2 buah
populasi. Ada 3 jenis uji t yang digunakan pada kondisi yang berbeda: uji t sampel
independen, uji t sampel berpasangan, dan uji t satu sampel.
Uji t merupakan statistik inferensial yang berfungsi untuk menarik kesimpulan
tentang populasi, berdasarkan sampel. Ada beberapa langkah untuk melakukan uji
t:
3. Menentukan nilai t tabel yang akan menjadi batasan dari daerah kritis
5. Menarik kesimpulan
Hipotesis
Kesimpulan
Benar Salah
Hipotesis Ditolak Kesalahan Tipe I (α) Kesimpulan Tepat
Hipotesis Diterima Kesimpulan tepat Kesalahan Tipe II (β)
Kedua jenis kesalahan pada tabel di atas tidak mungkin diminimalisir keduanya.
Sehingga hanya dipilih kesalahan tipe I (α) yang akan diminimalisir. Besaran dari
kesalahan tipe I ini lah yang kemudian berkontribusi pada taraf signifikansi uji
sebesar 1 − α. Karena kesalahan tipe I ini ingin diminimalisir, besarnya biasanya
cukup kecil: 1%, 5%, atau 10%. Besaran α ini bergantung pada peneliti, namun
biasanya dalam penelitian-penelitian sosial, α yang dipilih adalah 5%. Penggunaan
α akan banyak dibahas di tiap bab statistik inferensial.
Berbeda dengan hipotesis penelitian yang dibentuk dengan dugaan ilmiah dengan
kajian beberapa referensi yang berbentuk kalimat, hipotesis statistik memiliki bentuk
khas dan perumusannya berdasarkan kecenderungan yang ditunjukkan oleh sampel.
Contoh 5.1 Seorang guru mengambil sampel nilai UAS tik dari 10 siswanya.
Rata-rata nilai UAS mereka adalah 74,2. Guru tersebut ingin menguji apakah nilai
UAS TIK dari semua siswa memenuhi KKM mata pelajaran TIK. KKM untuk
mapel TIK adalah 75. Berdasarkan konteks ini, karena gejala yang ditunjukkan
sampel menunjukkan relasi lebih kecil dari KKM (74,2 <75), maka Ha dari uji
yang dilakukan guru tersebut adalah:
Ha : µ < 75
Karena ruang kejadian dibentuk dikotomis, maka kejadian selain Ha akan menjadi
hipotesis awal (H0 ). Oleh karena itu, hipotesis statistik dari konteks pada soal ini
adalah:
H0 : µ ≥ 75
Ha : µ < 75
Salah satu tantangan dalam merumuskan hipotesis statistik terutama yang me-
relasikan parameter dengan suatu konstanta adalah "berapa nilai dari konstanta
yang dijadikan patokan?". Tantangan ini cukup mudah dilalui jika atribut yang
diukur adalah prestasi siswa, karena konstanta yang menjadi patokan bagi prestasi
siswa adalah KKM (kriteria ketuntasan minimal) yang ada pada tiap mata pelajaran
seperti contoh 5.1. Namun akan sulit dijawab saat atribut yang akan diuji merupakan
atribut-atribut psikologi seperti prokrastinasi seperti contoh 5.2.
Dalam statistik, ada 3 jenis uji hipotesis: hipotesis 2 pihak, hipotesis pihak kiri,
dan hipotesis pihak kanan.
−tα/2 µ tα/2
Gambar 5.1. Gambar daerah penolakan H0 untuk uji 2 pihak. Daerah penolakan
ditunjukkan oleh daerah berwarna biru
kiri, Ha menggunakan relasi "<" atau "≤". Sedangkan pada uji pihak kanan, Ha
menggunakan relasi ">" atau "≥". Perhatikan kembali contoh 5.1 dan contoh 5.2 di
atas. Contoh 5.1 yang menguji apakah nilai siswa melebih KKM merupakan contoh
dari uji pihak kiri. Hal ini disebabkan Ha nya menggunakan tanda "<".
Contoh 5.2 yang ingin menguji apakah atribut prokrastinasi siswa lebih dari
80 merupakan contoh dari uji pihak kanan. Sekali lagi, perhatikan Ha nya yang
menggunakan tanda "≥".
Untuk menentukan apakah H0 diterima atau ditolak, perhatikan gambar daerah
kritis dari uji 1 pihak di bawah.
−tα µ
µ tα
Gambar 5.2. (atas) Gambar daerah penolakan H0 untuk uji pihak kiri. Daerah
penolakan ditunjukkan oleh daerah berwarna biru di ujung kiri. (bawah) Gambar
daerah penolakan H0 untuk uji pihak kanan. Daerah penolakan ditunjukkan oleh
daerah berwarna biru di ujung kanan
Perhatikan bahwa terdapat perbedaan antara uji 2 pihak dan 1 pihak – selain tentu
saja banyak daerah di bawah kurva yang menjadi daerah penolakan. Pada uji 2
pihak, taraf kesalahan α akan dibagi dua sama besar dan menjadi luasan dari setiap
daerah yang diarsir. Pada uji 1 pihak, hanya terdapat 1 daerah penolakan, sehingga
α yang digunakan tidak perlu dibagi dua.
Ha : µ < 4
H0 : µ ≥ 4
thit = X̄−A
√
s/ n
3,85−4
= √0,36/ √
32
−0,15
= 0,6/√32
= −0,15
0,106
=-1,415
Selanjutnya, akan dicari nilai dari ttab dengan melihat tabel t dengan df = n − 1 =
32 − 1 = 31 dan α = 5% = 0, 05. Berdasarkan tabel t, diperoleh:
t31;0,05 = 1, 697
. Karena uji hipotesisnya adalah uji pihak kiri, maka nilai t tabel di atas menjadi
nilai minusnya. (ttab = −1, 697)
Karena thit > ttab atau dengan bantuan grafik di atas (thit masuk dalam daerah
penerimaan H0 ), dapat disimpulkan bahwa H0 diterima. Atau dengan kata lain,
rata-rata respon 3,85 tidak berbeda secara signifikan dengan nilai ideal 4.
Hipotesis Statistik
Pada dasarnya, uji t 2 sampel merupakan uji t yang membandingkan antara rata-rata
pada dua sampel dalam populasi (biasanya membandingkan kelas kontrol dan kelas
eksperimen). Uji t 2 sampel, seperti uji t pada umumnya, juga merupakan statistik
inferensial, sehingga langkah awal dalam melakukan uji t jenis ini adalah dengan
menyusun hipotesis statistik terlebih dahulu.
Penyusunan hipotesis uji t 2 sampel independen juga mirip dengan uji t 1 sampel
yaitu dengan memperhatikan kecenderungan rata-rata sampel. Jika rata-rata hasil
kelas eksperimen lebih besar dari kelas kontrol, maka hipotesis alternatifnya (Ha )
berbentuk:
Ha : µeks − µcont > 0
H0 : µeks − µcont ≤ 0
Perhatikan hipotesis alternatifnya yang menunjukkan relasi "lebih kecil dari". Relasi
ini menunjukkan bahwa untuk menguji hipotesis di atas, uji hipotesis pihak kanan
merupakan uji yang tepat.
Lalu, bagaimana jika rata-rata hasil kelas eksperimen lebih kecil dari kelas kon-
trol?. Konteks ini menandakan bahwa uji yang dilakukan adalah uji pihak kiri (karen
Ha : µeks − µcont < 0). Resume dari uji hipotesis untuk uji t 2 sampel adalah sebagai
berikut:
dk = n1 + n2 − 2
Perhatikan formula thitung pada 5.1 di atas. Dalam praktis, nilai dari (µeks − µcont )
lebih sering bernilai 0. Karena asumsi bahwa kelas eksperimen dan kelas kontrol
berasal dari populasi yang memiliki rata-rata yang sama. Dengan asumsi ini, formula
thitung pada 5.1 menjadi:
(X̄eks −X̄cont )−0
thitung = SX̄ −X̄cont
eks
(X̄eks −X̄cont )
= SX̄ −X̄cont
eks
Dalam menghitung nilai t bersadarkan formula di atas, salah satu bagian yang
memerlukan usaha ekstra ketelitian adalah menghitung nilai dari SX̄eks −X̄cont yang
disebut sebagai standar deviasi gabungan. Untuk menghitung standar deviasi
gabungan, ada beberapa langkah yang perlu ditempuh.