What is P-Value

A. Pengertian
Dalam pengujian hipotesis statistik, nilai p atau kadang disebut nilai probabilitas, digunakan
untuk mengamati hasil pengujian atau hasil yang lebih ekstrim dengan mengasumsikan bahwa
hipotesis nol (H0) adalah benar.
Dalam ilmu data, ada banyak konsep yang dipinjam dari berbagai disiplin ilmu, dan nilai-p
adalah salah satunya. Konsep nilai-p berasal dari statistik dan banyak digunakan dalam
pembelajaran mesin dan ilmu data .

1. P-value juga digunakan sebagai alternatif untuk menentukan titik penolakan guna
memberikan tingkat signifikansi terkecil dimana hipotesis nol paling kecil atau ditolak.
2. Hal ini dinyatakan sebagai tingkat signifikansi yang terletak antara 0 dan 1, dan jika nilai p
lebih kecil, maka akan ada bukti kuat untuk menolak hipotesis nol. Jika nilai p-value sangat
kecil, maka itu berarti keluaran yang diamati layak tetapi tidak berada di bawah kondisi
hipotesis nol (H0 ).
3. Nilai p 0,05 dikenal sebagai tingkat signifikansi ( ) . Biasanya, itu dianggap menggunakan dua
saran, yang diberikan di bawah ini:

a. Jika p-value>0,05: Besarnya p-value menunjukkan bahwa hipotesis nol perlu

diterima.
b. If p-value<0.05: Nilai P yang kecil menunjukan bahwa hipotesis nol perlu ditolak,
dan hasilnya dinyatakan signifikan secara statis.

4. Dalam Statistik, tujuan utama kami adalah menentukan signifikansi statistik dari hasil kami,
dansignifikansi statistik ini dibuat berdasarkan tiga konsep di bawah ini:

a. Pengujian Hipotesis
b. Distribusi normal
c. Signifikansi Statistik

B. Pengujian Hipotesis

Pengujian hipotesis dapat didefinisikan antara dua istilah; Hipotesis nol dan Hipotesis
Alternatif . Ini digunakan untuk memeriksa validitas hipotesis nol atau klaim yang dibuat dengan
menggunakan data sampel. Di sini, hipotesis nol (H 0 ) didefinisikan sebagai hipotesis tanpa
signifikansi statistik antara dua variabel, sedangkan hipotesis alternatifdidefinisikan sebagai
hipotesis dengan signifikansi statistik antara dua variabel.
Seperti adanya hubungan yang signifikan antara kedua variabel tersebut menunjukkan
bahwa variabel yang satu tidak akan mempengaruhi variabel yang lain. Jadi, hipotesis Null
mengatakan bahwa apa yang akan Anda buktikan tidak benar- benar terjadi. Jika variabel bebas
tidak mempengaruhi variabel terikat, maka menunjukkan kondisi hipotesis alternatif.
Secara sederhana, kita dapat mengatakan bahwa dalam pengujian hipotesis, pertama, kita
membuat klaim yang diasumsikan sebagai hipotesis nol dengan menggunakan data sampel. Jika
klaim ini ditemukan tidak valid, maka hipotesis alternatif dipilih. Asumsi atau klaim ini divalidasi
menggunakan p-value untuk melihat apakah signifikan secara statistik atau tidak menggunakan
bukti. Jika bukti mendukung hipotesis alternatif, maka hipotesis nol ditolak.
 5. Langkah-langkah Pengujian Hipotesis
Berikut adalah langkah-langkah melakukan percobaan untuk pengujian hipotesis:

1. Klaim atau nyatakan hipotesis Null untuk eksperimen.

2. Nyatakan hipotesis alternatif, yang berlawanan dengan hipotesis nol.
3. Atur nilai alpha yang akan digunakan dalam percobaan.
4. Tentukan z-score dengan menggunakan distribusi normal.
5. Bandingkan nilai-P untuk memvalidasi signifikansi statistik.

C. Distribusi normal

Distribusi normal, yang juga dikenal sebagai distribusi Gaussian, adalah fungsi distribusi
Probabilitas. Bersifat simetris terhadap mean, dan digunakan untuk melihat sebaran data
menggunakan plot grafik.
Hal ini menunjukkan bahwa data yang mendekati mean lebih sering muncul dibandingkan
dengan data yang jauh dari mean, dan terlihat seperti kurva berbentuk lonceng . Dua istilah utama
dari distribusi normal adalah mean( ) dan standar deviasi (σ). Untuk distribusi normal, rata-ratanya
adalah nol, dan simpangan bakunya adalah 1.
Dalam pengujian hipotesis, kita perlu menghitung z-score. Z-score adalah jumlah standar
deviasidari rata-rata titik data.

Di sini, z-score memberi tahu kami bahwa di mana letak data dibandingkan dengan rata-rata
populasi.

D. Signifikansi statistik

Untuk menentukan signifikansi statistik dari uji hipotesis adalah tujuan menghitung nilai-
p. Untuk melakukan ini, pertama, kita perlu menetapkan ambang batas, yang dikatakan alfa. Kita
harus selalu menyetel nilai alfa sebelum eksperimen, dan nilai itu disetel menjadi 0,05 atau 0,01 .
Hasil tersebut disimpulkan sebagai hasil yang signifikan jika nilai p yang diamati lebih
rendah dari alpha.

E. Kesalahan dalam nilai-P

Dua jenis kesalahan didefinisikan untuk nilai-p; kesalahan ini diberikan di bawah ini:
1. Kesalahan tipe I
2. Kesalahan tipe

a. Kesalahan Tipe I:

Ini didefinisikan sebagai penolakan yang salah atau salah dari hipotesis Null. Untuk kesalahan
ini,
probabilitas maksimum adalah alfa, dan sudah diatur sebelumnya. Kesalahan tidak terpengaruh
 oleh ukuran sampel kumpulan data. Kesalahan tipe I meningkat saat kami meningkatkan jumlah tes
atau titik akhir.

b. Kesalahan tipe II

Kesalahan tipe II didefinisikan sebagai penerimaan yang salah dari hipotesis Null.
Probabilitas kesalahan tipe II adalah beta, dan beta tergantung pada ukuran sampel dan nilai alfa.
Beta tidak dapat ditentukan sebagai fungsi dari efek populasi sebenarnya.
Nilai beta berbanding terbalik dengan ukuran sampel, dan itu berarti beta menurun seiring
dengan bertambahnya ukuran sampel. Nilai beta juga berkurang ketika kita meningkatkan jumlah
tes atau titik akhir.

Kita dapat memahami hubungan antara pengujian hipotesis dan keputusan berdasarkan tabel di
bawah ini:

Keputusan

Kebenaran Terima H 0 Tolak H 0

H 0 benar _ Keputusan yang benar Kesalahan tipe I

H 0 salah Kesalahan tipe II Keputusan yang Benar

F. Pentingnya nilai-P

Pentingnya nilai p dapat dipahami dalam dua aspek:

1. Aspek Statistik : Dalam statistik, konsep nilai-p penting untuk pengujian hipotesis dan
metode statistik seperti Regresi.
2. Aspek Ilmu Data : Dalam ilmu data juga, itu adalah salah satu aspek penting Di sini nilai p
yang lebih kecil menunjukkan bahwa ada hubungan antara prediktor dan
respons. Disarankan saat bekerja dengan masalah pembelajaran mesin dalam ilmu data,
nilai-p harus diambil dengan hati-hati.