Pengenalan Uji Hipotesis

1. Pendahuluan
Tujuan pengujian hipotesis adalah untuk menentukan apakah ada cukup bukti statistik yang
mendukung keyakinan tertentu tentang suatu parameter. Contoh:

• Apakah ada bukti statistik dalam sampel acak pelanggan yang berpotensial, yang
mendukung hipotesis bahwa lebih dari 10% pelanggan potensial akan membeli produk
baru?
• Apakah obat baru efektif menyembuhkan penyakit tertentu? Sampel pasien dipilih secara
acak. Separuh dari mereka diberi obat sedangkan separuh lainnya diberi plasebo.
Peningkatan kondisi pasien kemudian diukur dan dibandingkan.

2. Konsep Uji Hipostesis

Konsep kritis pengujian hipotesis, contoh:

• Seorang manajer operasi perlu menentukan apakah permintaan rata-rata selama lead
time lebih besar dari 350.
• Jika demikian, perubahan dalam kebijakan pemesanan diperlukan.

Tentang rata-rata populasi:

• H0: The null hypothesis  = 350 → Yang ingin dibuktikan

• H1: The alternative hypothesis  > 350
Asumsikan hipotesis null benar (= 350).

• Ambil sampel dari populasi permintaan, dan buat statistik yang terkait dengan parameter
yang dihipotesiskan (rata-rata sampel).
• Ajukan pertanyaan: Seberapa besar kemungkinan untuk mendapatkan rata-rata sampel
paling tidak ekstrim seperti yang diamati dari sampel, jika H0 benar?

Statistika 1
 • Karena X jauh lebih besar dari 350, rata-rata  cenderung lebih besar dari 350. Tolak
hipotesis null.
• Dalam hal ini rata-rata  tidak mungkin lebih besar dari 350. Jangan tolak hipotesis null.

2.1 Tipe Errors

Dua jenis kesalahan dapat terjadi ketika memutuskan apakah akan menolak H0 berdasarkan
nilai statistic, yaitu:

• Kesalahan tipe I: Tolak H0 jika benar.

• Kesalahan tipe II: Jangan tolak H0 jika salah.

Contoh:

• Kesalahan tipe I: Tolak H0 ( = 350) untuk mendukung H1 ( > 350) ketika nilai m
sebenarnya adalah 350.
• Kesalahan tipe II: Percaya bahwa H0 benar ( = 350) ketika nilai  sebenarnya lebih
besar dari 350.

2.2 Mengontrol kemungkinan melakukan kesalahan tipe I

Mengingat:
• H0:  = 350 dan H1:  > 350.
• H0 ditolak jika cukup besar
Jadi, kesalahan tipe I dibuat jika ketika  = 350. Dengan memilih nilai kritis dengan tepat, kita
dapat membatasi kemungkinan melakukan kesalahan tipe I ke tingkat yang dapat diterima.

Statistika 2
3. Menguji Rata-Rata Populasi ketika Standard Deviation Populasi diketahui
Contoh 11.1:

Sebuah sistem penagihan baru untuk department store akan hemat biaya hanya jika rata-rata
rekening bulanan lebih dari $170. Sampel 400 akun memiliki rata-rata $178. Jika akun kira-kira
terdistribusi secara normal dengan s = $65, dapatkah kita menyimpulkan bahwa sistem baru akan
hemat biaya?

SOLUSI:

Populasi bunga adalah rekening kredit di toko. Kita ingin mengetahui apakah akun rata-rata untuk
semua pelanggan lebih besar dari $170.

H1 :  > 170

Hipotesis null harus menentukan nilai tunggal dari parameter ,

H0 :  = 170

3.1 Pendekatan untuk Pengujian

Ada dua pendekatan untuk menguji apakah rata-rata sampel mendukung hipotesis alternatif
(H1), yaitu:

• Metode wilayah penolakan wajib untuk pengujian manual (tetapi dapat digunakan
saat pengujian didukung oleh perangkat lunak statistik)
• Metode p-value yang paling banyak digunakan ketika perangkat lunak statistik
tersedia.

3.2 Metode Daerah Penolakan

Daerah penolakan adalah rentang nilai sedemikian rupa sehingga jika statistik uji jatuh ke
dalam rentang itu, hipotesis null ditolak demi hipotesis alternatif.

Metode Daerah Penolakan – untuk right tail test

Contoh 11.1:

Mengingat:

H0:  = 170
H1:  > 170

Statistika 3
 Karena itu, Tampaknya masuk akal untuk menolak hipotesis null dan percaya bahwa  > 170
jika rata-rata sampel cukup besar

Tentukan nilai kritis XL untuk X yang cukup besar untuk menolak hipotesis null. Tolak hipotesis
null jika:

x  xL

3.3 Menentukan Critical Value untuk Daerah Penolakan

Biarkan probabilitas melakukan kesalahan Tipe I menjadi  (juga disebut tingkat signifikansi).
Temukan nilai rata-rata sampel yang cukup besar sehingga probabilitas sebenarnya melakukan
kesalahan Tipe I tidak melebihi .

Statistika 4
 Kesimpulan

Karena rata-rata sampel (178) lebih besar dari nilai kritis 175,34, ada cukup bukti untuk
menyimpulkan bahwa rata-rata saldo bulanan lebih besar dari $170 pada tingkat signifikansi
5%.

3.4 The standardized test statistic

Alih-alih menggunakan statistik X, kita dapat menggunakan nilai standar z.

Kemudian, daerah penolakan menjadi:

Contoh 11.1:

Mengingat:

H0:  = 170
H1:  > 170
Statistik tes:

Wilayah penolakan: z > z.05 = 1,645

Kesimpulan

Karena Z = 2,46 > 1,645, tolak hipotesis nol demi hipotesis alternatif.

Statistika 5
 3.5 Metode P-value

P-value memberikan informasi tentang jumlah bukti statistik yang mendukung hipotesis
alternatif. P-value dari sebuah tes adalah probabilitas mengamati statistik tes setidaknya sama
ekstrimnya dengan yang dihitung, mengingat hipotesis null itu benar.

Contoh 11.1:

Probabilitas mengamati statistik uji setidaknya sebesar 178, diketahui bahwa  = 170 adalah…

Menafsirkan p-value

Karena probabilitas rata-rata sampel akan mengasumsikan nilai lebih dari 178 ketika  = 170
sangat kecil (.0069), ada alasan untuk meyakini bahwa  > 170.

Dapat disimpulkan bahwa semakin kecil p-value, semakin banyak bukti statistik yang ada untuk
mendukung hipotesis alternatif.

Statistika 6
Mendeskripsikan p-value

• Jika p-value kurang dari 1%, ada banyak bukti yang mendukung hipotesis alternatif.
• Jika p-value antara 1% dan 5%, ada bukti kuat yang mendukung hipotesis alternatif.
• Jika p-value antara 5% dan 10% ada bukti lemah yang mendukung hipotesis alternatif.
• Jika p-value melebihi 10%, tidak ada bukti yang mendukung hipotesis alternatif.

P-value dan Metode Wilayah Penolakan

P-value dapat digunakan saat mengambil keputusan berdasarkan metode wilayah penolakan sebagai
berikut:

• Tentukan hipotesis yang akan diuji, dan tingkat signifikansi yang diperlukan .
• Lakukan prosedur pengambilan sampel, hitung statistik uji dan p-value yang terkait
dengannya.
• Bandingkan nilai p dengan . Tolak hipotesis null hanya jika p-value < Jika tidak, jangan
menolak hipotesis null.

Statistika 7
 Kesimpulan dari Uji Hipotesis:

• Jika kita menolak hipotesis null, kita menyimpulkan bahwa terdapat cukup bukti untuk
menyimpulkan bahwa hipotesis alternatif itu benar.
• Jika kita tidak menolak hipotesis null, kita menyimpulkan bahwa tidak ada bukti statistik
yang cukup untuk menyimpulkan bahwa hipotesis alternatif itu benar.
• Hipotesis alternatif adalah yang lebih penting. Itu mewakili apa yang sedang kita selidiki.

Left - Tail Test

Contoh SSA Envelope:

Chief financial officer di FedEx yakin bahwa menyertakan stamped self-addressed (SSA) yang
distempel dalam faktur bulanan yang dikirim ke pelanggan akan mengurangi jumlah waktu
yang dibutuhkan pelanggan untuk membayar tagihan bulanan mereka. Saat ini, pelanggan
mengembalikan pembayaran mereka rata-rata dalam 24 hari, dengan standar deviasi 6 hari.
Diperkirakan bahwa peningkatan rata-rata dua hari akan menutupi biaya amplop (cek dapat
disetor lebih awal). Sampel acak dari 220 pelanggan dipilih dan SSA envelope disertakan
dengan paket faktur mereka. Waktu penerimaan pembayaran pelanggan dicatat (SSA.xls).
Bisakah CFO menyimpulkan bahwa rencana tersebut akan menguntungkan pada tingkat
signifikansi 10%?

SOLUSI:

Parameter yang diuji adalah populasi rata-rata periode pembayaran (). Hipotesisnya adalah:

H0:  = 22
H1:  < 22

CFO ingin mengetahui apakah rencana tersebut akan menguntungkan.

Daerah penolakan:

Masuk akal untuk mempercayai bahwa  < 22 jika rata-rata sampel lebih kecil dari 22.

Tolak hipotesis null jika:

Statistika 8
 Standar one tail left hand adalah:

Tentukan wilayah penolakan

Karena -.91 > –1.28 jangan menolak hipotesis null. P-value = P(Z<-.91) = .1814

Karena .1814 > .10, jangan tolak hipotesis nol.

Two – Tail test

Contoh:

AT&T telah ditantang oleh pesaing yang berpendapat bahwa tarif mereka menghasilkan
tagihan yang lebih rendah. Seorang praktisi statistik menentukan bahwa rata-rata dan standar
deviasi dari tagihan jarak jauh bulanan untuk semua pelanggan perumahan AT&T masing-
masing adalah $17,09 dan $3,87. Sampel acak dari 100 pelanggan dipilih dan tagihan
pelanggan dihitung ulang menggunakan tarif pesaing terkemuka (lihat Xm11-02). Dengan
asumsi standar deviasinya sama (3,87), dapatkah kita menyimpulkan bahwa ada perbedaan
antara tagihan AT&T dan tagihan pesaing (rata-rata)?

SOLUSI:

Apakah rata-rata berbeda dari 17,09?

Tentukan wilayah penolakan

Statistika 9
 Jika H0 benar ( =17,09), X masih bisa jatuh jauh di atas atau jauh di bawah 17,09, dalam hal
ini kita keliru menolak H0 demi H1 . Kami ingin kesalahan penolakan H0 ini menjadi
peristiwa langka, katakanlah peluang 5%.

Tidak cukup bukti untuk menyimpulkan bahwa ada perbedaan antara tagihan AT&T dan
pesaing.

Juga, dengan pendekatan p-value:

P-value = P(Z< -1.19)+P(Z >1.19) = 2(.1173) = .2346 > .05

4. Menghitung Probabilitas Error Tipe II

Untuk menafsirkan hasil pengujian hipotesis dengan benar, kita perlu menentukan tingkat
signifikansi yang sesuai atau menilai p-value suatu tes dan memahami hubungan antara error Tipe
I dan Tipe II. Bagaimana kita menghitung error tipe II?

Untuk menghitung kesalahan Tipe II kita perlu meyatakan daerah penolakan secara langsung,
dalam hal parameter yang dihipotesiskan (tidak dibakukan). Tentukan nilai alternatif di bawah H1.

Statistika 10
 Contoh 11.1:

Daerah penolakan adalah dengan a = .05

Daerah penolakan secara langsung

Biarkan nilai alternatif menjadi  = 180 (bukan hanya  >170)

Kesalahan Tipe II terjadi ketika H0 yang salah tidak ditolak.

Efek pada  dari perubahan 

Menurunkan tingkat signifikansi , meningkatkan nilai , dan sebaliknya.

Statistika 11
 Menilai Tes

Uji hipotesis secara efektif ditentukan oleh tingkat signifikansi  dan ukuran sampel n. Jika
probabilitas kesalahan Tipe II  dinilai terlalu besar, kita dapat menguranginya dengan:

• meningkatkan , dan/atau
• meningkatkan ukuran sampel.

Meningkatkan ukuran sampel mengurangi 

Perhatikan apa yang terjadi ketika n meningkat:

Meningkatkan ukuran sampel mengurangi . Dalam Contoh 11.1, andaikan n bertambah dari
400 menjadi 1000.

 tetap 5%, tetapi kemungkinan Tipe II turun drastis.

Kekuatan sebuah test:

• Kekuatan tes didefinisikan sebagai 1 - .

• Ini mewakili kemungkinan menolak hipotesis null ketika itu salah.

Statistika 12