Interpretasi Hasil Pengujian

Perhitungan selesai dalam hitungan detik; yang menentukan mutu analisis adalah apa yang dilakukan analis setelahnya. Sepanjang section ini kita menumpuk seluruh perangkatnya — H0 dan H1, α, p-value, galat Tipe I dan II, t, χ², F — dan chapter penutup kini merangkainya menjadi keterampilan akhir: membaca keluaran software, menuliskan kesimpulan dengan bahasa yang tidak lebih tegas daripada buktinya, membedakan “signifikan” dari “bermakna”, serta melaporkan hasil dengan kelengkapan yang bisa diaudit orang lain. Di titik inilah statistika bertemu keputusan nyata.

Anatomi Keluaran Software #

Hampir semua keluaran perangkat statistik — dari scipy hingga software komersial — merangkum pengujian dalam struktur yang sama. Keluaran t-test untuk kasus sekolah kita (n = 16, x̄ = 83, s = 8, uji dua arah terhadap μ0 = 80) dan bagaimana membacanya:

Empat baris itu adalah kerangka baku apa pun ujinya: ganti t dengan χ² atau F, ganti df dengan df uji kategorik atau (k−1, N−k), keputusan tetap dibaca dari perbandingan p dengan α yang ditetapkan di muka. Dua komponen sering ikut menyertai dan layak dicari secara aktif: ukuran sampel per kelompok dan arah efek (mean mana yang lebih tinggi) — keluaran angka tanpa keduanya mudah disalahbaca.

Dari Statistik ke Kalimat Kesimpulan #

Keputusan statistik perlu diterjemahkan menjadi kalimat yang bisa dibaca pengambil keputusan tanpa mengubah kadar kepastiannya. Template yang sehat berbunyi:

Pada α = [nilai], data dari [n dan konteks sampel] [tolak/gagal menolak]
H0: [rumusan H0] (statistik uji = [nilai], df = [nilai], p = [nilai]);
[besar efek atau confidence interval sebagai konteks].

Diterapkan pada kedua kasus sekolah kita, kalimat yang benar berbentuk:

• “Pada α = 0.05, data 16 siswa (x̄ = 83, s = 8) gagal menolak H0: μ = 80 (t = 1.50, df = 15, p = 0.1544); selisih 3 poin masih dalam rentang fluktuasi sampling.”
• “Pada α = 0.05, data 16 siswa (x̄ = 86.5, s = 8) menolak H0: μ = 80 (t = 3.25, df = 15, p = 0.0054); rata-rata sesungguhnya diperkirakan 82.2–90.8 (confidence interval 95%).”

Perbandingan berikut menunjukkan bagaimana terjemahan yang keliru mengubah kadar kepastian:

Kolom kanan memuat dua kesalahan khas: membaca gagal-tolak sebagai pembuktian H0, dan membaca 1 − p sebagai “tingkat kebenaran H1” — kedua-duanya telah dibongkar pada chapter P-Value.

Significance Statistik versus Bermakna Praktis #

p-value kecil menyatakan bukti kuat bahwa efek ada — bukan bahwa efek besar. Besar efek ditentukan pembilang dan penyebut: selisih mean dibanding sebaran data. n memasuki rumus lewat penyebut √n, sehingga sampel besar membuat efek sekecil apa pun melampaui ambang signifikansi. Hitung satu contoh penuh: sampel 400 siswa dengan x̄ = 81, s = 8, diuji terhadap μ0 = 80:

t = (81 - 80) / (8 / √400) = 1 / 0.4 = 2.5
p = 0.0128      -> tolak H0 pada α = 0.05

Secara statistik, hasil ini signifikan: p = 0.0128 < 0.05, H0 ditolak — keputusan yang sama dengan kasus 16 siswa bermean 86.5 (p = 0.0054), meski buktinya tidak sekuat itu. Secara substantif, keduanya dunia yang berbeda — kasus 400 siswa menemukan selisih satu poin nilai dengan Cohen’s d = 0.125 (efek kecil), sementara kasus 16 siswa menemukan selisih 6.5 poin dengan d = 0.8125 (efek besar). Pengambil keputusan kurikulum yang memilih program berdasarkan angka pertama menginvestasikan sumber daya pada perbedaan yang nyata secara statistik tetapi nyaris tak terlihat di kelas. Kebalikannya juga terjadi: penelitian kecil ber-power rendah bisa gagal menolak H0 meski efeknya besar dan penting — dua arah pembacaan yang sama-sama menuntut pertanyaan “seberapa besar?” setelah “ada atau tidak?”.

Effect Size dan Confidence Interval sebagai Mitra p-Value #

Dua pelengkap melaporkan besar dan presisi efek. Effect size menstandardisasi selisih dalam satuan sebaran; untuk uji mean, ukuran yang paling umum adalah Cohen’s d:

d = (x̄ - μ0) / s        [satu sampel]
d = (x̄1 - x̄2) / s_p     [dua sampel, s_p = simpangan gabungan]

Konvensi pembacaan yang lazim (rujukan Cohen): 0.2 kecil, 0.5 sedang, 0.8 besar. Kedua kasus thread memberi 0.3750 dan 0.8125 — pertama efek kecil-sedang, kedua besar; contoh dua kelas pada chapter Z-Test dan T-Test (selisih mean 4, s_p = 6) memberi d = 4/6 ≈ 0.6667, sedang. Confidence interval melengkapi dengan rentang nilai parameter yang masih konsisten dengan data: untuk kasus x̄ = 83 pada df = 15, CI 95% = 83 ± 2.1314 × 2 = [78.74, 87.26] — memuat 80, selaras dengan keputusan gagal tolak; untuk x̄ = 86.5, CI 95% = [82.24, 90.76] — tidak memuat 80, selaras dengan keputusan tolak. Hubungan CI dan keputusan uji dua arah selalu sejajar seperti itu, dan penerapan penuhnya dibahas pada chapter Confidence Interval di Section Sampling dan Estimasi.

Kesalahan Pelaporan yang Umum #

Dua praktik menurunkan kredibilitas literatur dan perlu dikenali sejak dini. p-hacking / pengujian berganda tanpa koreksi: mencoba banyak variabel, subkelompok, atau kombinasi analisis, lalu hanya melaporkan yang kebetulan mencapai p < 0.05 — dengan 20 analisis independen atas data tanpa efek, rata-rata satu akan “signifikan” (mekanisme persis tabel distribusi p-value pada chapter P-Value); solusinya adalah menetapkan analisis di muka, atau mengoreksi ambang (seperti Tukey HSD pada ANOVA). HARKing (Hypothesizing After the Results are Known): merumuskan hipotesis setelah melihat hasil, lalu menuliskannya seolah dirancang di muka — laporan menjadi kisah sukses yang tidak dapat direplikasi. Kedua praktik ini menyasar prinsip yang sama yang dipegang section ini sejak chapter pertama: α dan H1 ditetapkan sebelum data.

Checklist Melaporkan Hasil Uji #

Daftar terakhir untuk laporan yang bisa diaudit — baris mana pun yang kosong membuat kesimpulan Anda lemah terbaca:

• Ukuran sampel per kelompok (n), dan bagaimana sampel dikumpulkan.
• Hipotesis dan arah pengujian — H0, H1, satu atau dua arah, ditetapkan sebelum data.
• α yang dipakai beserta alasannya kontekstual.
• Statistik uji dan nilainya (t, χ², F, z) — bukan hanya kata “signifikan”.
• Derajat kebebasan (df) dan p-value eksak, bukan hanya “p < 0.05”.
• Effect size (misalnya Cohen’s d) untuk besar efek.
• Confidence interval untuk presisi taksiran.
• Konteks substantif: apa artinya angka ini bagi keputusan yang menunggu jawaban.

Menghitung Effect Size dengan Python #

Cohen’s d untuk kedua kasus thread, berikut contoh “signifikan tetapi tidak bermakna” dari bagian sebelumnya, dihitung dalam satu blok:

from scipy.stats import t

s, mu0 = 8, 80

d1 = (83 - mu0) / s          # kasus 1: x-bar = 83
d2 = (86.5 - mu0) / s        # kasus 2: x-bar = 86.5
print(f"d kasus x-bar 83   : {d1:.4f}")
print(f"d kasus x-bar 86.5 : {d2:.4f}")

sig = (81 - mu0) / (s / 400**0.5)   # kasus n = 400: x-bar = 81
p = 2 * t.sf(sig, 399)
print(f"t = {sig:.4f}, p = {p:.4f}, d = {(81 - mu0) / s:.4f}")

Output yang Dihasilkan:

d kasus x-bar 83   : 0.3750
d kasus x-bar 86.5 : 0.8125
t = 2.5000, p = 0.0128, d = 0.1250

Mari kita bedah blok tersebut: dua baris pertama menghitung d dengan definisi satu sampel (selisih mean terhadap klaim, dibagi s), memberi 0.3750 dan 0.8125 — bandingkan dengan ambang konvensi 0.2/0.5/0.8. Blok kedua menghitung ulang kasus n = 400 dari bagian significance praktis: t = 2.5000 dengan p = 0.0128 (tolak H0), sementara d-nya sendirian hanya 0.1250 — tiga bilangan dalam satu keluaran itulah gambaran lengkap yang layak dilaporkan, bukan salah satunya saja.

Section Pengujian Hipotesis tuntas: kerangka keputusan formal, dua jenis galat, dan empat keluarga uji siap dipakai dengan disiplin interpretasi. Langkah berikutnya dalam course ini menggeser fokus dari apakah variabel berbeda ke bagaimana variabel berkaitan — mengukur kekuatan hubungan antar variabel lewat kovarians dan korelasi, lalu memodelkannya dengan regresi. Pertanyaan tentang hubungan membawa pertanyaan baru yang jauh lebih licin — korelasi versus kausalitas — dan seluruh alat berpikir yang Anda bawa dari section ini (desain di muka, bahasa yang jujur, angka yang bisa diaudit) akan tetap menjadi perlengkapan utamanya; pendalaman pelaporan yang bertanggung jawab tersedia pada NIST Engineering Statistics Handbook dan Penn State STAT 500 .