Kepala sekolah mengklaim rata-rata nilai matematika sekolahnya 80. Kita mengambil sampel 16 siswa dan memperoleh rata-rata 83 dengan simpangan baku 8. Selisih tiga poin itu tampak sebagai bukti klaim keliru — tetapi apakah benar demikian? Section Sampling dan Estimasi telah menunjukkan bahwa rata-rata sampel selalu berfluktuasi dari sampel ke sampel, sehingga selisih kecil bisa muncul meski klaim benar. Section ini membangun kerangka formal untuk memisahkan dua kemungkinan itu, dan chapter ini meletakkan fondasinya: definisi hipotesis, alur pengujian, serta struktur keputusannya.

Dari Intuisi ke Keputusan Terstruktur #

Intuisi bekerja cepat tetapi tidak dapat direplikasi. Pengamat A melihat 83 lawan 80 dan menyimpulkan “klaim keliru”; pengamat B melihat angka yang sama dan berkata “wajar, sampel memang berfluktuasi”. Tanpa aturan bersama, kesimpulan menempel pada siapa yang menyimpulkan, bukan pada data. Pengujian hipotesis mengganti intuisi dengan prosedur: kedua pengamat yang memakai langkah yang sama pada data yang sama akan tiba pada keputusan yang sama.

Kebutuhan prosedur lebih nyata lagi ketika klaim punya konsekuensi. Pabrik susu bubuk mengklaim “isi bersih 250 gram” pada setiap kalengnya. Badan pengawas tidak dapat mengaudit seluruh populasi kaleng, sehingga keputusan harus diambil dari sampel — dan kesimpulan salah berarti pihak tertentu menanggung kerugian nyata: pabrik menanggung biaya produksi ulang bila klaimnya dicurigai tanpa dasar, konsumen menanggung selisih timbangan bila pelanggaran lolos. Prosedur pengujian yang disepakati di muka menjadikan keputusan itu transparan: klaim apa yang diuji, risiko apa yang ditanggung, dan data seberapa jauh yang dianggap cukup.

Apa Itu Hipotesis Statistik #

Hipotesis statistik adalah pernyataan tentang parameter populasi yang dapat diuji dengan data sampel. Parameter yang dimaksud adalah besaran-besaran yang telah kita kenal sejak chapter Parameter dan Statistik Sampel: mean populasi μ, proporsi populasi p, atau varians populasi σ². Dua contoh konkret:

  • “Rata-rata nilai matematika seluruh siswa sekolah ini adalah 80” — pernyataan tentang μ.
  • “Proporsi konsumen yang memilih kemasan baru adalah 0.5” — pernyataan tentang p.

Dua syarat membuat sebuah pernyataan layak disebut hipotesis yang dapat diuji. Pertama, pernyataan harus menyentuh populasi, bukan statistik sampel; “rata-rata sampel kita 83” adalah fakta yang tinggal dihitung, bukan hipotesis. Kedua, pernyataan harus cukup spesifik sehingga data dapat berbicara melawannya; dari nilai μ yang diklaim, kita bisa menghitung seberapa jauh rata-rata sampel akan berfluktuasi bila klaim benar, lalu membandingkannya dengan sampel yang benar-benar terjadi. Ukuran fluktuasi itu adalah standard error dari Section Sampling dan Estimasi — penghubung langsung antara dua section ini.

Alur Pengujian Lima Langkah #

Seluruh uji pada section ini — t-test, chi-square, hingga ANOVA — mengikuti kerangka yang sama. Lima langkah berikut akan dipakai berulang kali:

  1. Rumuskan H0 dan H1. H0 adalah hipotesis nol (klaim yang diuji, biasanya status quo); H1 adalah hipotesis alternatif (dugaan yang ingin dibuktikan). Detail penulisannya menjadi pokok chapter berikutnya.
  2. Pilih significance level α sebelum melihat data. α adalah ambang risiko kesimpulan salah yang disepakati di muka — biasanya 0.05. Menetapkannya setelah melihat hasil akan merusak kejujuran prosedur; pembahasannya ada pada chapter Significance Level.
  3. Hitung statistik uji dari sampel. Satu angka ringkas — t, z, χ², atau F — yang mengukur jarak antara data dan klaim H0 dalam satuan fluktuasi sampling.
  4. Hitung p-value. Peluang memperoleh data sama ekstremnya bila H0 benar; semakin kecil, semakin kuat bukti melawan H0. Presisi definisinya dibahas pada chapter P-Value.
  5. Ambil keputusan. Bila p-value < α, tolak H0; bila p-value ≥ α, gagal menolak H0 — dan katakan persis demikian, bukan “H0 diterima”.

Pada kasus sekolah kita, langkah ketiga menghasilkan t = (83 − 80)/(8/√16) = 1.5 dengan df = 15, dan langkah keempat menghasilkan p-value 0.1544 (dibulatkan ke empat desimal). Karena 0.1544 ≥ 0.05, keputusannya gagal menolak H0 — selisih tiga poin tidak cukup untuk menyangkal klaim μ = 80. Perhitungan lengkapnya menanti chapter Z-Test dan T-Test; yang penting sekarang adalah bentuk alurnya.

Analogi Pengadilan #

Pengujian hipotesis sering dianalogikan dengan sidang pengadilan, dan analogi ini memang menolong. H0 berperan sebagai “tidak terbukti” — terdakwa dianggap tidak bersalah sampai bukti menunjukkan sebaliknya (innocent until proven guilty). H1 adalah “terbukti” — vonis yang hanya boleh dijatuhkan bila bukti cukup kuat. Kita sengaja memberi H0 posisi terlindungi karena dua kesalahan tidak sepadan biayanya: menyatakan tidak bersalah sebagai bersalah lebih berat daripada kebalikannya, dan kerangka α mengendalikan risiko kesalahan pertama itu secara eksplisit.

Analogi ini punya batas yang perlu diakui. Pengadilan memutus satu kasus diskret — bersalah atau tidak — tanpa menghitung peluang; statistik justru hidup dari peluang itu dan tidak pernah mencapai kepastian mutlak. Putusan hakim juga final untuk kasus itu, sedangkan keputusan statistik selalu bisa berubah bila data baru masuk. Terakhir, standar bukti hukum (“di luar keraguan yang wajar”) tidak punya angka, sementara α dan p-value terkuantifikasi — jadikan analogi pengadilan sebagai peta mental, bukan sebagai rumus.

Satu Arah atau Dua Arah #

Rumusan H1 menentukan arah pengujian, dan pilihan ini mengubah perhitungan p-value. Dua bentuk yang lazim:

  • Dua arah (two-tailed). H1 menyatakan parameter berbeda dari nilai klaim: μ ≠ 80. Kita mengawasi dua ekor sekaligus — sampel terlalu tinggi maupun terlalu rendah sama-sama bukti melawan H0. Contoh: menguji klaim pabrik “isi bersih tepat 250 gram” — isi terlalu sedikit merugikan konsumen, isi terlalu banyak merugikan pabrik, keduanya pelanggaran.
  • Satu arah (one-tailed). H1 menyatakan parameter lebih dari (atau kurang dari) nilai klaim: μ > 80. Hanya satu ekor yang diawasi. Contoh: klaim sekolah “rata-rata 80” diuji oleh pihak yang hanya tertarik membuktikan rata-rata melampaui 80 — rata-rata sampel di bawah 80 tidak dihitung sebagai bukti apa pun untuk tujuan itu.

Aturan praktisnya: arah H1 harus ditentukan oleh pertanyaan substantif sebelum data dikumpulkan, bukan dipilih setelah melihat ke mana data condong. Memilih arah setelah melihat hasil memperkecil p-value secara artifisial — akibatnya dibahas pada chapter Null dan Alternative Hypothesis dan kembali pada chapter Interpretasi Hasil Pengujian.

Diagram Alur Keputusan #

Alur lengkap dari klaim hingga keputusan dapat diringkas menjadi satu diagram:

Diagram ini menegaskan dua sifat kerangka yang perlu diingat. Keputusan selalu berupa pilihan biner tentang H0 — tolak atau gagal tolak — dan keputusan itu lahir dari perbandingan dua besaran yang ditetapkan terpisah: α di muka, p-value dari data. Seluruh variasi antar uji pada section ini hanya mengganti kotak “statistik uji” dan distribusi peluang di belakangnya; kerangka lima langkah tidak berubah.

Dua kotak pertama diagram itu — cara merumuskan H0 dan H1 dengan benar — adalah keterampilan tersendiri yang paling sering keliru dikerjakan pemula. Chapter berikutnya membedah keduanya: struktur H0 sebagai titik berangkat, H1 sebagai tujuan bukti, notasi penulisannya, serta kesalahan bahasa yang membuat laporan statistik terdengar lebih kuat daripada yang sebenarnya. Materi pendamping untuk pendalaman tersedia pada Penn State STAT 500 dan NIST Engineering Statistics Handbook .