Null dan Alternative Hypothesis

Setiap pengujian dimulai dari dua pernyataan yang saling berlawanan, dan keduanya tidak setara. Hipotesis nol (null hypothesis, H0) berdiri sebagai status quo yang menikmati perlindungan prosedur; hipotesis alternatif (alternative hypothesis, H1) adalah dugaan yang harus membawa bukti untuk menggulingkannya. Chapter ini membedah cara merumuskan keduanya, notasi penulisannya untuk tiga arah pengujian, prinsip pembobotan bukti yang menentukan mana yang layak menjadi H0, serta satu kesalahan bahasa yang paling sering membuat laporan statistik terdengar jauh lebih tegas daripada kenyataannya.

H0: Titik Berangkat yang Dilindungi #

Hipotesis nol adalah pernyataan tidak ada perubahan, tidak ada efek, atau tidak ada perbedaan. Wujudnya selalu sederhana: parameter populasi sama dengan nilai tertentu, proporsi sama dengan proporsi lama, mean kelompok A sama dengan mean kelompok B. Pada kasus sekolah kita, H0 adalah “μ = 80” — klaim kepala sekolah berdiri sebagai keadaan yang dianggap benar sampai data berkata lain.

Perlindungan terhadap H0 bukan formalitas, melainkan desain. Data sampel selalu berfluktuasi; bila setiap fluktuasi kecil langsung dianggap bukti perubahan, kita akan mengumumkan “penemuan” terus-menerus dari derau sampling. Dengan menuntut bukti yang cukup kuat sebelum H0 ditinggalkan, kerangka pengujian menjaga agar kesimpulan hanya berpindah ketika data memang sulit dijelaskan oleh keadaan status quo. Konsekuensi logisnya penting: kegagalan memindahkan H0 tidak berarti H0 benar — hanya berarti bukti belum cukup.

H1: Dugaan yang Ingin Dibuktikan #

Hipotesis alternatif adalah pernyataan yang menyatukan semua keadaan di luar H0 yang kita anggap penting untuk dideteksi: ada efek, ada perbedaan, parameter melenceng dari klaim. H1 jarang berdiri sendiri sebagai satu titik; hampir selalu berupa rentang — “μ berbeda dari 80” mencakup μ = 80.1 hingga μ = 95. Justru karena bentuknya rentang, H1 tidak diuji langsung; yang diuji adalah H0, dan bukti kuat melawan H0 kita baca sebagai dukungan bagi H1.

Pembagian peran ini menuntut kejujuran arah. Peneliti obat baru ingin membuktikan “efek lebih baik dari plasebo”; auditor ingin membuktikan “isi kemasan di bawah klaim”; pengajar ingin membuktikan “metode belajar baru melampaui metode lama”. Semua itu adalah H1 — dugaan yang peneliti harapkan terbukti. Menuliskan harapan sebagai H1, lalu menguji H0 dengan α yang ditetapkan di muka, adalah cara statistik memaksa harapan tunduk pada data.

Notasi untuk Tiga Kasus Arah #

Rumusan H0 dan H1 berpasangan sempurna: seluruh kemungkinan nilai parameter terbagi habis di antara keduanya. Tiga pasangan yang lazim (μ0 menyatakan nilai klaim, misalnya 80):

Kasus dua arah — klaim dibaca “berbeda dari μ0”:

H0 : μ = μ0
H1 : μ ≠ μ0

Kasus satu arah ke kanan — dugaan “lebih dari μ0”:

H0 : μ ≤ μ0
H1 : μ > μ0

Kasus satu arah ke kiri — dugaan “kurang dari μ0”:

H0 : μ ≥ μ0
H1 : μ < μ0

Dua hal perlu dicermati. Pertama, tanda sama dengan selalu berada di pihak H0 — statistik uji dihitung dengan satu nilai titik (μ = μ0), sehingga H0 harus menyediakan titik itu; notasi μ ≤ μ0 dibaca “diuji pada μ = μ0, nilai batas yang paling menguntungkan H0”. Kedua, simbol ≠ pada kasus dua arah bukan satu arah yang dibaca dua kali secara kebetulan, melainkan pernyataan bahwa deviasi pada dua sisi sama-sama relevan — pabrik pengemas menganggap isi 240 gram dan isi 260 gram sama-sama pelanggaran klaim “250 gram”.

Cara Memilih Mana yang Menjadi H0 #

Pilihan H0 bukan soal selera melainkan soal pembobotan bukti: pertanyaan “apa yang harus membuktikan dirinya lebih dulu?” menentukan jawabannya. Tiga pertanyaan pemandu:

• Siapa yang dianggap benar sampai terbukti sebaliknya? Obat baru harus membuktikan khasiatnya lebih dulu — H0-nya “efek sama dengan plasebo”, karena status pasar menempatkan obat belum terbukti sampai uji klinis selesai. Kebalikannya, obat yang sudah lama beredar diuji dengan H0 “aman” hanya bila sistem pengawasan memang menempatkan keamanan sebagai keadaan baku.
• Kesalahan mana yang lebih harus dihindari? Bila kesalahan “mengumumkan efek yang sebenarnya tidak ada” lebih mahal — menyetujui terapi yang tidak bekerja, menarik produk yang sebenarnya baik — maka “tidak ada efek” ditempatkan sebagai H0 yang dilindungi α.
• Klaim mana yang sifatnya status quo? Proporsi pelanggan puas tahun lalu, mean proses produksi yang sudah terkalibrasi, laju cacat yang sudah diterima — semua berstatus H0 alami; pengujian ada justru untuk memeriksa apakah keadaan baku masih bertahan.

Aturan ringkasnya: H0 mendapat keuntungan keraguan, H1 menanggung beban bukti. Pemula sering menukar keduanya karena ingin “membuktikan H0” — misalnya membuktikan mesin tetap terkalibrasi. Kerangka ini tidak bekerja begitu; cara yang benar adalah merumuskan H0 kalibrasi sebagai status quo, lalu melihat apakah data cukup untuk menggulingkannya. Data yang gagal menggulingkan membuat kita melanjutkan kerja dengan H0, bukan mengabadikannya sebagai kebenaran.

Dua Arah, Satu Arah, dan Faktor Dua pada p-Value #

Arah H1 mengubah cara p-value dihitung. Pada kasus sekolah (t = 1.5, df = 15), statistik yang sama menghasilkan dua p-value berbeda:

satu arah : P(T > 1.5)        = 0.0772
dua arah  : P(|T| > 1.5)      = 2 × 0.0772 = 0.1544

Faktor dua itu muncul karena pengujian dua arah membagi perhatian ke dua ekor distribusi: t = 1.5 di ekor kanan dan t = −1.5 di ekor kiri sama-sama bukti melawan “μ = 80”. Pengujian satu arah hanya menghitung satu ekor, sehingga p-value-nya separuh. Konsekuensi praktisnya nyata: dengan α = 0.05, kasus ini tetap gagal menolak H0 pada kedua rumusan (0.0772 ≥ 0.05 dan 0.1544 ≥ 0.05), tetapi banyak kasus lain berbalik arah — p satu arah 0.04 signifikan pada α = 0.05, sementara versi dua arahnya 0.08 tidak. Perhitungan berikut memperlihatkan faktor duanya secara langsung:

from scipy.stats import t

t_stat = 1.5
df = 15

print(f"p satu arah : {t.sf(t_stat, df):.4f}")
print(f"p dua arah  : {2 * t.sf(t_stat, df):.4f}")

Output yang Dihasilkan:

p satu arah : 0.0772
p dua arah  : 0.1544

Karena perbedaan itu, arah harus dipilih sebelum data terlihat. Memilih satu arah setelah melihat data condong positif sama dengan memotong p-value setengah tanpa alasan — peluang keputusan salah menjadi jauh lebih besar dari α yang diaku. Dasar substantif satu arah harus kuat: hanya bila deviasi pada satu sisi memang tidak bermakna bagi pertanyaan penelitian (misalnya pihak yang menguji klaim “melampaui 80” tidak peduli bila kenyataannya di bawah 80) satu arah layak dipakai; bila dua sisi sama-sama mengejutkan, gunakan dua arah.

H0 Tidak Pernah “Terbuktikan” #

Inilah kesalahan bahasa paling umum dalam pelaporan hasil uji. Data tidak pernah membuktikan H0; data hanya gagal menolaknya. Alasannya mendasar: bukti statistik bersifat asimetris — sampel besar bisa membuat efek kecil terdeteksi, tetapi sampel kecil membuat efek besar pun lolos tak terdeteksi, sehingga “tidak ditemukan bukti” tidak membedakan antara “memang tidak ada efek” dan “sampel belum cukup peka”. Tabel berikut mempertegas bahasa yang tepat:

Kolom kanan menyiratkan kepastian yang tidak dimiliki statistik; kolom kiri melaporkan keputusan prosedural sebagaimana adanya.

Tiga Kasus Nyata dalam Satu Tabel #

Perumusan lengkap untuk tiga situasi yang akan kembali muncul sepanjang section ini:

Ketiganya memperlihatkan pola yang sama: klaim baku atau keadaan tanpa efek menempati H0, sedangkan pertanyaan yang memotivasi pengumpulan data menempati H1. Baris kedua akan benar-benar diuji dengan t-test pada chapter Z-Test dan T-Test, dan versi tiga kelompoknya dengan ANOVA; baris ketiga menjadi contoh alami bagi chi-square.

Dua hipotesis telah berdiri, dan prosedur meminta satu besaran lagi yang harus ditetapkan sebelum data dilihat: berapa besar risiko kesalahan menolak H0 yang benar yang kita sanggupi. Besaran itu adalah significance level α — ambang yang menentukan luas daerah tolak pada distribusi dan menjadi pembanding tetap bagi p-value. Chapter berikutnya membedah maknanya, nilai-nilai lazimnya, dan miskonsepsi yang menempel padanya; rujukan pendalaman yang baik adalah Penn State STAT 500 serta buku OpenIntro Statistics .