Pengujian hipotesis adalah tulang punggung inferensi statistik, digunakan di mana-mana dari uji klinis hingga uji A/B di situs web. Namun ia juga merupakan topik yang paling sering disalahpahami dalam statistika. Panduan ini menelusuri seluruh alur sekali — dengan jelas — sehingga Anda memahami apa arti nilai p sebenarnya.

Lima langkah

Nyatakan $H_0$ dan $H_1$ : hipotesis nol (status quo) dan alternatif (klaim yang ingin Anda dukung).
Pilih taraf signifikansi $\alpha$ : biasanya 0,05 atau 0,01.
Hitung statistik uji dari data Anda ( $z$ , $t$ , $\chi^2$ , dll.).
Cari nilai p: probabilitas melihat data seekstrem ini jika $H_0$ benar.
Putuskan: jika $p < \alpha$ , tolak $H_0$ ; jika tidak, gagal menolak.

Catatan: "gagal menolak" ≠ "menerima $H_0$ ". Anda hanya tidak memiliki cukup bukti yang menentangnya.

Uji z satu sampel (contoh terselesaikan)

Sebuah pabrik mengklaim bola lampunya bertahan rata-rata 1000 jam ( $\sigma = 50$ ). Anda menguji 25 bola lampu dan mengukur $\bar x = 980$ . Apakah klaim tersebut terbantahkan pada $\alpha = 0.05$ ?

$H_0: \mu = 1000$ , $H_1: \mu \ne 1000$ .
$\alpha = 0.05$ , dua arah.
Statistik uji: $z = \frac{\bar x - \mu_0}{\sigma / \sqrt{n}} = \frac{980 - 1000}{50/\sqrt{25}} = \frac{-20}{10} = -2$ .
Nilai p: $2 \cdot P(Z < -2) \approx 2 \cdot 0.0228 = 0.0456$ .
Karena $0.0456 < 0.05$ , tolak $H_0$ . Rata-rata masa pakai berbeda secara signifikan dari 1000 jam.

Memilih uji yang tepat

Situasi	Uji
Satu rata-rata, $\sigma$ diketahui	uji z satu sampel
Satu rata-rata, $\sigma$ tidak diketahui, n kecil	uji t satu sampel
Dua rata-rata, sampel independen	uji t dua sampel
Dua rata-rata berpasangan	uji t berpasangan
Proporsi	uji z untuk proporsi
Goodness of fit / kontingensi	chi-kuadrat

Galat Tipe I vs Tipe II

Tipe I: menolak $H_0$ yang benar. Probabilitas = $\alpha$ .
Tipe II: gagal menolak $H_0$ yang salah. Probabilitas = $\beta$ .
Kuasa = $1 - \beta$ : probabilitas mendeteksi efek nyata dengan benar.

Ketiganya bergerak bersama: memperkecil $\alpha$ menaikkan $\beta$ untuk ukuran sampel tetap; memperbesar ukuran sampel menurunkan keduanya.

Kesalahan umum

"nilai p = probabilitas $H_0$ benar" — salah. Nilai p adalah $P(\text{data} \mid H_0)$ , bukan $P(H_0 \mid \text{data})$ .
Perbandingan ganda — menjalankan 20 uji pada $\alpha = 0.05$ menjamin rata-rata ≈1 positif palsu. Gunakan koreksi.
Mencampuradukkan signifikansi dengan kepentingan — efek kecil dengan $n$ sangat besar bisa sangat signifikan tetapi praktis tidak relevan.

Coba dengan AI Hypothesis Test Solver

Gunakan Solver Uji Hipotesis untuk memasukkan data Anda dan mendapatkan statistik uji, nilai p, dan keputusan.

Referensi terkait:

Kalkulator Skor-Z — batu bata penyusun setiap uji z
Kalkulator Simpangan Baku — input variabilitas
Kalkulator Distribusi Normal — apa yang diasumsikan uji z

Hypothesis Testing Step-by-Step: From H0 to p-value

A practical guide to hypothesis testing — defining H0 and H1, picking the right test, computing the test statistic, and interpreting the p-value without misuse.