{"id":480,"date":"2023-07-29T18:52:24","date_gmt":"2023-07-29T18:52:24","guid":{"rendered":"https:\/\/statorials.org\/id\/p-menghargai-signifikansi-statistik\/"},"modified":"2023-07-29T18:52:24","modified_gmt":"2023-07-29T18:52:24","slug":"p-menghargai-signifikansi-statistik","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/p-menghargai-signifikansi-statistik\/","title":{"rendered":"Penjelasan nilai p dan signifikansi statistik"},"content":{"rendered":"

<\/p>\n

\n

Dalam statistik, p-value<\/strong> biasa digunakan dalam pengujian hipotesis uji t, uji chi-square, analisis regresi, ANOVA, dan berbagai metode statistik lainnya.<\/span><\/p>\n

Meski sangat umum, seringkali orang salah mengartikan nilai p, sehingga dapat menimbulkan kesalahan saat menginterpretasikan hasil suatu analisis atau penelitian.<\/span><\/p>\n

Artikel ini menjelaskan cara memahami dan menafsirkan nilai-p dengan jelas dan praktis.<\/span><\/p>\n

Pengujian hipotesis<\/span><\/strong><\/h2>\n

Untuk memahami nilai p, pertama-tama kita perlu memahami konsep pengujian hipotesis .<\/span><\/p>\n

Uji hipotesis<\/strong> adalah uji statistik formal yang kita gunakan untuk menolak atau gagal menolak suatu hipotesis. Misalnya, kita mungkin berhipotesis bahwa suatu obat, metode, atau prosedur baru memiliki keunggulan tertentu dibandingkan obat, metode, atau prosedur yang ada saat ini.<\/span><\/p>\n

Untuk mengujinya, kita dapat melakukan uji hipotesis dimana kita menggunakan hipotesis nol dan hipotesis alternatif:<\/span><\/p>\n

Hipotesis Nol<\/strong> \u2013 Tidak ada pengaruh atau perbedaan antara metode baru dan metode lama.<\/span><\/p>\n

Hipotesis Alternatif<\/strong> \u2013 Terdapat pengaruh atau perbedaan antara metode baru dan metode lama.<\/span><\/p>\n

Nilai p menunjukkan seberapa kredibel hipotesis nol, berdasarkan data sampel. Secara khusus, dengan asumsi hipotesis nol benar, nilai p memberi tahu kita kemungkinan memperoleh pengaruh setidaknya sama besar dengan pengaruh yang sebenarnya kita amati dalam data sampel.<\/span><\/p>\n

Jika nilai p suatu uji hipotesis cukup rendah, kita dapat menolak hipotesis nol. Khususnya, saat kita melakukan pengujian hipotesis, kita perlu memilih tingkat signifikansi dari awal. Pilihan umum untuk tingkat signifikansi adalah 0,01, 0,05, dan 0,10.<\/span><\/p>\n

Jika nilai p berada di bawah<\/em> tingkat signifikansi kita, maka hipotesis nol dapat kita tolak.<\/span><\/p>\n

Jika tidak, jika nilai p sama dengan atau lebih besar dari<\/em> tingkat signifikansi kita, kita gagal menolak hipotesis nol.<\/span><\/p>\n

Bagaimana menafsirkan nilai P<\/strong><\/span><\/h2>\n

Definisi klasik dari nilai p adalah:<\/span><\/p>\n

\n

Nilai p<\/strong> adalah probabilitas mengamati statistik sampel yang setidaknya sama ekstremnya dengan statistik sampel Anda, mengingat hipotesis nolnya benar.<\/span><\/p>\n<\/blockquote>\n

Misalnya, sebuah pabrik mengklaim memproduksi ban dengan berat rata-rata 200 pon. Seorang auditor berhipotesis bahwa berat rata-rata sebenarnya ban yang diproduksi di pabrik ini berbeda sebesar 200 pon. Jadi dia melakukan uji hipotesis dan menemukan bahwa nilai p dari pengujian tersebut adalah 0,04. Berikut cara menafsirkan nilai p ini:<\/span><\/p>\n

Jika pabrik benar-benar memproduksi ban dengan berat rata-rata 200 pon, maka 4% dari seluruh audit akan mencapai efek yang diamati dalam sampel, atau lebih, karena kesalahan pengambilan sampel secara acak. Hal ini menunjukkan bahwa perolehan data sampel yang diperoleh auditor akan sangat jarang terjadi jika pabrik benar-benar memproduksi ban dengan berat rata-rata 200 pon.<\/span><\/p>\n

Bergantung pada tingkat signifikansi yang digunakan dalam uji hipotesis ini, auditor kemungkinan besar akan menolak hipotesis nol yang menyatakan bahwa berat rata-rata sebenarnya ban yang diproduksi di pabrik ini memang 200 pon. Sampel data yang diperolehnya selama audit tidak terlalu konsisten dengan hipotesis nol.<\/span><\/p>\n

Bagaimana tidak<\/em> menafsirkan nilai P<\/strong><\/span><\/h2>\n

Kesalahpahaman terbesar tentang nilai-p adalah bahwa nilai-p tersebut sama dengan kemungkinan membuat kesalahan dengan menolak hipotesis nol yang sebenarnya (disebut kesalahan Tipe I).<\/span><\/p>\n

Ada dua alasan utama mengapa nilai p tidak dapat menandingi tingkat kesalahan:<\/span><\/p>\n

1.<\/strong> Nilai P dihitung berdasarkan asumsi bahwa hipotesis nol benar dan perbedaan antara data sampel dan hipotesis nol hanya disebabkan oleh kebetulan. Jadi nilai-p tidak dapat memberi tahu Anda probabilitas nilai nol itu benar atau salah karena nilai tersebut 100% benar dari sudut pandang perhitungan.<\/span><\/p>\n

2.<\/strong> Meskipun nilai p yang rendah menunjukkan bahwa data sampel Anda tidak mungkin mengasumsikan nol benar, nilai p tetap tidak dapat memberi tahu Anda kasus mana yang lebih mungkin terjadi:<\/span><\/p>\n