1. ⚙️ Langkah-Langkah Dasar dalam Pengujian Hipotesis

Pengujian hipotesis adalah prosedur formal untuk memilih antara dua hipotesis yang saling bertentangan ($\text{H}_0$ dan $\text{H}_a$).

1. Merumuskan Hipotesis

• Hipotesis Nol ($\mathbf{H_0}$): Pernyataan status quo yang diuji. Biasanya menyatakan tidak ada efek, tidak ada perbedaan, atau tidak ada hubungan. Contoh: $\text{Rata-rata populasi} (\mu) = 100$.
• Hipotesis Alternatif ($\mathbf{H_a}$): Pernyataan yang ingin didukung jika $\text{H}_0$ ditolak. Biasanya menyatakan adanya efek, perbedaan, atau hubungan. Contoh: $\mu \neq 100$ (dua arah), $\mu > 100$ (satu arah).

2. Menentukan Tingkat Signifikansi ($\mathbf{\alpha}$)

• Tingkat risiko maksimum yang bersedia Anda ambil untuk menolak $\text{H}_0$ padahal $\text{H}_0$ benar (kesalahan Tipe I).
• Nilai yang umum digunakan adalah $\alpha = 0,05$ (5%) atau $\alpha = 0,01$ (1%).

3. Memilih Uji Statistik yang Tepat

• Memilih uji (misalnya, Uji-t, ANOVA, Chi-Square) berdasarkan jenis data, jumlah sampel/kelompok, dan asumsi yang terpenuhi.

4. Menghitung Nilai Uji Statistik dan Nilai-p

• Nilai Uji Statistik: Angka yang dihitung dari data sampel yang mengukur seberapa jauh data sampel menyimpang dari apa yang diharapkan jika $\text{H}_0$ benar.
• Nilai-p (p-value): Probabilitas untuk mendapatkan hasil sampel sekstrem atau lebih ekstrem dari yang diamati, dengan asumsi $\text{H}_0$ benar.

5. Membuat Keputusan dan Menarik Kesimpulan

• Aturan Keputusan:
  • Jika Nilai-p $\leq \alpha$, maka tolak $\text{H}_0$. Artinya, hasil sampel secara statistik signifikan dan memberikan bukti untuk $\text{H}_a$.
  • Jika Nilai-p $> \alpha$, maka gagal menolak $\text{H}_0$. Artinya, tidak ada cukup bukti untuk mendukung $\text{H}_a$.

---

2. 📊 Statistik Parametrik vs. Non-Parametrik

Pemilihan uji statistik inferensial sangat dipengaruhi oleh karakteristik data, yang membagi teknik menjadi dua kelompok:

1. Statistik Parametrik

Kelompok uji statistik yang mengasumsikan bahwa data berasal dari distribusi tertentu (biasanya Distribusi Normal) dan memiliki asumsi tertentu terkait parameter populasi (misalnya, kesamaan varians).

• Syarat Utama:
  • Data harus berskala Interval atau Rasio.
  • Data harus berdistribusi Normal (atau mendekati normal).
  • Untuk beberapa uji (seperti ANOVA), varians antar kelompok harus homogen (sama).
• Keunggulan: Lebih kuat (powerful) dalam mendeteksi efek jika asumsi terpenuhi.
• Contoh Uji: Uji-t, ANOVA, Korelasi Pearson, Regresi Linear.

2. Statistik Non-Parametrik

Kelompok uji statistik yang tidak memerlukan asumsi distribusi data (disebut juga distribution-free). Uji ini digunakan ketika asumsi parametrik tidak terpenuhi, atau ketika data berskala ordinal atau nominal.

• Syarat Utama:
  • Data berskala Nominal atau Ordinal.
  • Data tidak berdistribusi normal atau ukuran sampel terlalu kecil.
  • Tidak memerlukan asumsi tentang parameter populasi.
• Keunggulan: Dapat digunakan pada berbagai jenis data dan lebih tahan terhadap outlier.
• Contoh Uji: Uji Chi-Square, Uji Mann-Whitney U (pengganti Uji-t), Uji Kruskal-Wallis (pengganti ANOVA), Korelasi Spearman.