Pernahkah anda membaca penelitian yang isinya tidak sesuai dengan apa yang anda alami? misalnya ada penilitian yang menyatakan bahwa dibutuhkan waktu 3 bulan untuk seorang fresh graduate untuk mendapatkan pekerjaan, tetapi kebetulan dalam waktu 5 bulan anda baru mendapatkan pekerjaan. Penelitian diatas merupakan salah satu prodak dari statistik inferensial. Yang bertujuan untuk mengambil kesimpulan dari sebuah populasi.Tetapi kenapa masih ada kesalahan dalam hasil prediksi? Apakah penelitian tersebut tidak dapat dipercaya?
Statistika bisa dikelompokkan menjadi dua kelompok berdasarkan cara pengambilan kesimpulannya. yang pertama adalah statistika deskriptif dan yang selanjutnya adalah statistika inferensial. Statistik deskriptif mengambil kesimpulan dari data secara langsung, sementara statistika inferensial memungkan anda untuk melakukan prediski, dari sample data yang diambil.
Statistik inferensial merupakan metode yang sering digunakan untuk mengambil kesimpulan dari banyaknya populasi yang ada. Pada kesempatan kali ini saya akan membahas tentang statistika inferensial. Dari pengertian, hal apa saja yang perlu diperhatikan dalam menggunakan statistika inferensial, hingga ide dasar dari statistika inferensial.
Apakah itu statistika inferensial
Statistika inferensial memilki kata dasar inference yang artinya adalah gambaran. Secara umum merupakan sebuah proses analisa dan mengambil kesimpulan dari pengambilan sample secara acak. Statistika inferensial merupakan metode pengambilan kesimpulan berdasarkan parameter yang telah ditentukan dan sample yang diambil harus acak. Hal ini bisa membantu untuk melihat hubungan antara dependent variable dan independent variable.
Fungsi statistika inferensial
Statistika inferensial berfungsi untuk memberikan gambaran umum dari sebuah populasi. Tujuannya bukan hanya menemukan mean, median, dan modus tetapi mengambil kesimpulan menggunakan perhitungan statistik. Misalnya:
- Apakah obat yang diuji efektif atau hanya pracebo saja.
- Apakah perbedaan pendapat antara laki-laki dan perempuan signifikan berbeda.
- Apakah dengan semakin banyak jam belajar siswa, akan meningkatkan nilai mereka.
Cara kerja statistika inferensial
Secara umum statistika tidak bisa membuktikan apapun, tetapi kita menggunakan statistika inferensial untuk menerima atau menolak dugaan dari kemungkinan yang ada. Berikut ada beberapa hal yang harus dipahami untuk mempelajari statistika inferensial.
H₀ atau hipotesis awal
Pada saat akan melakukan penelitian anda pasti memiliki dugaan awal terhadap hasil akhir dari penelitian anda. Cara kerja statistika inferensial adalah dengan membuat dugaan awal atau H₀. Hipotesis awal atau H₀ menyatakan bahwa tidak ada hubungan antara variable yang anda teliti atau tidak ada hubungan antar kelompok kelompok variaiable. Statistika infrensial dibangun untuk menolak atau menerima dugaan anda. Ketika anda menolak dugaan awal maka yang anda harus lakukan adalah menerima dugaan alternatif. Begini salah satu contohnya.
- H₀ atau hipotesis awal: Obat tidak menurunkan tekaan darah
- H₁ atau hipotesis alternatif: Obat menurunkan tekanan darah
Bisa anda lihat bahwa pada H₀ yang dibuat merupakan tidak ada hubungan antara variable yang anda teliti. Hal ini dilakukan karena, lebih mudah dalam sistem statistik untuk menolak dibanding menerima sebuah argumen. Jika menolak maka pilihanya hanya iya atau tidak sementara jika menerima sebuah argumentasi maka akan sangat panjang penjabarannya.
p-value
P-value atau probability value, berfungsi untuk memberitahu anda bahwa data yang anda miliki memiliki keterkaitan dengan hipotesis awal yang anda miliki. Hal ini bisa terjadi dengan cara memperhitungkan peluang dari tes statistik anda.
Dalam analisis statistik inferensial, aturan umum menyatakan bahwa jika nilai p-value ≤ 0,05, maka hipotesis awal (H₀) ditolak dan artinya data lebih cenderung ke arah (H₁). Sebaliknya, jika p-value > 0,05, maka tidak terdapat cukup bukti untuk menolak hipotesis awal, sehingga H₀ dinyatakan gagal ditolak. Saya akan membuat table yang akan mempermudah anda dalam membedakan kondisi p-value:
| Kondisi p-value | Kondisi H₀ | Implikasi pada H₁ | Catatan |
|---|---|---|---|
| p-value ≤ 0,05 | H₀ ditolak | H₁ didukung oleh data | Ini menunjukkan adanya bukti statistik yang cukup untuk mendukung klaim H₁. |
| p-value > 0,05 | H₀ gagal ditolak | H₁ tidak didukung oleh data | Tidak berarti H₀ benar; hanya saja bukti tidak cukup untuk menolak H₀. |
Untuk bisa menghitung nilai p-value biasanya sudah dihitung secara otomatis melalui aplikasi yang anda gunakan misalnya, R, SPSS, atau Python
Pada umumnya nilai untuk menentukan apakah sebuah variable signifikan atau tidak adalah 0.05 tetapi ada beberapa kasus dimana peneliti menggunakan nilai yang berbeda. Nilai ini disebut juga dengan alpha value (α) adalah tingkat signifikansi yang ditetapkan peneliti sebelum analisis dimulai.
Misalnya pada penelitian hubungan antara jumlah penambahan pupuk dengan hasil panen didapatkan hasil bahwa p-valuenya adalah 0.02 sedangkan alpha value yang digunakan adalah 0.03. Artinya terdapat perbedaan yang signifikan antara pupuk yang ditambahkan dengan hasil panen yang dihasilkan.
Kesalahan tipe I dan tipe II
Dalam setiap pengujian statistik terdapat empat kemungkinan yang akan terjadi
| Kondisi H₀ | Keputusan Statistik | Hasil |
|---|---|---|
| H₀ benar | H₀ tidak ditolak | Benar |
| H₀ benar | H₀ ditolak | Type I Error |
| H₀ salah | H₀ ditolak | Benar |
| H₀ salah | H₀ tidak ditolak | Type II Error |
Saat melakukan analisa statistika inferensial akan selalu ada resiko kesalahan, yang akan anda hadapi.
- Type I error: salah menolak H₀ yang benar disebut juga dengan false positive
- Type II error: gagal menolak H₀ yang salah disebut juga dengan false negative
Standar error (SE)
Untuk bisa melakukan analisa statistika inferensial, anda harus memahami kondisi dari data yang sedang dianalisa salah satu hal yang perlu diperhatikan adalah standar error. Standar error adalah seberapa berfariasi sebuah data jika kita mengambil rata-ratanya secara berulang-ulang. Semakin kecil standar error maka semakin yakin kita dengan estimasi yang kita hasilkan.
Cara meminimalisir kesalahan
Setelah mengetahui apa saja hal penting dari statistika inferensial, hal selanjutnya adalah mengetahui hal apa saja yang bisa mengurangi potensi kesalahan dalam melakukan statistika inferensial. Pada dasarnya tujuan dari statistika inferensial memberikan gambaran umum dari sebuah data bukan untuk menemukan jawaban pasti dari semua permasalahan. Berikut hal yang bisa diperhatikan agar statistika inferensial bisa disajikan dengan optimal.
Pastikan ukuran sampel memadai
Hal yang paling mendasar dari statistika inferensial adalah memastikan ukuran sample memadahi dikarenakan, ukuran sample yang kecil adalah sumber kesalahan dalam analisa. JIka sample terlalu kecil keakuratan data yang dihasilkan susah dipercaya.
Tentukan tingkat signifikansi (α)
Pastikan α yang anda tetapkan sesuai dengan konteks penelitian yang anda lakukan. Karena α yang terlalu kecil dapat meningkatkan error type I dan α yang besar dapat meningkatkan error type II. Pada umumnya parameter yang diambil untuk statistika inferensial adalah 5%
Lakukan data cleansing
Jika data yang anda masukkan untuk analisa terlalu banyak data yang “kotor” mau seberapa baik anda melakukan perhitungan maka hasilnya akan buruk. Dalam data science hal ini bisa disebut dengan garbage in garbage out. Dimana jika data yang dimasukkan jelek hasil analisa akan jelek.
Sekian pembahasan untuk hari ini. Analisa ini tidak bertujuan untuk memberikan jawaban pasti dari sebuah pertanyaan tetapi untuk memberikan gambaran umum dari sebuah kelompok. Oleh karena itu akan sangat wajar jika anda akan membaca hasil penelitian yang hasilnya akan berbeda dengan yang anda alami.
Baca juga: Apa yang harus anda lakukan ketika penjualan menurun