Tugas Pertemuan 14

Logo

1.1 SOAL 1

1.Statistika Deskriptif

Statistika deskriptif tidak melakukan pengambilan kesimpulan untuk populasi secara umum. Fokusnya hanya pada deskripsi data yang telah dikumpulkan. Dengan itu, kesimpulan yang dibuat hanya berlaku untuk data itu sendiri, bukan untuk populasi yang lebih luas.

  • Seperti contoh:

Misalkan seorang guru menghitung rata-rata nilai ujian dari 30 siswa di kelasnya dan mendapatkan hasil 75. Namun, hasil ini hanya mencerminkan kinerja siswa-siswa di kelas tersebut. Jadi, kesimpulan ini tidak bisa diterapkan untuk semua siswa di sekolah, karena mungkin ada perbedaan dalam cara mengajar atau tingkat kesulitan ujian di kelas lain.

  1. Statistika Inferensial

Statistika inferensial melakukan pengambilan kesimpulan berdasarkan sampel untuk memprediksi karakteristik populasi secara keseluruhan. Pendekatan ini menggunakan probabilitas untuk membuat estimasi atau menguji hipotesis.

  • Seperti contoh:

Jika ingin mendapatkan gambaran mengenai suatu rata-rata nilai ujian semua siswa di sekolah, maka bisa memilih 30 siswa sebagai sampel. Setelah menghitung rata-rata nilai dari kelompok tersebut,kita dapat memperluas kesimpulan ini untuk mencakup keseluruhan populasi siswa. Namun, penting juga untuk mempertimbangkan adanya kemungkinan kesalahan atau ketidakpastian dalam estimasi tersebut.

  1. Kesimpulan:

Maka perbedaan antara Statistika deskriptif dan Statistika inferensial dalam pengambilan keputusan yakni, Statistika deskriptif hanya memberikan informasi tentang data yang ada tanpa melibatkan prediksi atau generalisasi dan sangat terbatas pada data yang dimiliki. Sedangkan, Statistika inferensial mengambil data sampel dan menggunakan metode probabilitas dahulu untuk mengambil kesimpulan tentang populasi dan melibatkan generalisasi ke populasi yang lebih luas.

Aspek Statistika Deskriptif Statistika Inferensial
Definisi Deskripsi dan ringkasan data yang dikumpulkan. Pengambilan kesimpulan tentang populasi berdasarkan sampel.
Tujuan Menyajikan informasi tentang data yang ada. Memprediksi karakteristik populasi secara keseluruhan.
Keterbatasan Hanya berlaku untuk data yang dianalisis. Dapat diterapkan pada populasi yang lebih luas dengan estimasi.
Metode Menggunakan ukuran seperti rata-rata, median, modus. Menggunakan probabilitas untuk estimasi dan pengujian hipotesis.
Contoh Rata-rata nilai ujian 30 siswa di kelas tertentu. Mengambil sampel 30 siswa dari seluruh sekolah untuk estimasi rata-rata nilai.
Kesalahan Tidak ada kesalahan sampling karena hanya menggunakan data yang ada. Mempertimbangkan kemungkinan kesalahan atau ketidakpastian dalam estimasi.

1.1 SOAL 2

Dalam statistika, ketika kita akan melakukan uji hipotesis,maka kita sering mendengar istilah alpha (α) dan beta (β) yang merujuk pada dua jenis kesalahan yang dapat terjadi dalam pengambilan keputusan. Berikut adalah penjelasan mengenai perbedaan penggunaan diantara keduanya:

  1. Alpha (α):

Alpha adalah tingkat signifikansi yang menunjukkan probabilitas terjadinya kesalahan tipe I, yaitu kesalahan menolak hipotesis nol \((H_0)\) ketika sebenarnya \(H_0\) itu benar.Dengan ini memberikan peluang kita salah dalam menyimpulkan bahwa ada efek atau perbedaan yang signifikan.

  • Interpretasi: Jika α ditetapkan sebesar 0,05, ini berarti peneliti bersedia untuk menerima risiko 5% melakukan kesalahan tipe I. Dalam konteks pengujian, jika nilai p yang dihasilkan dari analisis statistik lebih kecil dari α, maka \(H_0\) akan ditolak
  1. Beta (β):

Beta adalah probabilitas terjadinya kesalahan tipe II, yaitu kesalahan tidak menolak \(H_0\) ketika \(H_0\) sebenarnya salah. Ini mencerminkan bahwa peluang kita gagal mendeteksi efek atau perbedaan yang benar-benar ada.

  • Interpretasi: Jika β ditetapkan pada suatu nilai tertentu, maka 1 - β disebut sebagai kekuatan uji (power), yang menunjukkan kemampuan uji untuk mendeteksi perbedaan yang ada. Misalkan, jika β = 0,2, maka power dari uji tersebut adalah 80%, dalam artian ada 80% kemungkinan untuk benar-benar menolak \(H_0\) jika \(H_0\) itu salah
  1. Contoh dari penggunaan Alpha (α) dan Beta (β) :

Misalkan kita memiliki skenario di mana seorang peneliti sedang menguji efektivitas obat baru menggunakan metode statistik. Peneliti memilih tingkat signifikansi alpha (α) sebanyak 0,05 dan melakukan analisis data. Hasilnya menunjukkan nilai probabilitas p sebesar 0,03. Dalam hal ini, karena nilai p < α, hipotesis nol (H₀) akan ditolak. Sehingga, peneliti dapat menyimpulkan bahwa obat tersebut efektif.

Namun, apabila obat sebenarnya tidak efektif namun masih menolak H₀ karena salah satu alasan di atas, maka ini merupakan kesalahan jenis pertama (Type I error).Di sisi lain, jika obat nyata-nyata efektif tapi tidak menolak H₀ karena nilai p>α misalnya, p=0,07. Maka ini merupakan kesalahan jenis kedua (Type II error).

  1. Kesimpulan:

Jadi, Perbedaan utama antara alpha (α) dan beta (β) terletak pada jenis kesalahan yang mereka lakukan dalam pengujian hipotesis. Alpha berfokus pada risiko menolak \(H_0\) yang benar, sedangkan beta sendiri berfokus pada risiko menerima \(H_0\) yang salah.

Aspek Alpha (α) Beta (β)
Definisi Tingkat signifikansi yang menunjukkan probabilitas kesalahan tipe I. Probabilitas terjadinya kesalahan tipe II.
Jenis Kesalahan Menolak hipotesis nol (H₀) ketika H₀ sebenarnya benar. Tidak menolak hipotesis nol (H₀) ketika H₀ sebenarnya salah.
Interpretasi Jika α = 0,05, risiko 5% melakukan kesalahan tipe I. Jika β = 0,2, kekuatan uji adalah 80% untuk mendeteksi efek yang ada.
Contoh Nilai p < α, H₀ ditolak, menyimpulkan ada efek signifikan. Nilai p > α, H₀ tidak ditolak, gagal mendeteksi efek yang ada.
Fokus Risiko menolak H₀ yang benar. Risiko menerima H₀ yang salah.

1.3 SOAL 3

Penggunaan Tipe I (Pesimis) dan Tipe II (Optimis) dalam Uji Hipotesis.Kesalahan tipe I dan tipe II ini masing-masing menggambarkan dua pendekatan yang berbeda dalam pengambilan suatu keputusan. dibawah ini penjelasan mengenai kapan kita akan menggunakan tipe I dan tipe II :

  1. Kesalahan Tipe I (α) - (Pesimis):

Dimana kesalahan tipe I ini terjadi ketika peneliti menolak hipotesis nol \((H_0)\) yang sebenarnya benar. Ini sering disebut juga sebagai “false positive.”. Tipe ini lebih umum atau lebih sering digunakan dalam situasi di mana konsekuensi dari menolak \(H_0\) yang benar dapat berakibat yang cukup serius.

  • Contoh:

Misalkan seorang peneliti melakukan eksperimen untuk menguji efek suatu pestisida terhadap hasil panen tanaman. Setelah analisis, peneliti ini menemukan bahwa penggunaan pestisida tersebut tampaknya dapat meningkatkan hasil panen. Namun, pada kenyataannya, pestisida tersebut tidak memiliki pengaruh sama sekali terhadap hasil panen. Dalam situasi ini, peneliti telah melakukan kesalahan tipe I, yaitu menolak hipotesis nol (yang menyatakan bahwa tidak ada pengaruh) meskipun hipotesis tersebut sebenarnya benar.

  1. Kesalahan Tipe II (β) - (Optimis):

Dimana Kesalahan tipe II terjadi ketika peneliti gagal menolak hipotesis nol yang sebenarnya salah. Ini sering disebut sebagai “false negative.”. Tipe ini lebih relevan dalam situasi di mana risiko dari tidak mendeteksi efek yang ada lebih besar dibandingkan dengan risiko menolak \(H_0\) yang benar.

  • Contoh:

Dalam sebuah penelitian yang mengeksplorasi pengaruh dosis urea terhadap pertumbuhan tanaman, seorang peneliti melakukan analisis untuk menentukan apakah terdapat efek yang signifikan dari pemberian urea tersebut. Setelah melakukan eksperimen, peneliti tidak menemukan bukti yang menunjukkan adanya pengaruh dosis urea terhadap pertumbuhan tanaman. Namun, kenyataannya, dosis urea tersebut sebenarnya memiliki efek positif yang signifikan. Dalam kasus ini, peneliti telah melakukan kesalahan tipe II, yaitu gagal menolak hipotesis nol (yang menyatakan bahwa tidak ada pengaruh) meskipun hipotesis tersebut sebenarnya salah.

  1. Kesimpulan:

Pemilihan antara menggunakan kesalahan tipe I atau tipe II ini bergantung pada konteks penelitian dan konsekuensi dari kesalahan tersebut. Peneliti harus mempertimbangkan risiko yang terkait dengan setiap jenis kesalahan saat merancang penelitian mereka. Dan penting bagi peneliti untuk menyeimbangkan tingkat signifikansi dan kekuatan statistik dalam desain penelitian mereka agar dapat meminimalkan dampak dari kedua jenis kesalahan ini.

Aspek Kesalahan Tipe I (α) - ( Pesimis ) Kesalahan Tipe II (β) - (Optimis)
Deskripsi Menolak hipotesis nol (H₀) yang sebenarnya benar. Gagal menolak hipotesis nol (H₀) yang sebenarnya salah.
Istilah Lain “False positive.” “False negative.”
Situasi Penggunaan Digunakan ketika konsekuensi dari menolak H₀ yang benar cukup serius. Digunakan ketika risiko tidak mendeteksi efek yang ada lebih besar dibandingkan menolak H₀ yang benar.
Risiko Memberikan informasi yang salah dan dapat menyebabkan tindakan yang tidak tepat. Kehilangan peluang untuk mendeteksi efek yang sebenarnya ada, menghambat kemajuan penelitian.
Pendekatan Penelitian Lebih berhati-hati dalam menolak hipotesis nol untuk menghindari kesalahan serius. Lebih optimis dalam mendeteksi efek, meskipun ada risiko kesalahan dalam tidak menolak hipotesis nol.
Contoh kasus Mengklaim pestisida meningkatkan hasil panen, padahal tidak ada pengaruh. Gagal mendeteksi efek positif dosis urea pada pertumbuhan tanaman, padahal sebenarnya ada.
---
title: "Tugas Pertemuan 14"
author: "Whirdyana Shalfa Ayubi"
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output: 
  rmdformats::readthedown:   # https://github.com/juba/rmdformats
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "C:/Users/SALFA/OneDrive/Documents/praktikum/style.css"
---

<img id="SHALFAA" src="C:/Users/SALFA/OneDrive/Documents/SHALFAA.jpg" alt="Logo" style="width:200px; display: block; margin: auto;">
---

# 1.1 SOAL 1 

1.**Statistika Deskriptif**

Statistika deskriptif tidak melakukan pengambilan kesimpulan untuk populasi secara umum. Fokusnya hanya pada deskripsi data yang telah dikumpulkan. Dengan itu, kesimpulan yang dibuat hanya berlaku untuk data itu sendiri, bukan untuk populasi yang lebih luas.

- **Seperti contoh:**

Misalkan seorang guru menghitung rata-rata nilai ujian dari 30 siswa di kelasnya dan mendapatkan hasil 75. Namun, hasil ini hanya mencerminkan kinerja siswa-siswa di kelas tersebut. Jadi, kesimpulan ini tidak bisa diterapkan untuk semua siswa di sekolah, karena mungkin ada perbedaan dalam cara mengajar atau tingkat kesulitan ujian di kelas lain. 

2. **Statistika Inferensial**

Statistika inferensial melakukan pengambilan kesimpulan berdasarkan sampel untuk memprediksi karakteristik populasi secara keseluruhan. Pendekatan ini menggunakan probabilitas untuk membuat estimasi atau menguji hipotesis.

- **Seperti contoh:**

Jika ingin mendapatkan gambaran mengenai suatu rata-rata nilai ujian semua siswa di sekolah, maka bisa memilih 30 siswa sebagai sampel. Setelah menghitung rata-rata nilai dari kelompok tersebut,kita dapat memperluas kesimpulan ini untuk mencakup keseluruhan populasi siswa. Namun, penting juga untuk mempertimbangkan adanya kemungkinan kesalahan atau ketidakpastian dalam estimasi tersebut. 

3. **Kesimpulan:**

Maka perbedaan antara Statistika deskriptif dan Statistika inferensial dalam pengambilan keputusan yakni,  Statistika deskriptif hanya memberikan informasi tentang data yang ada tanpa melibatkan prediksi atau generalisasi dan sangat terbatas pada data yang dimiliki. Sedangkan, Statistika inferensial mengambil data sampel dan menggunakan metode probabilitas dahulu untuk mengambil kesimpulan tentang populasi dan melibatkan generalisasi ke populasi yang lebih luas.

| Aspek   | Statistika Deskriptif | Statistika Inferensial| 
|------------|----------|---------|
| Definisi   | Deskripsi dan ringkasan data yang dikumpulkan.      | Pengambilan kesimpulan tentang populasi berdasarkan sampel.    | 
| Tujuan       | Menyajikan informasi tentang data yang ada.  | Memprediksi karakteristik populasi secara keseluruhan.   |
| Keterbatasan | Hanya berlaku untuk data yang dianalisis.  |Dapat diterapkan pada populasi yang lebih luas dengan estimasi.     |
| Metode     | Menggunakan ukuran seperti rata-rata, median, modus.    |  Menggunakan probabilitas untuk estimasi dan pengujian hipotesis.     |
| Contoh        | Rata-rata nilai ujian 30 siswa di kelas tertentu.       |  Mengambil sampel 30 siswa dari seluruh sekolah untuk estimasi rata-rata nilai.    |
| Kesalahan | Tidak ada kesalahan sampling karena hanya menggunakan data yang ada. | Mempertimbangkan kemungkinan kesalahan atau ketidakpastian dalam estimasi. |


# 1.1 SOAL 2

Dalam statistika, ketika kita akan  melakukan uji hipotesis,maka kita sering mendengar istilah alpha (α) dan beta (β) yang merujuk pada dua jenis kesalahan yang dapat terjadi dalam pengambilan keputusan. Berikut adalah penjelasan mengenai perbedaan penggunaan diantara keduanya:

1. **Alpha (α):**

Alpha adalah tingkat signifikansi yang menunjukkan probabilitas terjadinya kesalahan tipe I, yaitu kesalahan menolak hipotesis nol $(H_0)$ ketika sebenarnya $H_0$ itu benar.Dengan ini memberikan peluang kita salah dalam menyimpulkan bahwa ada efek atau perbedaan yang signifikan.
 
- **Interpretasi:** Jika α ditetapkan sebesar 0,05, ini berarti peneliti bersedia untuk menerima risiko 5% melakukan kesalahan tipe I. Dalam konteks pengujian, jika nilai p yang dihasilkan dari analisis statistik lebih kecil dari α, maka $H_0$ akan ditolak


2. **Beta (β):**

Beta adalah probabilitas terjadinya kesalahan tipe II, yaitu kesalahan tidak menolak $H_0$ ketika $H_0$ sebenarnya salah. Ini mencerminkan bahwa peluang kita gagal mendeteksi efek atau perbedaan yang benar-benar ada.

- **Interpretasi:** Jika β ditetapkan pada suatu nilai tertentu, maka 1 - β disebut sebagai kekuatan uji (power), yang menunjukkan kemampuan uji untuk mendeteksi perbedaan yang ada. Misalkan, jika β = 0,2, maka power dari uji tersebut adalah 80%, dalam artian ada 80% kemungkinan untuk benar-benar menolak $H_0$ jika $H_0$ itu salah

3. **Contoh dari penggunaan Alpha (α) dan Beta (β) :**

Misalkan kita memiliki skenario di mana seorang peneliti sedang menguji efektivitas obat baru menggunakan metode statistik. Peneliti memilih tingkat signifikansi alpha (α) sebanyak 0,05 dan melakukan analisis data. Hasilnya menunjukkan nilai probabilitas p sebesar 0,03. Dalam hal ini, karena nilai p < α, hipotesis nol (H₀) akan ditolak. Sehingga, peneliti dapat menyimpulkan bahwa obat tersebut efektif.

Namun, apabila obat sebenarnya tidak efektif namun masih menolak H₀ karena salah satu alasan di atas, maka ini merupakan kesalahan jenis pertama (Type I error).Di sisi lain, jika obat nyata-nyata efektif tapi tidak menolak H₀ karena nilai p>α misalnya, p=0,07. Maka ini merupakan kesalahan jenis kedua (Type II error).

4. **Kesimpulan:**

Jadi, Perbedaan utama antara alpha (α) dan beta (β) terletak pada jenis kesalahan yang mereka lakukan dalam pengujian hipotesis. Alpha berfokus pada risiko menolak $H_0$ yang benar, sedangkan beta sendiri berfokus pada risiko menerima $H_0$ yang salah.

| Aspek  | Alpha (α) | Beta (β)| 
|------------|----------|---------|
| Definisi   | Tingkat signifikansi yang menunjukkan probabilitas kesalahan tipe I.       |  Probabilitas terjadinya kesalahan tipe II.    | 
|Jenis Kesalahan | Menolak hipotesis nol (H₀) ketika H₀ sebenarnya benar.   | Tidak menolak hipotesis nol (H₀) ketika H₀ sebenarnya salah.     | 
| Interpretasi  | Jika α = 0,05, risiko 5% melakukan kesalahan tipe I.       |  Jika β = 0,2, kekuatan uji adalah 80% untuk mendeteksi efek yang ada.     |
| Contoh         | Nilai p < α, H₀ ditolak, menyimpulkan ada efek signifikan.      |  Nilai p > α, H₀ tidak ditolak, gagal mendeteksi efek yang ada.     | 
| Fokus         | Risiko menolak H₀ yang benar.       |  Risiko menerima H₀ yang salah.    | 


# 1.3 SOAL 3 

Penggunaan Tipe I (Pesimis) dan Tipe II (Optimis) dalam Uji Hipotesis.Kesalahan tipe I dan tipe II ini  masing-masing menggambarkan dua pendekatan yang berbeda dalam pengambilan suatu keputusan. dibawah ini  penjelasan mengenai kapan kita akan menggunakan tipe I dan tipe II : 

1. **Kesalahan Tipe I (α) - (Pesimis):**

Dimana kesalahan tipe I ini terjadi ketika peneliti menolak hipotesis nol $(H_0)$ yang sebenarnya benar. Ini sering disebut juga sebagai "false positive.". Tipe ini lebih umum atau lebih sering digunakan dalam situasi di mana konsekuensi dari menolak $H_0$ yang benar dapat berakibat yang cukup serius.

- **Contoh:** 

Misalkan seorang peneliti melakukan eksperimen untuk menguji efek suatu pestisida terhadap hasil panen tanaman. Setelah analisis, peneliti ini menemukan bahwa penggunaan pestisida tersebut tampaknya dapat meningkatkan hasil panen. Namun, pada kenyataannya, pestisida tersebut tidak memiliki pengaruh sama sekali terhadap hasil panen. Dalam situasi ini, peneliti telah melakukan kesalahan tipe I, yaitu menolak hipotesis nol (yang menyatakan bahwa tidak ada pengaruh) meskipun hipotesis tersebut sebenarnya benar. 


2. **Kesalahan Tipe II (β) - (Optimis):**

Dimana Kesalahan tipe II terjadi ketika peneliti gagal menolak hipotesis nol yang sebenarnya salah. Ini sering disebut sebagai "false negative.". Tipe ini lebih relevan dalam situasi di mana risiko dari tidak mendeteksi efek yang ada lebih besar dibandingkan dengan risiko menolak $H_0$ yang benar.

- **Contoh:**

Dalam sebuah penelitian yang mengeksplorasi pengaruh dosis urea terhadap pertumbuhan tanaman, seorang peneliti melakukan analisis untuk menentukan apakah terdapat efek yang signifikan dari pemberian urea tersebut. Setelah melakukan eksperimen, peneliti tidak menemukan bukti yang menunjukkan adanya pengaruh dosis urea terhadap pertumbuhan tanaman. Namun, kenyataannya, dosis urea tersebut sebenarnya memiliki efek positif yang signifikan. Dalam kasus ini, peneliti telah melakukan kesalahan tipe II, yaitu gagal menolak hipotesis nol (yang menyatakan bahwa tidak ada pengaruh) meskipun hipotesis tersebut sebenarnya salah. 

3. **Kesimpulan:**

Pemilihan antara menggunakan kesalahan tipe I atau tipe II ini bergantung pada konteks penelitian dan konsekuensi dari kesalahan tersebut. Peneliti harus mempertimbangkan risiko yang terkait dengan setiap jenis kesalahan saat merancang penelitian mereka. Dan penting bagi peneliti untuk menyeimbangkan tingkat signifikansi dan kekuatan statistik dalam desain penelitian mereka agar dapat meminimalkan dampak dari kedua jenis kesalahan ini.

| Aspek   | Kesalahan Tipe I (α) - ( Pesimis )| Kesalahan Tipe II (β) - (Optimis) | 
|------------|----------|---------|
| Deskripsi         | Menolak hipotesis nol (H₀) yang sebenarnya benar.       | Gagal menolak hipotesis nol (H₀) yang sebenarnya salah.     |
| Istilah Lain         | "False positive."       |  "False negative."     | 
| Situasi Penggunaan         | Digunakan ketika konsekuensi dari menolak H₀ yang benar cukup serius.      |  Digunakan ketika risiko tidak mendeteksi efek yang ada lebih besar dibandingkan menolak H₀ yang benar.     |
| Risiko         | Memberikan informasi yang salah dan dapat menyebabkan tindakan yang tidak tepat.      |  Kehilangan peluang untuk mendeteksi efek yang sebenarnya ada, menghambat kemajuan penelitian.     |
| Pendekatan Penelitian         | Lebih berhati-hati dalam menolak hipotesis nol untuk menghindari kesalahan serius.      |  Lebih optimis dalam mendeteksi efek, meskipun ada risiko kesalahan dalam tidak menolak hipotesis nol.     | 
| Contoh kasus | Mengklaim pestisida meningkatkan hasil panen, padahal tidak ada pengaruh.| Gagal mendeteksi efek positif dosis urea pada pertumbuhan tanaman, padahal sebenarnya ada. | 


# 1.4 REFERENSI

1. <a href="https://m.kumparan.com/kabar-harian/inilah-perbedaan-statistika-deskriptif-dan-statistika-inferensial-1yPTgzFZLud?utm_source">https://m.kumparan.com/kabar-harian/inilah-perbedaan-statistika-deskriptif-dan-statistika-inferensial-1yPTgzFZLud?utm_source</a>

2. <a href="https://hmpsstatistikafmipaunm.com/2021/05/31/mengenal-statistik-deskriptif-dan-statistik-inferensial-serta-penerapannya-dalam-penelitian/?utm_source">https://hmpsstatistikafmipaunm.com/2021/05/31/mengenal-statistik-deskriptif-dan-statistik-inferensial-serta-penerapannya-dalam-penelitian/?utm_source</a>

3. <a href="https://repository.maranatha.edu/1819/1/Bab%2014_Uji%20Hipotesis.pdf">https://repository.maranatha.edu/1819/1/Bab%2014_Uji%20Hipotesis.pdf</a>

4. <a href="https://www.valensikautsar.com/artikel/statistika/error-tipe-i-dan-tipe-2">https://www.valensikautsar.com/artikel/statistika/error-tipe-i-dan-tipe-2</a>


