Tugas Uji Hipotesis

BAB 8 Pengujian Hipotesis

Logo

1 Perbedaan pengambilan kesimpulan dari statistika deskriptif dengan statistika inferensial

1.1 Statistika Deskriptif

Definisi: Statistika deskriptif adalah metode yang digunakan untuk menggambarkan, merangkum, dan menyajikan data dalam bentuk tabel, grafik, atau ukuran ringkasan (seperti rata-rata, median, modus, atau standar deviasi).
Tujuan: Menyajikan informasi tentang data yang ada (populasi atau sampel) tanpa membuat generalisasi atau prediksi.
Pengambilan Kesimpulan: Kesimpulan hanya berlaku untuk data yang dianalisis. Tidak ada generalisasi terhadap populasi yang lebih besar.
- Contoh: “Rata-rata nilai ujian siswa di kelas ini adalah 85.”
Metode:
- Penyajian data melalui grafik (diagram batang, histogram, pie chart, dsb.).
- Perhitungan ukuran statistik seperti mean, median, modus, varians, standar deviasi, dsb.

1.2 Statistika Inferensial

Definisi: Statistika inferensial adalah metode yang digunakan untuk membuat generalisasi, prediksi, atau kesimpulan tentang populasi berdasarkan data dari sampel.
Tujuan: Membuat inferensi atau keputusan tentang karakteristik populasi melalui analisis sampel.
Pengambilan Kesimpulan: Kesimpulan bersifat generalisasi dengan tingkat ketidakpastian tertentu, sering dinyatakan dalam bentuk interval kepercayaan atau pengujian hipotesis.
- Contoh: “Dengan tingkat kepercayaan 95%, rata-rata nilai ujian siswa di sekolah ini adalah antara 80 dan 90.”
Metode:
- Pengujian hipotesis (uji t, uji chi-square, uji ANOVA, dsb.).
- Estimasi parameter populasi menggunakan sampel.
- Analisis regresi dan prediksi.

1.3 Perbedaan Utama

Aspek	Statistika Deskriptif	Statistika Inferensial
Fokus	Data yang ada (populasi/sampel)	Generalisasi terhadap populasi
Hasil Kesimpulan	Berlaku hanya untuk data yang dianalisis	Berlaku untuk populasi dengan tingkat keyakinan tertentu
Metode	Penyajian dan peringkasan data	Analisis dan pengambilan keputusan

1.4 Kesimpulan

Statistika deskriptif dan statistika inferensial memiliki perbedaan mendasar dalam tujuan dan pendekatannya terhadap data. Statistika deskriptif fokus pada penyajian dan peringkasan data yang ada melalui tabel, grafik, dan ukuran ringkasan seperti rata-rata atau standar deviasi, tanpa membuat generalisasi lebih lanjut. Sebaliknya, statistika inferensial bertujuan untuk membuat kesimpulan, prediksi, atau generalisasi tentang populasi berdasarkan analisis data sampel, sering kali menggunakan metode seperti pengujian hipotesis atau estimasi parameter dengan tingkat keyakinan tertentu. Dengan demikian, statistika deskriptif membantu memahami data yang ada, sementara statistika inferensial memberikan kemampuan untuk mengambil keputusan atau memprediksi berdasarkan data tersebut. Dengan kata lain, statistika deskriptif menggambarkan data, sementara statistika inferensial membuat prediksi atau kesimpulan berdasarkan data.

2 Perbedaan \(\alpha\) dengan \(\beta\) pada uji hipotesis Type I Error dan Type II Error

2.1 Type I Error (Kesalahan Tipe I)

Definisi: Kesalahan yang terjadi ketika hipotesis nol (\(H_0\)) ditolak padahal benar.
Simbol: Dilambangkan dengan \(\alpha\).
Makna \(\alpha\): Probabilitas atau tingkat signifikan (significance level) yang ditetapkan peneliti untuk menerima risiko membuat Type I Error.
Contoh: Menyimpulkan bahwa obat baru efektif (menolak \(H_0\)), padahal sebenarnya obat tersebut tidak efektif.
Dampak: Memberikan kesimpulan yang salah bahwa ada efek atau hubungan yang tidak ada (false positive).

2.2 Type II Error (Kesalahan Tipe II)

Definisi: Kesalahan yang terjadi ketika hipotesis nol (\(H_0\)) gagal ditolak padahal salah.
Simbol: Dilambangkan dengan \(\beta\).
Makna \(\beta\): Probabilitas membuat Type II Error, yaitu gagal mendeteksi efek atau hubungan yang sebenarnya ada.
Contoh: Menyimpulkan bahwa obat baru tidak efektif (gagal menolak \(H_0\)), padahal sebenarnya obat tersebut efektif.
Dampak: Gagal mendeteksi temuan penting atau efek yang nyata (false negative).

2.3 Perbedaan Utama \(\alpha\) dan \(\beta\)

Aspek	Type I Error (\(\alpha\))	Type II Error (\(\beta\))
Definisi Kesalahan	Menolak \(H_0\) yang benar	Gagal menolak \(H_0\) yang salah
Simbol	\(\alpha\)	\(\beta\)
Konsekuensi	False positive (positif palsu)	False negative (negatif palsu)
Hubungan dengan Power (\(1-\beta\))	Tidak berpengaruh langsung pada power	Berhubungan langsung, yaitu power = \(1 - \beta\)
Penetapan Nilai	Ditentukan sebelum analisis (\(\alpha = 0.05\), misalnya)	Bergantung pada desain penelitian dan ukuran sampel

2.4 Kesimpulan

\(\alpha\) terkait dengan tingkat signifikan yang menunjukkan seberapa besar peneliti siap menerima risiko menolak hipotesis nol yang benar.
\(\beta\) berhubungan dengan probabilitas gagal mendeteksi efek yang ada, yang berbanding terbalik dengan power uji (\(1-\beta\)).

3 Penggunaan konsep optimis dan pesimis pada Type I Error dan Type II Error

3.1 Type I Error (\(\alpha\)) - Kesalahan Tipe I

Menolak hipotesis nol (\(H_0\)) yang sebenarnya benar.

Pendekatan Optimis:
- Asumsi: Situasi yang dihipotesiskan dalam \(H_0\) tidak benar, sehingga menolak \(H_0\) adalah tindakan yang benar.
- Digunakan ketika:
  - Peneliti lebih fokus pada mendeteksi adanya efek atau perbedaan, meskipun berisiko membuat kesimpulan salah (false positive).
  - Situasi di mana konsekuensi dari kesalahan Tipe I tidak terlalu serius dibandingkan gagal mendeteksi efek penting.
  - Contoh: Dalam uji klinis obat baru, asumsi optimis adalah bahwa obat memiliki efek, sehingga lebih berisiko membuat kesalahan Tipe I.
Pendekatan Pesimis:
- Asumsi: Menolak \(H_0\) yang benar adalah kesalahan serius.
- Digunakan ketika:
  - Menghindari kesalahan Tipe I sangat penting, seperti dalam pengujian keamanan produk atau penelitian yang sangat sensitif terhadap klaim palsu.
  - Contoh: Dalam pengujian keamanan teknologi baru, kesalahan menolak \(H_0\) yang benar (yaitu teknologi sebenarnya aman) dapat menyebabkan ketidakpercayaan masyarakat.

3.2 2. Type II Error (\(\beta\)) - Kesalahan Tipe II

Gagal menolak hipotesis nol (\(H_0\)) yang sebenarnya salah.

Pendekatan Optimis:
- Asumsi: Kesalahan gagal mendeteksi efek yang ada (false negative) tidak kritis atau dapat ditoleransi.
- Digunakan ketika:
  - Fokus lebih pada menghindari kesalahan Tipe I meskipun meningkatkan risiko kesalahan Tipe II.
  - Situasi di mana pengambilan keputusan konservatif lebih diutamakan.
  - Contoh: Dalam penelitian fundamental, peneliti mungkin lebih memilih menghindari klaim yang salah meskipun melewatkan beberapa temuan penting.
Pendekatan Pesimis:
- Asumsi: Gagal mendeteksi efek atau perbedaan yang sebenarnya ada adalah kerugian besar.
- Digunakan ketika:
  - Meminimalkan kesalahan Tipe II sangat penting, seperti dalam kasus di mana mendeteksi perubahan atau efek sangat berharga.
  - Contoh: Dalam diagnostik medis untuk penyakit serius, kegagalan mendeteksi penyakit yang ada (false negative) dapat memiliki konsekuensi fatal.

3.3 Penggunaan dalam Penelitian

Aspek	Optimis	Pesimis
Type I Error	Menoleransi kesalahan Tipe I untuk mendeteksi lebih banyak efek atau perbedaan.	Sangat menghindari kesalahan Tipe I, terutama jika klaim salah dapat merugikan.
Type II Error	Menoleransi kesalahan Tipe II untuk menghindari klaim yang salah.	Meminimalkan kesalahan Tipe II untuk mendeteksi efek atau perbedaan penting.

3.4 Kesimpulan

Optimis pada Type I Error: Fokus pada mendeteksi efek meskipun berisiko false positive.
Pesimis pada Type I Error: Menghindari false positive, bahkan jika itu meningkatkan false negative.
Optimis pada Type II Error: Fokus pada menjaga validitas hasil meskipun berisiko melewatkan efek nyata.
Pesimis pada Type II Error: Menghindari false negative untuk memastikan deteksi semua efek penting.

4 Referensi

https://kumparan.com/kabar-harian/inilah-perbedaan-statistika-deskriptif-dan-statistika-inferensial-1yPTgzFZLud

https://algorit.ma/blog/statistika-deskriptif-inferensial

https://www.kompasiana.com/jokoade/54f67e08a3331191178b4be1/statistika-mengenal-alpha-dan-beta-dalam-memutuskan-perkara

https://www.scribbr.com/statistics/type-i-and-type-ii-errors/

https://www.mytutor.co.uk/answers/32290/A-Level/Psychology/Define-the-difference-between-a-Type-1-and-Type-2-error/

---
title: "Tugas Uji Hipotesis"
subtitle: "BAB 8 Pengujian Hipotesis"
author: 
  - "Isnaini Nur Hasanah (52240005)"
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
    number_sections: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"
    code_download: yes
    css: "style (1).css"
---

<img id="Isna" src="C:\Users\ASUS\Desktop\Statistika Dasar\Isna.png" alt="Logo" style="width:200px; display: block; margin: auto;">


# Perbedaan pengambilan kesimpulan dari statistika deskriptif dengan statistika inferensial


## **Statistika Deskriptif**
   - **Definisi**: Statistika deskriptif adalah metode yang digunakan untuk menggambarkan, merangkum, dan menyajikan data dalam bentuk tabel, grafik, atau ukuran ringkasan (seperti rata-rata, median, modus, atau standar deviasi).
   - **Tujuan**: Menyajikan informasi tentang data yang ada (populasi atau sampel) tanpa membuat generalisasi atau prediksi.
   - **Pengambilan Kesimpulan**: Kesimpulan hanya berlaku untuk data yang dianalisis. Tidak ada generalisasi terhadap populasi yang lebih besar.
     - Contoh: "Rata-rata nilai ujian siswa di kelas ini adalah 85."
   - **Metode**: 
     - Penyajian data melalui grafik (diagram batang, histogram, pie chart, dsb.).
     - Perhitungan ukuran statistik seperti mean, median, modus, varians, standar deviasi, dsb.

## **Statistika Inferensial**
   - **Definisi**: Statistika inferensial adalah metode yang digunakan untuk membuat generalisasi, prediksi, atau kesimpulan tentang populasi berdasarkan data dari sampel.
   - **Tujuan**: Membuat inferensi atau keputusan tentang karakteristik populasi melalui analisis sampel.
   - **Pengambilan Kesimpulan**: Kesimpulan bersifat generalisasi dengan tingkat ketidakpastian tertentu, sering dinyatakan dalam bentuk interval kepercayaan atau pengujian hipotesis.
     - Contoh: "Dengan tingkat kepercayaan 95%, rata-rata nilai ujian siswa di sekolah ini adalah antara 80 dan 90."
   - **Metode**:
     - Pengujian hipotesis (uji t, uji chi-square, uji ANOVA, dsb.).
     - Estimasi parameter populasi menggunakan sampel.
     - Analisis regresi dan prediksi.

## **Perbedaan Utama**
| Aspek                 | Statistika Deskriptif                         | Statistika Inferensial                        |
|-----------------------|-----------------------------------------------|-----------------------------------------------|
| **Fokus**             | Data yang ada (populasi/sampel)              | Generalisasi terhadap populasi                |
| **Hasil Kesimpulan**  | Berlaku hanya untuk data yang dianalisis     | Berlaku untuk populasi dengan tingkat keyakinan tertentu |
| **Metode**            | Penyajian dan peringkasan data               | Analisis dan pengambilan keputusan            |

## **Kesimpulan**

Statistika deskriptif dan statistika inferensial memiliki perbedaan mendasar dalam tujuan dan pendekatannya terhadap data. Statistika deskriptif fokus pada penyajian dan peringkasan data yang ada melalui tabel, grafik, dan ukuran ringkasan seperti rata-rata atau standar deviasi, tanpa membuat generalisasi lebih lanjut. Sebaliknya, statistika inferensial bertujuan untuk membuat kesimpulan, prediksi, atau generalisasi tentang populasi berdasarkan analisis data sampel, sering kali menggunakan metode seperti pengujian hipotesis atau estimasi parameter dengan tingkat keyakinan tertentu. Dengan demikian, statistika deskriptif membantu memahami data yang ada, sementara statistika inferensial memberikan kemampuan untuk mengambil keputusan atau memprediksi berdasarkan data tersebut. Dengan kata lain, statistika deskriptif menggambarkan data, sementara statistika inferensial membuat prediksi atau kesimpulan berdasarkan data.



# Perbedaan \(\alpha\) dengan \(\beta\) pada uji hipotesis Type I Error dan Type II Error

## **Type I Error (Kesalahan Tipe I)**
- **Definisi**: Kesalahan yang terjadi ketika **hipotesis nol (\(H_0\)) ditolak padahal benar**.
- **Simbol**: Dilambangkan dengan **\(\alpha\)**.
- **Makna \(\alpha\)**: Probabilitas atau tingkat signifikan (significance level) yang ditetapkan peneliti untuk menerima risiko membuat Type I Error.
- **Contoh**: Menyimpulkan bahwa obat baru efektif (menolak \(H_0\)), padahal sebenarnya obat tersebut tidak efektif.
- **Dampak**: Memberikan kesimpulan yang salah bahwa ada efek atau hubungan yang tidak ada (false positive).

## **Type II Error (Kesalahan Tipe II)**
- **Definisi**: Kesalahan yang terjadi ketika **hipotesis nol (\(H_0\)) gagal ditolak padahal salah**.
- **Simbol**: Dilambangkan dengan **\(\beta\)**.
- **Makna \(\beta\)**: Probabilitas membuat Type II Error, yaitu gagal mendeteksi efek atau hubungan yang sebenarnya ada.
- **Contoh**: Menyimpulkan bahwa obat baru tidak efektif (gagal menolak \(H_0\)), padahal sebenarnya obat tersebut efektif.
- **Dampak**: Gagal mendeteksi temuan penting atau efek yang nyata (false negative).

## **Perbedaan Utama \(\alpha\) dan \(\beta\)**
| Aspek                  | **Type I Error (\(\alpha\))**                                  | **Type II Error (\(\beta\))**                                |
|------------------------|---------------------------------------------------------------|-------------------------------------------------------------|
| **Definisi Kesalahan** | Menolak \(H_0\) yang benar                                    | Gagal menolak \(H_0\) yang salah                           |
| **Simbol**             | \(\alpha\)                                                   | \(\beta\)                                                  |
| **Konsekuensi**        | False positive (positif palsu)                                | False negative (negatif palsu)                             |
| **Hubungan dengan Power (\(1-\beta\))** | Tidak berpengaruh langsung pada power                       | Berhubungan langsung, yaitu power = \(1 - \beta\)          |
| **Penetapan Nilai**    | Ditentukan sebelum analisis (\(\alpha = 0.05\), misalnya)     | Bergantung pada desain penelitian dan ukuran sampel         |

## **Kesimpulan**
- **\(\alpha\)** terkait dengan tingkat signifikan yang menunjukkan seberapa besar peneliti siap menerima risiko menolak hipotesis nol yang benar.
- **\(\beta\)** berhubungan dengan probabilitas gagal mendeteksi efek yang ada, yang berbanding terbalik dengan power uji (\(1-\beta\)). 


# Penggunaan konsep optimis dan pesimis pada Type I Error dan Type II Error

## **Type I Error (\(\alpha\)) - Kesalahan Tipe I**  
**Menolak hipotesis nol (\(H_0\)) yang sebenarnya benar.**  

- **Pendekatan Optimis**:  
  - Asumsi: Situasi yang dihipotesiskan dalam \(H_0\) tidak benar, sehingga menolak \(H_0\) adalah tindakan yang benar.  
  - Digunakan ketika:  
    - Peneliti lebih fokus pada mendeteksi adanya efek atau perbedaan, meskipun berisiko membuat kesimpulan salah (false positive).  
    - Situasi di mana **konsekuensi dari kesalahan Tipe I tidak terlalu serius** dibandingkan gagal mendeteksi efek penting.  
    - Contoh: Dalam uji klinis obat baru, asumsi optimis adalah bahwa obat memiliki efek, sehingga lebih berisiko membuat kesalahan Tipe I.  

- **Pendekatan Pesimis**:  
  - Asumsi: Menolak \(H_0\) yang benar adalah kesalahan serius.  
  - Digunakan ketika:  
    - Menghindari kesalahan Tipe I sangat penting, seperti dalam pengujian keamanan produk atau penelitian yang sangat sensitif terhadap klaim palsu.  
    - Contoh: Dalam pengujian keamanan teknologi baru, kesalahan menolak \(H_0\) yang benar (yaitu teknologi sebenarnya aman) dapat menyebabkan ketidakpercayaan masyarakat.  

## **2. Type II Error (\(\beta\)) - Kesalahan Tipe II**  
**Gagal menolak hipotesis nol (\(H_0\)) yang sebenarnya salah.**  

- **Pendekatan Optimis**:  
  - Asumsi: Kesalahan gagal mendeteksi efek yang ada (false negative) tidak kritis atau dapat ditoleransi.  
  - Digunakan ketika:  
    - Fokus lebih pada menghindari kesalahan Tipe I meskipun meningkatkan risiko kesalahan Tipe II.  
    - Situasi di mana pengambilan keputusan konservatif lebih diutamakan.  
    - Contoh: Dalam penelitian fundamental, peneliti mungkin lebih memilih menghindari klaim yang salah meskipun melewatkan beberapa temuan penting.  

- **Pendekatan Pesimis**:  
  - Asumsi: Gagal mendeteksi efek atau perbedaan yang sebenarnya ada adalah kerugian besar.  
  - Digunakan ketika:  
    - Meminimalkan kesalahan Tipe II sangat penting, seperti dalam kasus di mana **mendeteksi perubahan atau efek sangat berharga**.  
    - Contoh: Dalam diagnostik medis untuk penyakit serius, kegagalan mendeteksi penyakit yang ada (false negative) dapat memiliki konsekuensi fatal.  
    
## **Penggunaan dalam Penelitian**
| **Aspek**           | **Optimis**                                                                 | **Pesimis**                                                                 |
|----------------------|-----------------------------------------------------------------------------|-----------------------------------------------------------------------------|
| **Type I Error**     | Menoleransi kesalahan Tipe I untuk mendeteksi lebih banyak efek atau perbedaan. | Sangat menghindari kesalahan Tipe I, terutama jika klaim salah dapat merugikan. |
| **Type II Error**    | Menoleransi kesalahan Tipe II untuk menghindari klaim yang salah.           | Meminimalkan kesalahan Tipe II untuk mendeteksi efek atau perbedaan penting. |

## **Kesimpulan**
- **Optimis** pada Type I Error: Fokus pada mendeteksi efek meskipun berisiko false positive.  
- **Pesimis** pada Type I Error: Menghindari false positive, bahkan jika itu meningkatkan false negative.  
- **Optimis** pada Type II Error: Fokus pada menjaga validitas hasil meskipun berisiko melewatkan efek nyata.  
- **Pesimis** pada Type II Error: Menghindari false negative untuk memastikan deteksi semua efek penting.  


# Referensi 

https://kumparan.com/kabar-harian/inilah-perbedaan-statistika-deskriptif-dan-statistika-inferensial-1yPTgzFZLud

https://algorit.ma/blog/statistika-deskriptif-inferensial

https://www.kompasiana.com/jokoade/54f67e08a3331191178b4be1/statistika-mengenal-alpha-dan-beta-dalam-memutuskan-perkara

https://www.scribbr.com/statistics/type-i-and-type-ii-errors/

https://www.mytutor.co.uk/answers/32290/A-Level/Psychology/Define-the-difference-between-a-Type-1-and-Type-2-error/

