TUGAS HIPOTESIS

Statistika Dasar

TUGAS 1 : JELASKAN MENGENAI PENGAMBILAN KESIMPULAN DESKRIPTIF DAN INFERENSIAL DALAM SEBUAH HIPOTESIS

1.1 Hipotesis Deskriptif

1.1.1 Pengertian

Hipotesis deskriptif adalah dugaan atau jawaban sementara terhadap masalah yang berhubungan dengan satu variabel tunggal. Hipotesis ini bertujuan untuk memberikan gambaran atau deskripsi mengenai fenomena yang diteliti tanpa membandingkan dengan variabel lain.

1.1.2 Contoh

Misalnya, seorang peneliti ingin mengetahui kualitas makanan di sebuah restoran. Hipotesis deskriptifnya dapat dirumuskan sebagai berikut:

  • H0: Kualitas makanan di restoran * Cukup baik.

  • H1: Kualitas makanan di restoran * Kurang baik.

1.1.3 Pengambilan Kesimpulan

Pengambilan kesimpulan dalam hipotesis deskriptif dilakukan dengan cara mengumpulkan data dari sampel yang representatif, kemudian menganalisis data tersebut untuk menentukan apakah data mendukung hipotesis nol (H0) atau hipotesis alternatif (H1). Jika hasil analisis menunjukkan bahwa data mendukung H0, maka peneliti dapat menyimpulkan bahwa kualitas makanan di restoran tersebut memang cukup baik.

1.2 Hipotesis Inferensial

1.2.1 Pengertian

Hipotesis inferensial adalah dugaan yang berkaitan dengan hubungan antara dua variabel atau lebih, yang bertujuan untuk menarik kesimpulan tentang populasi berdasarkan sampel data. Hipotesis ini sering digunakan dalam penelitian komparatif dan asosiatif.

1.2.2 Contoh

Contoh hipotesis inferensial adalah ketika peneliti ingin membandingkan tingkat kepuasan pelanggan antara dua restoran yang berbeda:

  • H0: Tidak ada perbedaan tingkat kepuasan pelanggan antara restoran A dan restoran B.

  • H1: Ada perbedaan tingkat kepuasan pelanggan antara restoran A dan restoran B.

1.2.3 Pengambilan Kesimpulan

Pengambilan kesimpulan dalam hipotesis inferensial melibatkan analisis statistik yang lebih kompleks, seperti uji t atau ANOVA, tergantung pada jumlah kelompok yang dibandingkan. Setelah melakukan analisis statistik, peneliti akan menentukan apakah H0 dapat ditolak atau diterima berdasarkan nilai p (p-value) yang diperoleh dari analisis tersebut. Jika p-value lebih kecil dari tingkat signifikansi (misalnya 0,05), maka H0 ditolak dan peneliti menyimpulkan bahwa terdapat perbedaan signifikan antara kelompok yang diteliti.

1.3 Perbandingan Antara Hipotesis Deskriptif dan Inferensial

Aspek Hipotesis.Deskriptif Hipotesis.Inferensial
Definisi Dugaan tentang satu variabel Dugaan tentang hubungan antar variabel
Tujuan Menyediakan gambaran fenomena Menarik kesimpulan tentang populasi
Pengujian Analisis sederhana Analisis statistik kompleks
Contoh Kualitas makanan di restoran Perbandingan kepuasan pelanggan
Kesimpulan Berdasarkan data sampel Berdasarkan uji statistik

1.4 Kesimpulan

Pengambilan kesimpulan dalam hipotesis deskriptif dan inferensial memiliki pendekatan yang berbeda sesuai dengan tujuan penelitian masing-masing. Hipotesis deskriptif lebih fokus pada penyediaan informasi mengenai satu variabel, sedangkan hipotesis inferensial berusaha menarik kesimpulan dari hubungan antar variabel. Memahami perbedaan ini penting bagi peneliti dalam merancang studi dan menganalisis data secara efektif.

TUGAS 2 : PERBEDAAN ALPHA & BETA YANG DIGUNAKAN DALAM UJI HIPOTESIS

2.1 Alfa (α)

2.1.1 Definisi

Alpha (α) adalah tingkat signifikansi yang ditetapkan oleh peneliti sebelum melakukan analisis data. Ini menunjukkan probabilitas kesalahan tipe I, yaitu kemungkinan menolak hipotesis nol (H0) padahal H0 sebenarnya benar. Dengan kata lain, α mengukur seberapa besar risiko yang diambil peneliti dalam menyimpulkan bahwa ada efek atau perbedaan yang signifikan ketika tidak ada.

2.1.2 Contoh

Misalkan seorang peneliti menetapkan α = 0,05. Ini berarti bahwa peneliti bersedia menerima risiko 5% untuk membuat kesalahan dengan menolak H0 yang benar. Jika hasil analisis menunjukkan nilai p (p-value) kurang dari 0,05, maka H0 akan ditolak, dan peneliti akan menyimpulkan bahwa terdapat perbedaan atau efek yang signifikan.

2.1.3 Penggunaan

Nilai α sering digunakan dalam berbagai bidang penelitian, seperti kesehatan, psikologi, dan ilmu sosial. Dalam konteks kesehatan masyarakat, misalnya, nilai α sebesar 0,05 sering digunakan untuk memastikan bahwa keputusan yang diambil tidak mengarah pada kesimpulan yang salah mengenai efektivitas suatu pengobatan atau intervensi.

2.2 Beta (β)

2.2.1 Definisi

Beta (β) adalah probabilitas terjadinya kesalahan tipe II, yaitu kemungkinan tidak menolak hipotesis nol (H0) ketika H0 sebenarnya salah. Dengan kata lain, β ukuran risiko bahwa peneliti gagal mendeteksi efek atau perbedaan yang benar-benar ada.

2.2.2 Contoh

Jika β = 0,20, maka ada kemungkinan 20% bahwa peneliti tidak akan menolak H0 meskipun ada perbedaan signifikan di populasi. Jika peneliti ingin meningkatkan kekuatan uji (power), mereka perlu mengurangi nilai β. Kekuatan uji didefinisikan sebagai 1 - β, yang menunjukkan probabilitas benar dalam menolak H0 ketika H0 salah.

2.2.3 Penggunaan

Beta sering kali menjadi perhatian dalam desain studi karena semakin rendah nilai β, semakin tinggi kekuatan uji. Penelitian dengan kekuatan uji tinggi lebih cenderung mendeteksi efek nyata jika memang ada. Dalam praktiknya, peneliti sering kali berusaha untuk menjaga keseimbangan antara α dan β untuk mendapatkan hasil yang valid dan dapat diandalkan.

2.3 Perbandingan Alpha dan Beta

Aspek Alpha..α. Beta..β.
Definisi Probabilitas kesalahan tipe I Probabilitas kesalahan tipe II
Makna Menolak H0 padahal H0 benar Tidak menolak H0 padahal H0 salah
Nilai Umum Sering ditetapkan pada 0,05 atau 0,01 Nilai bervariasi
Kekuatan Uji Dinyatakan sebagai 1 - β Dapat ditingkatkan dengan ukuran sampel yang lebih besar
Fokus Penelitian Menjamin tidak salah menyatakan adanya perbedaan Menjamin dapat mendeteksi perbedaan jika ada

2.4 Kesimpulan

Kesimpulan Perbedaan Alpha (α) dan Beta (β) dalam Uji Hipotesis

2.4.1 Definisi:

  • Alpha (α): Merupakan tingkat signifikansi yang menunjukkan probabilitas kesalahan tipe I, yaitu menolak hipotesis nol (H0) ketika H0 sebenarnya benar.

  • Beta (β): Merupakan probabilitas kesalahan tipe II, yaitu tidak menolak hipotesis nol (H0) ketika H0 sebenarnya salah.

2.4.2 Makna:

  • Alpha (α): Mengukur risiko sehingga peneliti menyimpulkan adanya efek atau perbedaan yang signifikan padahal tidak ada.

  • Beta (β): Mengukur risiko bahwa peneliti gagal mendeteksi efek atau perbedaan yang sebenarnya ada.

2.4.3 Nilai Umum:

  • Alpha (α): Sering ditetapkan pada nilai 0,05 atau 0,01 dalam penelitian.

  • Beta (β): Nilai β bervariasi tergantung pada desain penelitian, tetapi biasanya lebih tinggi dari α.

2.4.4 Kekuatan Uji:

  • Alpha (α): Dinyatakan sebagai tingkat signifikansi yang ditentukan sebelum analisis data.

  • Beta (β): Dapat ditingkatkan dengan meningkatkan ukuran sampel, sehingga meningkatkan kekuatan uji, yang didefinisikan sebagai 1 - β.

2.4.5 Fokus Penelitian:

  • Alpha (α): Menjamin bahwa peneliti tidak salah menyatakan adanya perbedaan padahal sebenarnya tidak ada.

  • Beta (β): Menjamin bahwa peneliti dapat mendeteksi perbedaan jika memang ada.

Dengan demikian, alpha dan beta merupakan dua aspek penting dalam pengujian hipotesis yang saling berhubungan dan harus dipertimbangkan secara cermat dalam desain penelitian untuk memastikan hasil yang valid dan dapat diandalkan.

TUGAS 3 : KAPAN PENGGUNAAN TIPE I DAN II DALAM HIPOTESIS

Dalam pengujian hipotesis, kesalahan tipe I (α) dan kesalahan tipe II (β) adalah dua konsep penting yang perlu dipahami untuk mengambil keputusan yang tepat berdasarkan data statistik. Berikut adalah penjelasan mengenai kapan dan bagaimana kedua tipe kesalahan ini digunakan dalam konteks penelitian.

3.1 Kesalahan Tipe I (α)

Definisi: Kesalahan tipe I terjadi ketika peneliti menolak hipotesis nol (H0) padahal H0 sebenarnya benar. Ini sering disebut sebagai “positif palsu”.

Kapan Digunakan:

  • Tingkat Signifikansi: Sebelum melakukan analisis, peneliti menetapkan tingkat signifikansi (α), yang biasanya diatur pada 0,05 atau 0,01. Ini menunjukkan bahwa peneliti bersedia menerima risiko 5% atau 1% untuk membuat kesalahan tipe I.

  • Contoh Penggunaan: Dalam penelitian medis, jika seorang peneliti menguji efektivitas obat baru dan menolak H0 yang menyatakan bahwa obat tersebut tidak lebih baik daripada plasebo, tetapi sebenarnya obat tersebut tidak memiliki efek, maka peneliti telah melakukan kesalahan tipe I.

3.2 Kesalahan Tipe II (β)

Definisi: Kesalahan tipe II terjadi ketika peneliti tidak menolak hipotesis nol (H0) padahal H0 sebenarnya salah. Ini sering disebut sebagai “negatif palsu”.

Kapan Digunakan:

  • Tingkat Kesalahan: Nilai β tidak ditentukan sebelumnya seperti α, tetapi dapat dipengaruhi oleh ukuran sampel, variabilitas data, dan kekuatan uji. Semakin kecil β, semakin besar kekuatan uji (1 - β).

  • Contoh Penggunaan: Dalam penelitian yang sama tentang efektivitas obat baru, jika peneliti gagal menolak H0 yang menyatakan bahwa obat tersebut tidak lebih baik daripada plasebo padahal sebenarnya obat tersebut efektif, maka peneliti telah melakukan kesalahan tipe II.

3.3 Perbandingan dan Keseimbangan

  • Keseimbangan antara α dan β: Peneliti harus mempertimbangkan keseimbangan antara risiko kedua jenis kesalahan ini. Mengurangi α (misalnya dengan menetapkan tingkat signifikansi yang lebih rendah) dapat meningkatkan β, karena lebih sulit untuk menolak H0. Sebaliknya, meningkatkan ukuran sampel dapat membantu mengurangi β tanpa mengubah α.

  • Dampak Kesalahan: Kesalahan tipe I sering dianggap lebih serius dalam banyak konteks, terutama dalam penelitian medis atau ilmiah di mana kesimpulan yang salah dapat menyebabkan konsekuensi serius. Namun, kesalahan tipe II juga penting untuk diperhatikan karena dapat menyebabkan hilangnya peluang untuk mendeteksi efek atau perbedaan yang signifikan.

3.4 Kesimpulan

Dalam pengujian hipotesis, penggunaan kesalahan tipe I dan II sangat penting untuk mengambil keputusan yang tepat. Peneliti harus menetapkan tingkat signifikansi (α) sebelum menganalisis dan memahami risiko kesalahan tipe II (β) yang terkait dengan desain penelitian mereka. Memahami kedua jenis kesalahan ini memungkinkan peneliti untuk merancang studi yang lebih baik dan membuat keputusan yang lebih akurat berdasarkan data yang diperoleh.

---
title: "TUGAS HIPOTESIS"
subtitle: "Statistika Dasar"
author: "Dadan Ramdan Hidayat (52240028)"
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: "style.css"
---

<img src="statistika.jpg" width="900" style="display: block; margin: auto;" alt="">




#  TUGAS 1 : JELASKAN MENGENAI PENGAMBILAN KESIMPULAN DESKRIPTIF DAN INFERENSIAL DALAM SEBUAH HIPOTESIS

## 1.1 Hipotesis Deskriptif

### 1.1.1 Pengertian

Hipotesis deskriptif adalah dugaan atau jawaban sementara terhadap masalah yang berhubungan dengan satu variabel tunggal. Hipotesis ini bertujuan untuk memberikan gambaran atau deskripsi mengenai fenomena yang diteliti tanpa membandingkan dengan variabel lain.

### 1.1.2 Contoh

Misalnya, seorang peneliti ingin mengetahui kualitas makanan di sebuah restoran. Hipotesis deskriptifnya dapat dirumuskan sebagai berikut:

- H0: Kualitas makanan di restoran * Cukup baik.

- H1: Kualitas makanan di restoran * Kurang baik.

### 1.1.3 Pengambilan Kesimpulan

Pengambilan kesimpulan dalam hipotesis deskriptif dilakukan dengan cara mengumpulkan data dari sampel yang representatif, kemudian menganalisis data tersebut untuk menentukan apakah data mendukung hipotesis nol (H0) atau hipotesis alternatif (H1). Jika hasil analisis menunjukkan bahwa data mendukung H0, maka peneliti dapat menyimpulkan bahwa kualitas makanan di restoran tersebut memang cukup baik.

## 1.2 Hipotesis Inferensial

### 1.2.1 Pengertian

Hipotesis inferensial adalah dugaan yang berkaitan dengan hubungan antara dua variabel atau lebih, yang bertujuan untuk menarik kesimpulan tentang populasi berdasarkan sampel data. Hipotesis ini sering digunakan dalam penelitian komparatif dan asosiatif.

### 1.2.2 Contoh

Contoh hipotesis inferensial adalah ketika peneliti ingin membandingkan tingkat kepuasan pelanggan antara dua restoran yang berbeda:

- H0: Tidak ada perbedaan tingkat kepuasan pelanggan antara restoran A dan restoran B.

- H1: Ada perbedaan tingkat kepuasan pelanggan antara restoran A dan restoran B.

### 1.2.3 Pengambilan Kesimpulan

Pengambilan kesimpulan dalam hipotesis inferensial melibatkan analisis statistik yang lebih kompleks, seperti uji t atau ANOVA, tergantung pada jumlah kelompok yang dibandingkan. Setelah melakukan analisis statistik, peneliti akan menentukan apakah H0 dapat ditolak atau diterima berdasarkan nilai p (p-value) yang diperoleh dari analisis tersebut. Jika p-value lebih kecil dari tingkat signifikansi (misalnya 0,05), maka H0 ditolak dan peneliti menyimpulkan bahwa terdapat perbedaan signifikan antara kelompok yang diteliti.

## 1.3 Perbandingan Antara Hipotesis Deskriptif dan Inferensial

```{r, massage=FALSE, echo=FALSE}
# Memuat dataset dari CSV
data <- read.csv("Aspek-HipotesisDeskriptif-HipotesisInferensial.csv", sep = ";")

# Menampilkan data awal dengan kable
library(knitr)  
kable(data)  # Menggunakan 'data' sebagai nama variabel
```

## 1.4 Kesimpulan

Pengambilan kesimpulan dalam hipotesis deskriptif dan inferensial memiliki pendekatan yang berbeda sesuai dengan tujuan penelitian masing-masing. Hipotesis deskriptif lebih fokus pada penyediaan informasi mengenai satu variabel, sedangkan hipotesis inferensial berusaha menarik kesimpulan dari hubungan antar variabel. Memahami perbedaan ini penting bagi peneliti dalam merancang studi dan menganalisis data secara efektif.


# TUGAS 2 : PERBEDAAN ALPHA & BETA YANG DIGUNAKAN DALAM UJI HIPOTESIS

## 2.1 Alfa (α)

### 2.1.1 Definisi

Alpha (α) adalah tingkat signifikansi yang ditetapkan oleh peneliti sebelum melakukan analisis data. Ini menunjukkan probabilitas kesalahan tipe I, yaitu kemungkinan menolak hipotesis nol (H0) padahal H0 sebenarnya benar. Dengan kata lain, α mengukur seberapa besar risiko yang diambil peneliti dalam menyimpulkan bahwa ada efek atau perbedaan yang signifikan ketika tidak ada.

### 2.1.2 Contoh

Misalkan seorang peneliti menetapkan α = 0,05. Ini berarti bahwa peneliti bersedia menerima risiko 5% untuk membuat kesalahan dengan menolak H0 yang benar. Jika hasil analisis menunjukkan nilai p (p-value) kurang dari 0,05, maka H0 akan ditolak, dan peneliti akan menyimpulkan bahwa terdapat perbedaan atau efek yang signifikan.

### 2.1.3 Penggunaan

Nilai α sering digunakan dalam berbagai bidang penelitian, seperti kesehatan, psikologi, dan ilmu sosial. Dalam konteks kesehatan masyarakat, misalnya, nilai α sebesar 0,05 sering digunakan untuk memastikan bahwa keputusan yang diambil tidak mengarah pada kesimpulan yang salah mengenai efektivitas suatu pengobatan atau intervensi.

## 2.2 Beta (β)

### 2.2.1 Definisi

Beta (β) adalah probabilitas terjadinya kesalahan tipe II, yaitu kemungkinan tidak menolak hipotesis nol (H0) ketika H0 sebenarnya salah. Dengan kata lain, β ukuran risiko bahwa peneliti gagal mendeteksi efek atau perbedaan yang benar-benar ada.

### 2.2.2 Contoh
Jika β = 0,20, maka ada kemungkinan 20% bahwa peneliti tidak akan menolak H0 meskipun ada perbedaan signifikan di populasi. Jika peneliti ingin meningkatkan kekuatan uji (power), mereka perlu mengurangi nilai β. Kekuatan uji didefinisikan sebagai 1 - β, yang menunjukkan probabilitas benar dalam menolak H0 ketika H0 salah.

### 2.2.3 Penggunaan

Beta sering kali menjadi perhatian dalam desain studi karena semakin rendah nilai β, semakin tinggi kekuatan uji. Penelitian dengan kekuatan uji tinggi lebih cenderung mendeteksi efek nyata jika memang ada. Dalam praktiknya, peneliti sering kali berusaha untuk menjaga keseimbangan antara α dan β untuk mendapatkan hasil yang valid dan dapat diandalkan.

## 2.3  Perbandingan Alpha dan Beta

```{r, massage=FALSE, echo=FALSE}
# Memuat dataset dari CSV
data <- read.csv("Aspek-Alpha-Beta.csv", sep = ";")

# Menampilkan data awal dengan kable
library(knitr)  
kable(data)  # Menggunakan 'data' sebagai nama variabel
```

## 2.4 Kesimpulan 

Kesimpulan Perbedaan Alpha (α) dan Beta (β) dalam Uji Hipotesis

#### 2.4.1 Definisi:

- Alpha (α): Merupakan tingkat signifikansi yang menunjukkan probabilitas kesalahan tipe I, yaitu menolak hipotesis nol (H0) ketika H0 sebenarnya benar.

- Beta (β): Merupakan probabilitas kesalahan tipe II, yaitu tidak menolak hipotesis nol (H0) ketika H0 sebenarnya salah.

#### 2.4.2 Makna:

- Alpha (α): Mengukur risiko sehingga peneliti menyimpulkan adanya efek atau perbedaan yang signifikan padahal tidak ada.

- Beta (β): Mengukur risiko bahwa peneliti gagal mendeteksi efek atau perbedaan yang sebenarnya ada.

#### 2.4.3 Nilai Umum:

- Alpha (α): Sering ditetapkan pada nilai 0,05 atau 0,01 dalam penelitian.

- Beta (β): Nilai β bervariasi tergantung pada desain penelitian, tetapi biasanya lebih tinggi dari α.

#### 2.4.4 Kekuatan Uji:

- Alpha (α): Dinyatakan sebagai tingkat signifikansi yang ditentukan sebelum analisis data.

- Beta (β): Dapat ditingkatkan dengan meningkatkan ukuran sampel, sehingga meningkatkan kekuatan uji, yang didefinisikan sebagai 1 - β.

#### 2.4.5 Fokus Penelitian:

- Alpha (α): Menjamin bahwa peneliti tidak salah menyatakan adanya perbedaan padahal sebenarnya tidak ada.

- Beta (β): Menjamin bahwa peneliti dapat mendeteksi perbedaan jika memang ada.

Dengan demikian, alpha dan beta merupakan dua aspek penting dalam pengujian hipotesis yang saling berhubungan dan harus dipertimbangkan secara cermat dalam desain penelitian untuk memastikan hasil yang valid dan dapat diandalkan.

# TUGAS 3 : KAPAN PENGGUNAAN TIPE I DAN II DALAM HIPOTESIS

Dalam pengujian hipotesis, kesalahan tipe I (α) dan kesalahan tipe II (β) adalah dua konsep penting yang perlu dipahami untuk mengambil keputusan yang tepat berdasarkan data statistik. Berikut adalah penjelasan mengenai kapan dan bagaimana kedua tipe kesalahan ini digunakan dalam konteks penelitian.

## 3.1 Kesalahan Tipe I (α)

**Definisi:** Kesalahan tipe I terjadi ketika peneliti menolak hipotesis nol (H0) padahal H0 sebenarnya benar. Ini sering disebut sebagai "positif palsu".

**Kapan Digunakan:**

- **Tingkat Signifikansi:** Sebelum melakukan analisis, peneliti menetapkan tingkat signifikansi (α), yang biasanya diatur pada 0,05 atau 0,01. Ini menunjukkan bahwa peneliti bersedia menerima risiko 5% atau 1% untuk membuat kesalahan tipe I.

- **Contoh Penggunaan:** Dalam penelitian medis, jika seorang peneliti menguji efektivitas obat baru dan menolak H0 yang menyatakan bahwa obat tersebut tidak lebih baik daripada plasebo, tetapi sebenarnya obat tersebut tidak memiliki efek, maka peneliti telah melakukan kesalahan tipe I.

## 3.2 Kesalahan Tipe II (β)

**Definisi:** Kesalahan tipe II terjadi ketika peneliti tidak menolak hipotesis nol (H0) padahal H0 sebenarnya salah. Ini sering disebut sebagai "negatif palsu".

### Kapan Digunakan:

- **Tingkat Kesalahan:** Nilai β tidak ditentukan sebelumnya seperti α, tetapi dapat dipengaruhi oleh ukuran sampel, variabilitas data, dan kekuatan uji. Semakin kecil β, semakin besar kekuatan uji (1 - β).

- **Contoh Penggunaan:** Dalam penelitian yang sama tentang efektivitas obat baru, jika peneliti gagal menolak H0 yang menyatakan bahwa obat tersebut tidak lebih baik daripada plasebo padahal sebenarnya obat tersebut efektif, maka peneliti telah melakukan kesalahan tipe II.

## 3.3 Perbandingan dan Keseimbangan

- **Keseimbangan antara α dan β:** Peneliti harus mempertimbangkan keseimbangan antara risiko kedua jenis kesalahan ini. Mengurangi α (misalnya dengan menetapkan tingkat signifikansi yang lebih rendah) dapat meningkatkan β, karena lebih sulit untuk menolak H0. Sebaliknya, meningkatkan ukuran sampel dapat membantu mengurangi β tanpa mengubah α.

- **Dampak Kesalahan:** Kesalahan tipe I sering dianggap lebih serius dalam banyak konteks, terutama dalam penelitian medis atau ilmiah di mana kesimpulan yang salah dapat menyebabkan konsekuensi serius. Namun, kesalahan tipe II juga penting untuk diperhatikan karena dapat menyebabkan hilangnya peluang untuk mendeteksi efek atau perbedaan yang signifikan.

## 3.4 Kesimpulan

Dalam pengujian hipotesis, penggunaan kesalahan tipe I dan II sangat penting untuk mengambil keputusan yang tepat. Peneliti harus menetapkan tingkat signifikansi (α) sebelum menganalisis dan memahami risiko kesalahan tipe II (β) yang terkait dengan desain penelitian mereka. Memahami kedua jenis kesalahan ini memungkinkan peneliti untuk merancang studi yang lebih baik dan membuat keputusan yang lebih akurat berdasarkan data yang diperoleh.

# PREFERENSI

https://repository.maranatha.edu/1819/1/Bab%2014_Uji%20Hipotesis.pdf

https://www.valensikautsar.com/artikel/statistika/error-tipe-i-dan-tipe-2

https://www.kompasiana.com/angelikanao/650d0d904addee76906d26e2/kesalahan-dalam-uji-hipotesis

https://informatika.stei.itb.ac.id/~rinaldi.munir/Probstat/2010-2011/Pengujian%20Hipotesis.pdf
