1.1 Statistika Deskriptif:

Statistik Deskriptif: Deskripsi, dideskripsikan berdasarkan data yang kita ambil. misalnya kita mengambil dari sample, deskriptif dari data itu seperti apa. biasanya pada analisis deskriptif menggunakan visual, dari visual akan di interpretasi, sehingga dapat mengambil kesimpulan.

Analisis Deskriptif ini sifatnya berlaku untuk parsial, misalnya menganalisis data E-commerce dan data E-commerce kita fokus melihat frekuensi penjualan dari produk sehingga biasanya di visualisasikan dengan menggunakan sebuah chart sehingga Analisa ini kita dapatkan dari data lokal atau data dari E-commerce nya.

Statistik Deskriptif bertujuan untuk mendeskripsikan atau menjelaskan data yang diambil dari sampel tertentu. Data ini biasanya divisualisasikan dalam bentuk grafik atau diagram, sehingga mempermudah interpretasi dan pengambilan kesimpulan. Misalnya, jika kita menganalisis data penjualan dari sebuah platform E-commerce seperti Tokopedia, statistik deskriptif akan fokus pada hal-hal spesifik, seperti frekuensi penjualan suatu produk. Data ini hanya berlaku untuk platform tersebut dan tidak digeneralisasikan ke E-commerce lainnya.

1.2 Statistika Inferensial:

Statistik Inferensial: dapat mengeneralisasikan data tersebut ke E-commerce secara umum. berarti data yang kita ambil tentunya dari berbagai data dari E-commerce yang lainnya. pada saat kita mengambil data itu kita butuh melakukan sampling, sampling inilah yang nantinya mengakibatkan probabilitas. berarti inferensial akan diambil kesimpulan dari data yang digunakan adalah sama-sama sample, baik itu deskriptif ataupun inferensial. misalnya pada deskriptif ini sendiri fokus/spesifik pada E-commerce Tokopedia nah untuk di inferensial ini harus sample yang sudah general, artinya bisa kita terapkan ke semuanya. nah untuk mengambil kesimpulan di inferensial ini ada yang namanya hipotesis. hipotesis itu merupakan asumsi, kita mengasumsikan Analisa yang kita dapatkan berlaku general namun harus kita buktikan kebenaran atau tidaknya. sehingga menggunakan hipotesis, pada saat kita mendapatkan hipotesis benar atau tidak kita akan mendapatkan kesimpulan.

Statistik inferensial digunakan untuk menggeneralisasikan data dari sampel tertentu ke populasi yang lebih luas. Ini melibatkan pengambilan sampel dari berbagai sumber dan menggunakan probabilitas untuk membuat kesimpulan yang berlaku secara umum. Misalnya, jika kita ingin menganalisis data E-commerce secara keseluruhan (tidak hanya Tokopedia), kita perlu mengambil sampel dari beberapa platform E-commerce. Dalam proses ini, kita menggunakan hipotesis, yaitu asumsi awal yang harus dibuktikan benar atau salah melalui analisis. Hasil akhirnya adalah kesimpulan yang berlaku untuk seluruh populasi, bukan hanya untuk satu platform tertentu.

1.3 Kesimpulan

Analisis Deskriptif: Proses mengolah data/memperoleh informasi secara parsial dan biasanya digunakan visualisasi data yang bisa kita interpretasi dan dapat ditarik kesimpulannya.

Analisis Inferensial : Biasanya mengeneralisasikan informasi berdasarkan hipotesis model yang dibangun.

Statistik Deskriptif: Penarikan kesimpulan berlaku untuk data yang spesifik dan terbatas, seperti rata-rata penjualan atau frekuensi pada satu platform tertentu.

Statistik Inferensial: Penarikan kesimpulan berlaku secara umum untuk populasi lebih besar, tetapi memerlukan pembuktian dengan hipotesis dan menggunakan data sampel yang representatif.

2.1 Alpha (α)

Definisi:

Alpha (α) adalah peluang untuk salah menolak hipotesis nol (\(H_0\)), padahal hipotesis itu sebenarnya benar.

• Dalam kata lain, menyimpulkan bahwa ada efek atau perbedaan padahal sebenarnya tidak ada.

• Disebut juga sebagai kesalahan tipe I.

Tingkat Kesalahan (α):

Biasanya ditentukan sebelum uji dimulai, seringnya di angka 0,05 (5%). Artinya, kita bersiap menerima risiko 5% untuk membuat kesimpulan yang salah menolak hipotesis nol.

Misalnya: Kita sedang menguji apakah sebuah obat benar-benar efektif. Hipotesis nol (\(H_0\)) berkata “obat ini tidak efektif.” Kalau kita salah menolak \(H_0\), berarti kita berkata obat ini efektif, padahal aslinya tidak.

Sederhananya:

Alpha (α) adalah risiko membuat kesimpulan positif palsu (memiliki efek, padahal tidak).

Hubungan dengan Uji Statistik:

• Alpha (α) adalah tingkat signifikansi uji statistik. Jika p-value ≤ α, hipotesis nol ditolak.

2.2 Beta (β):

Definisi:

Beta (β) adalah peluang untuk salah menerima hipotesis nol (\(H_0\)) yang sebenarnya salah.

• Dalam kata lain, menyimpulkan bahwa tidak ada efek atau perbedaan, padahal sebenarnya ada.

• Disebut juga sebagai kesalahan tipe II.

Nilai Standar:

• Beta (β) tidak langsung ditentukan seperti alpha, tapi berkaitan dengan kekuatan uji (1-β). Biasanya, peneliti berusaha menjaga kekuatan uji tinggi (di atas 80%), yang artinya Beta-nya di bawah 20% (β ≤ 0,20).

Misalnya: Kita sedang uji obat yang sama. Hipotesis nol mengatakan “obat tidak efektif.” Kalau kita salah menerima \(H_0\), kita mengatakan obat ini tidak efektif, padahal sebenarnya efektif.

Sederhananya:

Beta (β) adalah risiko membuat kesimpulan negatif palsu (tidak ada efek, padahal ada).

2.3 Kesimpulan

• Alpha (α) adalah risiko salah menolak hipotesis nol yang benar. ini ditentukan sebelumnya dan terkait dengan tingkat signifikasi uji.

• Beta (β) adalah risiko salah menerima hipotesis nol yang salah.ini terkait dengan kekuatan uji (1-β).

Kedua hal ini penting untuk dipertimbangkan, agar keputusan kita tentang hasil uji menjadi lebih akurat dan meminimalkan kemungkinan kesalahan dalam pengambilan keputusan.

3.1 Kesalahan Tipe I Lebih Penting untuk Diminimalkan

Kesalahan Tipe I adalah saat kita menolak hipotesis nol (\(H_0\)) yang sebenarnya benar. Ini berarti kita menyimpulkan bahwa ada efek atau perbedaan padahal sebenarnya tidak ada.

• Kapan Memperhatikan Tipe I Error?

• Jika kesimpulan salah memiliki konsekuensi serius.

Contoh:

• Dalam pengujian keamanan obat, jika kita menyimpulkan bahwa obat aman padahal tidak, ini bisa membahayakan kesehatan banyak orang.

• Dalam sistem keuangan, menyimpulkan adanya risiko investasi yang tidak nyata dapat menyebabkan kerugian besar.

• Ketika false positive (positif palsu) harus dihindari

Cara Meminimalkan Tipe I Error:

Menurunkan tingkat signifikansi (α) ke nilai yang lebih kecil, misalnya 0,01 (1%) atau 0,001 (0,1%) dibandingkan nilai standar 0,05 (5%).

3.2 Kesalahan Tipe II Lebih Penting untuk Diminimalkan

Kesalahan Tipe II adalah saat kita gagal menolak hipotesis nol (\(H_0\)) yang sebenarnya salah. Ini berarti kita menyimpulkan bahwa tidak ada efek atau perbedaan padahal sebenarnya ada.

Kapan Memperhatikan Tipe II Error?

• Jika kegagalan mendeteksi efek atau perbedaan memiliki dampak besar.

Contoh:

• Dalam diagnosa medis, jika kita tidak mendeteksi adanya penyakit (misalnya kanker), pasien mungkin kehilangan peluang untuk mendapatkan pengobatan yang tepat waktu.

• Dalam uji kualitas produk, gagal mendeteksi cacat pada produk bisa menyebabkan produk buruk beredar di pasaran.

• Ketika false negative (negatif palsu) harus dihindari.

Cara Meminimalkan Tipe II Error:

• Meningkatkan kekuatan uji (power test) dengan:

• Menggunakan ukuran sampel yang lebih besar.

• Memperbaiki desain eksperimen agar lebih sensitif terhadap efek yang dicari.

• Meningkatkan tingkat signifikansi (α), tetapi dengan konsekuensi meningkatkan risiko Tipe I Error.

3.3 Kesimpulan

Fokus pada Tipe I Error (α) jika:

• Kesalahan positif palsu (false positive) memiliki dampak lebih buruk.

• Misalnya, uji keamanan obat, penilaian ancaman teroris, atau klaim hasil ilmiah besar.

Fokus pada Tipe II Error (β) jika:

• Kesalahan negatif palsu (false negative) memiliki dampak lebih buruk.

• Misalnya, diagnosa penyakit, deteksi kerusakan mesin, atau pengujian inovasi teknologi baru.