Tes Hipotesis

Tes hipotesis adalah cabang ilmu yang berasal dari statistik inferensi yang mendata tentang jumlah dari  sampel data yang menguji sebuah hipotesis nol dan hipotesis nol juga dapat ditolak.

 Pertanyaan ini termasuk pertanyaan kunci yang dijawab dalam pengujian tes hipotesis :

·         Apakah sebuah nilai dari sampel nilai statistik yang tidak mungkin cukup ( dengan asumsi bahwa hipotesis nol adalah benar) untuk menolak hipotesis nol dan untuk sementara menerima hipotesis alternatif?

 contoh seorang peneliti melakukan sebuah experimen untuk

membandingkan sebuah metode baru yang (diberikan kepada grup experimental) untuk tidak konseling sama sekali ( kontrol grup).

Dalam penelitian ada  2 grup sangat berbeda sesudah tretmen, peneliti mungkin menjadi mampu untuk menolak hipotesis nol (H₀) dan menerima hipotesis alternatif.

HIPOTESIS NOL & HIPOTESIS ALTERNATIF

             Jadi hipotesis nol ditandai dengan H₀.

Adapun pengertian Hipotesis nol itu adalah hipotesis yang mengarahkan uji menggunakan teori probabilitas.  Hipotesis nol  juga adalah hipotesis yang langsung teruji.

            Hipotesis alternative ditandai dengan H₁. Hipotesis alternatif adalalah parameternya populasi adalah beberapa nilai lain dari nilai yang dinyatakan oleh hipotesis nol. Hipotesis alternatif berlawanan dengan H₀ .

 H₀ dan H₁ secara logika bertentangan karena keduanya tidak dapat benar pada waktu yang bersamaan.

           

Harnet (1982) menjelaskan : bahwa H₀ berkembang dari awal, dalam teori hipotesis yang mana hipotesis ini berhubungan dengan sebuah teori tentang parameter populasi . H₁ umumnya ditentukan nilai parameter yang peneliti percaya itu berlaku.

            Sebagai contoh dibuat 2 kelompok : kelompok dengan metode pengajaran diskusi dan metode pengajaran kuliah. Ada H₀ dan H₁ :

H₀ : µ_D = µ_L                                          H₁ : µ_D ≠µ_L

Ket : µ_D = simbol dari populasi mean kelompok diskusi

        µ_L = simbol dari populasi mean kelompok dosen

Hipotesis nol menyatakan bahwa rata-rata performa dari murid-murid di kelas diskusi sama dengan rata-rata performa dari murid-murid di kelas dosen. Hipotesis nol ini disebut sebagai hipotesis tepat karena adanya tanda sama dengan (=). Sedangkan hipotesis alternatif pernyataannya berlawanan dengan hipotesis nol dimana hipotesis alternatif mengatakan bahwa populasi diskusi tidak sama dengan populasi dosen.

Jadi poin penting dalam tes hipotesis, pertama H₁ tidak pernah memasukkan tanda =. Kedua  H₁ ditandai dengan 3 tanda : ≠ , < , >. Ketiga H₀ ditandai dengan tanda =,  ≤ , ≥ dan persamaan selalu bagian dari hipotesis nol.

HIPOTESIS ALTERNATIF DIRECTIONAL & NON DIRECTIONAL

            Para peneliti membagi hipotesis alternatif kedalam 2 bagian :

Ø  Hipotesis alternatif directional

Ø  Hipotesis alternatif nondirectional

Hipotesis alternatif directional adalah sebuah hipotesis alternatif yang terdiri dari

tanda lebih besar ( > ) atau tanda lebih kecil ( < ).

            Sedangkan hipotesis alternatif nondirectional adalah sebuah hipotesis alternatif yang ditandai dengan tanda tidak sama dengan ( ≠ ).

            Sebagai contoh : hipotesis nol            H₀ : µ_D ≤ µ_L

                                        Hipotesis alternatif H₁ : µ_D > µ_L

            Disitu hipotesis alternatif bahwa  mean populasi kelompok diskusi lebih besar daripada mean populasi kelompok dosen.

Hipotesis nol juga berubah sehingga semua mungkin hasil termasuk didalamnya 2 hipotesis.

            Contoh lain :  H₀ : µ_D ≥ µ_L

                                                           H₁ : µ_D < µ_L

             Hipotesis alternatif menyatakan bahwa populasi grup diskusi lebih kecil dari populasi grup dosen.

MEMERIKSA NILAI PROBABILITAS DAN MEMBUAT KEPUTUSAN

Nilai probability adalah probabilitas dari hasil penelitian kita atau bahkan lebih banyak hasil asumsi ekstrem yang hipotesis nol nya adalah benar. peneliti menggunakan nilai probabilitas yang hasil penelitiannya menentukan apakah nilai observasi dari sampel statistik adalah mungkin atau tidak mungkin, asumsi bahwa hipotesis nol adalah benar.

Contoh, peneliti menetukan siapa yang yang memiliki gaji tertinggi : laki-laki lulusan sarjana apa perempuan lulusan sarjana.

Hipotesis nol               H0 : µ_Males = µ_females

Hipotesis alternatif     H1 : µ_Males ≠ µ_females

 Di situ hipotesis nol menyatakan bahwa rata-rata gaji laki-laki dengan rata-rata gaji perempuan sama dalam populasi mereka masing-masing.

Jika gaji untuk laki-laki Rp 43.000 dan untuk perempuan Rp 27.000 didalam penelitian studi, nilai probabilitasnya kecil karena perbedaannya besar dan tidak mungkin jika hipoptesis nolnya adalah benar sehingga peneliti menolak hipotesis nol dan memutuskan untuk menerima hipotesis alternatif. Jika peneliti menolak hipotesis nol dan menerima hipotesis alternatif berarti peneliti telah melakukan Statiscally significant dimana artinya peneliti mengklaim penemuan mereka adalah statiscally significant ketika mereka tidak percaya hasil observasi mereka karena hanya untuk kesempatan atau sampel error.

Dan sebaliknya jika gaji untuk laki-laki Rp 33.000 dan untuk perempuan Rp 31.000 yang mana nilai probabilitasnya besar maka peneliti akan gagal menolak hipotesis nol. Peneliti juga mengklaim bahwa penemuan mereka tidak statiscally significant ( contohnya observasi perbedaan antara 2 arti hanya mungkin menajdi kesempatan fluktasi).

J Maka jawaban peneliti mempertimbangkan nilai probabilitas yang lebih kecil atau sama dengan 0.5 akan kecil dan nilai probabilitas yang lebih besar dari 0,5 akan relatif besar.

Contohnya, asumsi nilai probabilitas (di komputer SPSS) 0,3 ketika gaji laki-laki Rp 43.000 dan gaji perempuan Rp 27.000. Karena nilai probabilitasnya lebih kecil dari 0,5 maka para peneliti menolak hipotesis nol (H0 : µ_Males = µ_females ) dari 2 arti yang sama. Dan para peneliti menerima hipotesis alternatif (H1 : µ_Males ≠ µ_females ) dari 2 arti yang berbeda. Dan peneliti mengklaim bahwa 2 arti yang berbeda itu adalah statiscally significant.

Dan sebaliknya pada gaji untuk laki-laki Rp 33.000 dan gaji pada perempuan Rp 31.000. Karena nilai probabilitasnya lebih besar dari 0,5 maka peneliti gagal menolak hipotesis nol (H0 : µ_Males = µ_females ) dari 2 arti yang sama. Disini peneliti tidak mengklaim bahwa mean antara 2 populasi sama tetapi disini peneliti mengklaim bahwa gagal untuk menolak hipotesis nol .

 Jadi di sini peneliti mengklaim bahwa perbedaan antara 2 arti yang berbeda tidak statiscally significant.

0.5 adalah significant level yang  memutuskan apakah nilai probabilitas kecil atau besar.  Significant level adalah cutoff yang peneliti gunakan untuk memutuskan ketika menolak H0 :

1.      Ketika probabilitas kecil dari pada sama dengan signifikan level, peneliti menolak hipotesis nol

2.      Ketika probabilitas lebih besar daripada sama dengan , maka peneliti gagal untuk menolak hipotesis nol

Signifikan level 0.5 artinya bahwa hasil observasi sampel terjadi hanya 5 % dari waktu atau kurang ( ketika hipotesis nol benar ) kemudian

peneliti akan membuat keputusan untuk menolak nol hipotesis.

KEPUTUSAN MATRIKS HIPOTESIS

Tahapan-tahapan dalam tes hipotesis :

1.      Daerah H0 dan H1

2.      Atur signifikan level sebelum penelitian ( paling banyak peneliti menggunakan 0.5 sebagai signifikan level. Signifikan level juga disebut level alpha atau alpha).

3.      Perolehan nilai probabilitas menggunakan SPSS

4.      Bandingkan nilai probabilitas ke signifikan level lalu buat keputusan statiscal

Tahapan 4 termasuk 2 aturan pembuatan keputusan

Aturan 1 : jika probabilitas ≤ 0,5 (signifikan level) maka menolak hipotesis nol dan peneliti menemukan statiscally significant.

Aturan 2 : jika probabilitas > 0,5 (signifikan level) maka gagal menolak hipotesis nol dan penelitian tidak menemukan statiscally significant.

5.      Tafsirkan hasil. Membuat sebuah substantif dan menentukan keputusan yang significant.

3.      kemungkinan hasil dalam hipotesis :

		Status kebenaran dari H0
		H0 benar (tidak boleh ditolak )	H0 salah (boleh ditolak)
PENELITIAN *	H0 gagal ditolak	Type A (Keputusan benar)	Type II eror (negatif salah)
	H0 ditolak	Type I eror ( positif salah )	Type B (Keputusan benar)

*ingat bahwa jika H0 benar, itu tidak boleh ditolak, tetapi jika H0 salah maka ditolak. Masalahnya bahwa kamu tidak akan tahu jika H0 benar atau salah. Kamu hanya mempunyai bukti probabilitas yang diperoleh dari sampel data.

 Type A keputusan benar terjadi ketika H0 benar dan tidak boleh menolaknya. Type B keputusan benar terjadi ketika H0 salah dan menolaknya. Peneliti berharap type B keputusan benar karena mereka berharap menolak H0 dan menjadi mampu mengklaim bahwa mereka menemukan statiscally significant.

Type I eror terjadi peneliti menolak HO yang benar. jika H0 benar maka dia tidak boleh ditolak. Type I eror di sebut juga Positif salah karena peneliti salah menyimpulkan bahwa ada hubungan populasi di dalamnya. Peneliti mengklaim statiscally significant eror. Type II eror terjadi karena peneliti gagal menolak H0 yang salah.  jika H0 salah maka dia boleh ditolak. Type II eror disebut juga negatif salah karena peneliti salah menyimpulkan bahwa tidak ada hubungan populasi di dalamnya.

MENGENDALIKAN RESIKO KESALAHAN

Kebanyakan dari peneliti menggunakan significant level 0.5. Mengapa tidak menggunakan significant level yang lebih kecil??? Misalnya 0.1.

Masalahnya dengan menggunakan significant level yang lebih kecil bahwa type I eror dan type II eror cenderung hubungannya menjadi terbalik. Ketika mengurangi kemungkinan dari pembuatan type I eror, biasanya meningkatkan kemungkinan pembuatan type II eror. Khususnya jika menggunakan significant level 0.1 daripada 0.5 kamu akan lebih keras menolak H0. Ketika lebih keras menolak H0.

            Jika kita mampu dalam menggunakan sampel yang besar maka terjadi untuk memperoleh statistical significant (menolak H0),  Karena deviasi kecil dari H0 kadang-kadang ditemukan menjadi statiscally significant ketika sampelnya besar pada saat digunakan.

Adapun contohnya yaitu membandingkan 2 teknik membaca, dan 2 arti ternyata menjadi 86 dan 85  Perbedaan diantara 2 arti agak kecil dan mungkin tidak pratically significant, perbadaan mungkin berakhir menjadi statiscally significant jika kamu mempunyai nomor yang sangat besar dari orang-orang dalam 2 kelompok.  Kamu harus selalu membuat keyakinan untuk menemukan practically significant dalam tambahan statiscally significant.

Alat yang digunakn untuk menentukan penemuan practically significant adalah indikator efek size yang artinya pengukuran statistik dalam penguatan sebuah hubungan. Beberapa indikator efek size oleh standarisasi efek size Cohen’s adalah kuadrat eta, kuadrat omega, Cramer’s V dan kuadrat kofisien korelasi.