Kalkulator Nilai-p
Masukkan skor z dari statistik uji Anda. Nilai-p dua sisi adalah peluang mendapatkan |z| sebesar itu atau lebih besar, jika H0 benar.
Nilai-p dari skor z
Nilai t dipakai bila simpangan baku populasi tidak diketahui dan diduga dari sampel — misalnya uji-t satu sampel atau dua sampel. Makin kecil df, makin gemuk ekor distribusi t, makin besar nilai-p-nya.
Nilai-p dari nilai t
Uji chi-square selalu satu sisi (ekor kanan): statistiknya adalah jumlah kuadrat, sehingga hanya nilai besar yang menjadi bukti melawan H0. Dipakai untuk uji kecocokan (goodness-of-fit) dan uji kebebasan pada tabel kontingensi.
Nilai-p dari chi-square
Uji F juga selalu satu sisi (ekor kanan): statistiknya adalah rasio dua varians, sehingga hanya nilai besar yang menjadi bukti melawan H0. Dipakai dalam ANOVA dan uji kesamaan varians.
Nilai-p dari F
Kurva: daerah nilai-p
Daerah yang diarsir adalah nilai-p — peluang mendapatkan statistik uji seekstrem itu (atau lebih ekstrem) jika H0 benar.
Nilai-p adalah peluang mendapatkan statistik uji seekstrem — atau lebih ekstrem dari — yang Anda amati, jika hipotesis nol benar. Masukkan statistik uji di atas (skor z, nilai t, chi-square, atau F), pilih satu sisi atau dua sisi, dan kalkulator menampilkan nilai-p beserta keputusan tolak atau gagal tolak H0 pada taraf signifikansi yang Anda pilih.
Apa itu nilai-p?
Nilai-p (bahasa Inggris: p-value) adalah peluang mendapatkan statistik uji seekstrem — atau lebih ekstrem dari — yang Anda amati, jika hipotesis nol (H0) benar. Pernyataan “jika H0 benar” adalah kuncinya: nilai-p mengukur seberapa tidak cocok data Anda dengan model H0, bukan seberapa besar peluang H0 benar.
Pernyataan resmi American Statistical Association (ASA) merumuskannya begini: nilai-p menunjukkan seberapa tidak cocok data dengan suatu model statistik tertentu. Sebuah nilai-p kecil berarti data Anda jarang terjadi bila H0 benar — sehingga H0 patut diragukan. Sebuah nilai-p besar berarti data Anda biasa-biasa saja di bawah H0 — tidak ada alasan kuat untuk menolaknya.
Intuisi sederhananya adalah lemparan koin. Lempar koin yang adil 50 kali dan dapatkan 40 sisi gambar: peluang mendapatkan hasil seekstrem itu (atau lebih ekstrem) dari koin yang adil adalah sekitar 0,0002 — sangat kecil, sehingga Anda curiga koinnya tidak adil. Itulah nilai-p: peluang hasil seekstrem itu dengan asumsi koin adil, bukan peluang koin adil. Penjelasan lengkap definisi ini ada di artikel nilai-p.
Cara menghitung nilai-p
Rumusnya bergantung pada distribusi statistik ujinya. Empat yang paling sering dipakai ada di kalkulator ini:
Dari skor z
Dua sisi: p = 2 × (1 − Φ(|z|)), dengan Φ fungsi distribusi kumulatif normal baku. Satu sisi kanan: p = 1 − Φ(z). Satu sisi kiri: p = Φ(z). Contoh: z = +2,10 dua sisi memberi p = 0,0357 (satu sisi kanan 0,0179). z = +1,96 dua sisi memberi p = 0,0500 — tepatnya 0,049996 — tepat di bawah 0,05, sehingga H0 ditolak, walau tipis. z = +2,58 dua sisi memberi p = 0,0099. z = −1,50 satu sisi kiri memberi p = 0,0668.
Dari nilai t
Caranya sama, tetapi memakai distribusi t dengan derajat bebas yang sesuai: p dua sisi = 2 × P(T ≥ |t|). Contoh: t = +2,00 dengan df 10, dua sisi, memberi p = 0,0734 — lebih besar daripada p untuk z yang sama (0,0455), karena ekor distribusi t lebih gemuk. t = +2,50 dengan df 15 memberi p = 0,0245.
Dari chi-square
Hanya ekor kanan: p = P(χ² ≥ nilai yang diamati). Contoh: χ² = 6,667 dengan df 1 memberi p = 0,0098; χ² = 2,400 dengan df 3 memberi p = 0,4936; χ² = 6,597 dengan df 2 memberi p = 0,0369.
Dari F
Juga hanya ekor kanan: p = P(F ≥ nilai yang diamati). Contoh: F = 4,00 dengan df1 = 1 dan df2 = 10 memberi p = 0,0734 — sama persis dengan nilai-p dua sisi untuk t = +2,00 dengan df 10, karena F = t² bila df1 = 1. Ini adalah pemeriksaan silang yang bagus antara kedua mode. F = 5,00 dengan df1 = 2 dan df2 = 12 memberi p = 0,0263 (tolak H0 pada α = 0,05).
Langkah-langkah menghitung nilai-p dari skor z
- Rumuskan hipotesis nol (H0) dan hipotesis alternatif (H1), dan tentukan satu sisi atau dua sisi sebelum melihat data.
- Hitung statistik uji (misalnya skor z) dari data sampel.
- Cari peluang ekor yang sesuai pada distribusi normal baku (atau distribusi t, chi-square, atau F).
- Bandingkan nilai-p dengan taraf signifikansi α dan putuskan: tolak H0 bila p ≤ α, gagal tolak H0 bila p > α.
Contoh uji hipotesis lengkap
Sebuah kelas mengklaim rata-rata nilai ujian adalah 75. Seorang peneliti mengambil sampel 36 siswa dan mendapatkan rata-rata 78 dengan simpangan baku populasi 10. Apakah klaim itu masih dapat dipertahankan pada α = 0,05?
Statistik ujinya adalah z = (78 − 75) / (10/√36) = +1,80. Nilai-p dua sisi untuk z = +1,80 adalah 0,0719 — lebih besar dari 0,05, jadi gagal tolak H0 pada taraf 5%. Tetapi nilai-p satu sisi kanan adalah 0,0359 — lebih kecil dari 0,05, jadi tolak H0 pada uji satu sisi. Data yang sama, kesimpulan yang berbeda, hanya karena pilihan ekornya.
Pelajaran terpentingnya: ekor harus dipilih sebelum melihat data, berdasarkan pertanyaan penelitiannya. Memilih satu sisi setelah melihat bahwa hasilnya “hampir signifikan” dua sisi adalah p-hacking — dan membuat nilai-p kehilangan maknanya. Bila hipotesisnya memang berarah (“rata-rata lebih besar dari 75”), pakai satu sisi kanan sejak awal. Bila tidak berarah (“rata-rata berbeda dari 75”), pakai dua sisi.
Kapan nilai-p berarti tolak H0?
Aturannya satu baris: tolak H0 bila p ≤ α; gagal tolak H0 bila p > α. Taraf signifikansi α yang paling umum adalah 0,05, tetapi bidang lain memakai ambang yang berbeda:
| α | Kapan dipakai | Artinya |
|---|---|---|
| 0,10 | Studi eksploratori | Bukti lemah sudah cukup untuk melanjutkan |
| 0,05 | Standar umum | Batas konvensional “signifikan secara statistik” |
| 0,01 | Bukti lebih kuat | Hanya 1% peluang hasil seekstrem itu bila H0 benar |
| 0,001 | Bukti sangat kuat | Standar ketat, misalnya pada replikasi atau klaim besar |
“Gagal tolak H0” bukan berarti H0 benar. Artinya hanya: data ini tidak cukup kuat untuk menolaknya. Mungkin memang tidak ada efek, mungkin juga efeknya ada tetapi sampelnya terlalu kecil untuk mendeteksinya (kuasa uji rendah). Ketidakhadiran bukti bukanlah bukti ketidakhadiran.
Apa arti nilai-p 0,05 sebenarnya?
Nilai-p 0,05 berarti: bila H0 benar, ada peluang 5% untuk mendapatkan hasil seekstrem yang Anda amati (atau lebih ekstrem). Bukan berarti ada peluang 5% bahwa H0 benar, dan bukan berarti hasil Anda muncul “semata-mata karena kebetulan” dengan peluang 5% — dua kesalahan yang sangat umum, dan keduanya salah.
Ambang 0,05 juga bersifat arbitrer. Nilai-p 0,049 dan 0,051 hampir sama besarnya, tetapi yang satu “signifikan” dan yang lain tidak — sebuah jurang yang dibuat oleh aturan, bukan oleh data. Karena itu, laporkan selalu nilai-p yang sebenarnya (misalnya 0,049 atau 0,051), bukan hanya “p < 0,05” atau “p > 0,05”.
Nilai-p 0,049 dan 0,051 hampir identik, tetapi ambang 0,05 memberi keduanya kesimpulan yang berlawanan. Laporkan nilai-p yang sebenarnya.
Apa bedanya nilai-p satu sisi dan dua sisi?
Untuk distribusi yang simetris (z dan t), nilai-p dua sisi adalah dua kali nilai-p satu sisi: z = +2,10 memberi satu sisi kanan 0,0179 dan dua sisi 0,0357. Dua sisi menguji “berbeda” ke arah mana pun; satu sisi menguji “lebih besar” atau “lebih kecil” saja.
Pakai dua sisi bila Anda tidak punya arah yang ditentukan sebelumnya — ini adalah pilihan default yang aman. Pakai satu sisi hanya bila hipotesis Anda memang berarah dan arah itu ditetapkan sebelum data dikumpulkan. Uji dua sisi lebih konservatif: ia membutuhkan bukti yang lebih kuat untuk menolak H0, karena peluang ekornya dibagi dua arah.
Mengapa chi-square dan F hanya satu sisi?
Karena keduanya adalah statistik yang secara konstruksi hanya punya satu ekor yang bermakna. Statistik chi-square adalah jumlah dari kuadrat-kuadrat (selisih yang dikuadratkan), sehingga nilainya selalu ≥ 0 dan hanya nilai yang besar yang menunjukkan ketidakcocokan dengan H0. Statistik F adalah rasio dua varians, juga ≥ 0, dan hanya nilai besar yang menunjukkan varians antarkelompok jauh lebih besar daripada varians dalam kelompok (ANOVA) atau varians yang tidak sama.
Nilai chi-square atau F yang sangat kecil bukanlah bukti melawan H0 — justru sebaliknya, itu berarti data cocok sekali dengan H0. Karena itu tidak ada “dua sisi” untuk keduanya: nilai-p-nya selalu peluang ekor kanan.
Nilai-p di Excel
Excel Indonesia memakai nama fungsi berbahasa Inggris dengan pemisah argumen titik koma (;).
- z dua sisi: =2*(1-NORM.S.DIST(2,10; TRUE)) = 0,0357. Nilai kumulatifnya sendiri: =NORM.S.DIST(2,10; TRUE) = 0,9821; satu sisi kanan = 1-NORM.S.DIST(2,10; TRUE) = 0,0179.
- t dua sisi: =2*(1-T.DIST(2; 10; TRUE)) = 0,0734. T.DIST memberi peluang kumulatif kiri; 1 dikurangi itu adalah ekor kanan.
- chi-square: =CHISQ.DIST.RT(6,667; 1) = 0,0098. CHISQ.DIST.RT langsung memberi peluang ekor kanan.
- F: =F.DIST.RT(4; 1; 10) = 0,0734 — sama dengan nilai-p dua sisi t = +2,00 dengan df 10, seperti yang diharapkan karena F = t².
Kesalahan umum dalam membaca nilai-p
- “Nilai-p adalah peluang H0 benar.” Salah. Nilai-p adalah peluang data seekstrem itu jika H0 benar — P(data | H0), bukan P(H0 | data).
- “Nilai-p 0,06 berarti tidak ada efek.” Salah. Gagal tolak H0 bukan berarti tidak ada efek; mungkin sampelnya terlalu kecil.
- “Nilai-p kecil berarti efeknya besar.” Salah. Nilai-p tidak mengukur besarnya efek atau pentingnya hasil (prinsip ASA 5) — sampel yang sangat besar bisa memberi p kecil untuk efek yang remeh.
- “0,049 dan 0,051 beda jauh.” Salah. Keduanya hampir sama; jurang itu buatan ambang 0,05. Laporkan nilai-p yang sebenarnya.
- Memilih satu sisi setelah melihat data. Ekor harus dipilih sebelum data dilihat; menggantinya setelahnya adalah p-hacking.
- Menguji banyak hipotesis tanpa koreksi. Menguji 20 hipotesis pada α = 0,05 memberi sekitar 1 positif palsu hanya karena peluang — laporkan semua pengujian yang dilakukan.
- “Nilai-p adalah peluang hasil muncul karena kebetulan belaka.” Salah — ini adalah salah tafsir klasik yang justru dibantah prinsip ASA 2. Nilai-p tidak mengukur peluang “kebetulan”.
Catatan istilah: “nilai pabean” adalah hal yang berbeda sama sekali — nilai pabean adalah dasar penghitungan bea masuk impor. Nilai-p di halaman ini adalah statistik uji hipotesis.
Pertanyaan yang sering diajukan
Apa itu nilai-p?
Nilai-p adalah peluang mendapatkan statistik uji seekstrem — atau lebih ekstrem dari — yang Anda amati, jika hipotesis nol benar. Nilai-p kecil berarti data Anda jarang terjadi bila H0 benar, sehingga H0 patut diragukan.
Bagaimana cara menghitung nilai-p dari skor z?
Untuk z, dua sisi: p = 2 × (1 − Φ(|z|)); satu sisi kanan: p = 1 − Φ(z); satu sisi kiri: p = Φ(z). Untuk t, pakai distribusi t dengan derajat bebas yang sesuai. Untuk chi-square dan F, nilai-p selalu peluang ekor kanan: di Excel, =CHISQ.DIST.RT(nilai; df) dan =F.DIST.RT(nilai; df1; df2). Kalkulator di atas menghitung keempatnya.
Kapan nilai-p berarti signifikan?
Bila nilai-p lebih kecil dari atau sama dengan taraf signifikansi α yang Anda pilih (biasanya 0,05), hasilnya signifikan secara statistik dan H0 ditolak. Bila p > α, gagal tolak H0.
Apa bedanya satu sisi dan dua sisi?
Dua sisi menguji “berbeda” ke arah mana pun dan nilai-p-nya dua kali nilai-p satu sisi (untuk z dan t). Satu sisi menguji satu arah saja (“lebih besar” atau “lebih kecil”). Chi-square dan F hanya punya satu sisi (ekor kanan). Pilih ekornya sebelum melihat data.
Apakah nilai-p 0,06 berarti tidak ada efek?
Tidak. Nilai-p 0,06 hanya berarti data ini tidak cukup kuat untuk menolak H0 pada α = 0,05. Efeknya mungkin ada tetapi sampelnya terlalu kecil untuk mendeteksinya.
Apakah nilai-p adalah peluang H0 benar?
Tidak. Nilai-p adalah peluang mendapatkan data seekstrem itu jika H0 benar — bukan peluang H0 benar. Itulah salah tafsir paling umum tentang nilai-p.
Apa itu nilai pabean — apakah sama dengan nilai-p?
Tidak. Nilai pabean adalah dasar penghitungan bea masuk impor. Nilai-p adalah statistik uji hipotesis. Keduanya hanya kebetulan memakai kata “nilai p”.
Mengapa nilai-p 0,049 dan 0,051 memberi kesimpulan berbeda?
Karena ambang 0,05 bersifat arbitrer: 0,049 berada di bawahnya (tolak H0) dan 0,051 di atasnya (gagal tolak H0), padahal keduanya hampir sama. Selalu laporkan nilai-p yang sebenarnya, bukan hanya “signifikan atau tidak”.
Mengapa chi-square dan F hanya satu sisi?
Karena keduanya adalah statistik yang secara konstruksi hanya punya satu ekor yang bermakna: chi-square adalah jumlah kuadrat dan F adalah rasio varians, sehingga hanya nilai besar yang menjadi bukti melawan H0. Nilai-p-nya selalu peluang ekor kanan.
Langkah Selanjutnya
Jelajahi Alat Lainnya
Kalkulator Distribusi Normal
Hitung peluang distribusi normal dengan rata-rata dan simpangan baku, lengkap dengan grafik dan nilai invers.
Hitung →Kalkulator Aturan Empiris
Hitung interval 68,27%, 95,45%, dan 99,73% dengan rata-rata dan simpangan baku.
Hitung →Sumber: NIST/SEMATECH e-Handbook of Statistical Methods, 7.1.3 — What are statistical tests?; Wasserstein & Lazar (2016), The ASA Statement on p-Values. Metodologi: metodologi kami. Oleh Afan Shafiq — BS AI student. Diperbarui 18 November 2026.