Kalkulator Uji-t Satu Sampel
Uji-t satu sampel menguji apakah rata-rata satu sampel berbeda dari nilai yang diketahui atau diklaim β misalnya apakah rata-rata kelas berbeda dari rata-rata nasional. Masukkan rata-rata, simpangan baku, dan ukuran sampel di atas, lalu lihat statistik t, nilai-p, dan keputusannya beserta langkahnya secara instan.
Uji ini memakai distribusi t dengan derajat kebebasan df = n − 1, karena simpangan baku populasi tidak diketahui dan diduga dari sampel. Minimal 2 observasi.
Kurva t (df = 24): daerah penolakan dan t = 1,667
Di bawah ini kurva t dengan 24 derajat kebebasan β kurva untuk Contoh soal 1. Daerah yang diarsir adalah daerah penolakan pada taraf 5% dua arah: statistik t yang jatuh di luar ±2,064 menolak H0. Kurva normal baku (garis putus-putus abu-abu) hampir berimpit dengan kurva t pada df = 24; ekor kurva t hanya sedikit lebih tebal.
t = 1,667 · p = 0,1086
Dengan df = 24, t kritis dua arah pada α = 0,05 adalah 2,064 β hanya sedikit di atas nilai kritis z 1,960. Makin besar df, makin dekat kurva t dengan kurva normal.
Kapan memakai uji-t satu sampel?
Pakai uji-t satu sampel bila Anda punya satu sampel dan ingin menguji rata-ratanya terhadap suatu nilai yang diketahui atau diklaim β misalnya rata-rata nasional, target produksi, atau nilai pada kemasan. Syaratnya: simpangan baku populasi (σ) tidak diketahui dan diduga dari sampel, dan datanya kira-kira normal. Uji ini adalah pilihan standar untuk sampel kecil, karena distribusi t memperhitungkan ketidakpastian dari pendugaan σ itu. Bila Anda membandingkan dua kelompok, atau data Anda berpasangan, uji ini bukan alat yang tepat β pakai uji-t dua sampel atau uji-t berpasangan.
Uji-t satu sampel vs uji-z: mana yang dipakai?
Aturannya sederhana. Pakai uji-t bila σ tidak diketahui dan diduga dari sampel β uji ini memakai distribusi t dengan df = n − 1. Pakai uji-z bila σ diketahui, atau sampelnya besar β uji-z memakai kurva normal baku. Dengan sampel kecil, uji-t memberi interval lebih lebar dan batas kritis lebih besar; makin besar n, keduanya hampir sama (lihat tabel t kritis di bawah: pada df = 120, t* = 1,980, hampir sama dengan z* = 1,960).
Perbandingan dengan angka yang sama seperti Contoh soal 1 (&xbar; = 105, n = 25, μ₀ = 100), tetapi dengan σ diketahui = 15: z = 1,667 dan nilai-p dua arah = 0,0956 β lebih kecil daripada nilai-p uji-t 0,1086. Dengan σ diketahui, nilai-p-nya lebih kecil: uji-t lebih konservatif karena ia membayar harga karena σ diduga dari sampel. Bila σ diketahui, pakai Kalkulator Nilai Kritis Z; bila σ tidak diketahui, uji-t inilah alat yang tepat.
Bagaimana cara membaca nilai-p, Cohen's d, dan interval kepercayaan bersama-sama?
Ketiganya menjawab pertanyaan yang berbeda β dan ketiganya harus dibaca bersama. Nilai-p menjawab: mungkinkah selisih sebesar ini terjadi hanya karena kebetulan bila H0 benar? p < α berarti tolak H0. Cohen's d menjawab: seberapa besar selisihnya, dalam satuan simpangan baku (0,2 kecil; 0,5 sedang; 0,8 besar) β dan d tidak bergantung pada ukuran sampel. Interval kepercayaan 95% menjawab: dalam rentang nilai rata-rata populasi manakah data ini cocok? Ketiganya selalu sepakat pada taraf yang sama: bila CI 95% tidak memuat μ₀, uji dua arah pada taraf 5% menolak H0. Contoh soal 1: CI [98,81; 111,19] memuat 100 β cocok dengan p = 0,1086 dan keputusan gagal tolak H0. Baca juga Kalkulator Nilai-p bila Anda ingin memahami nilai-p lebih jauh.
Contoh soal 1: roti yang diklaim 100 gram
Sebuah toko roti mengklaim setiap rotinya 100 gram. Seorang pengawas menimbang 25 roti dan mendapat rata-rata 105 gram dengan simpangan baku 15 gram. Apakah rata-rata roti itu berbeda dari klaim 100 gram pada taraf 5%?
Langkahnya: SE = s ÷ √n = 15 ÷ √25 = 15 ÷ 5 = 3,00. t = (x̄ − μ₀) ÷ SE = (105 − 100) ÷ 3,00 = 1,667. df = 25 − 1 = 24. Nilai-p dua arah = 0,1086. t kritis dua arah pada α = 0,05 adalah 2,064. Karena |1,667| < 2,064 β dan p = 0,1086 > 0,05 β keputusannya Gagal tolak H0.
Cohen's d = (105 − 100) ÷ 15 = 0,333 β efek kecil. Interval kepercayaan 95% = 105 ± 2,064 × 3,00 = [98,81; 111,19], yang memuat 100. Ketiganya sepakat: nilai-p, ukuran efek, dan interval kepercayaan sama-sama berkata bahwa bukti melawan klaim 100 gram masih lemah.
Contoh soal 2: rata-rata 108,8 β tolak H0
Angka yang sama, tetapi rata-rata sampelnya 108,8 gram (s = 15, n = 25, μ₀ = 100, α = 0,05, dua arah). SE tetap 3,00; t = (108,8 − 100) ÷ 3,00 = 2,933; df = 24; nilai-p dua arah = 0,0073; t kritis = 2,064. Karena 2,933 > 2,064 β dan p = 0,0073 < 0,05 β keputusannya Tolak H0.
Cohen's d = (108,8 − 100) ÷ 15 = 0,587 β efek sedang. Interval kepercayaan 95% = 108,8 ± 2,064 × 3,00 = [102,61; 114,99], yang tidak memuat 100. Bandingkan dengan Contoh soal 1: selisih 5 gram tidak cukup, selisih 8,8 gram cukup β dengan simpangan baku dan ukuran sampel yang sama.
Contoh soal 3: data mentah lima nilai
Lima nilai ujian β 98, 102, 105, 110, 95 β diuji terhadap nilai klaim 100, dua arah, α = 0,05. Tempel data pada mode “Data mentah”: alat menghitung rata-rata 102,00 dan simpangan baku sampel s = 5,874 dulu, lalu menjalankan uji. SE = 5,874 ÷ √5 = 2,627; t = (102 − 100) ÷ 2,627 = 0,761; df = 4; nilai-p dua arah = 0,4888; t kritis = 2,776. Karena |0,761| < 2,776, keputusannya Gagal tolak H0.
Cohen's d = (102 − 100) ÷ 5,874 = 0,341. Interval kepercayaan 95% = 102 ± 2,776 × 2,627 = [94,71; 109,29]. (Catatan: halaman Inggris menampilkan nilai-p 0,4887 β selisih pada desimal keempat saja, karena pembulatan.)
Contoh soal 4: tiga nilai β efek besar, tetapi tidak signifikan
Tiga nilai β 6, 8, 10 β diuji terhadap nilai klaim 5, dua arah, α = 0,05. Rata-rata 8,00; s = 2,00; SE = 2,00 ÷ √3 = 1,155; t = (8 − 5) ÷ 1,155 = 2,598; df = 2; nilai-p dua arah = 0,122; t kritis = 4,303. Karena |2,598| < 4,303, keputusannya Gagal tolak H0.
Tetapi perhatikan Cohen's d = (8 − 5) ÷ 2,00 = 1,500 β efek BESAR. Interval kepercayaan 95% = 8 ± 4,303 × 1,155 = [3,03; 12,97]. Dengan n = 3, intervalnya begitu lebar sehingga efek yang sangat besar pun tidak bisa dibedakan dari derau: nilai-p dan ukuran efek menjawab pertanyaan yang berbeda, dan keduanya harus dilaporkan bersama.
Contoh soal 5: ekornya harus dipilih dulu
Sepuluh nilai β 72, 68, 75, 80, 65, 77, 71, 73, 69, 78 β diuji terhadap nilai klaim 70. Rata-rata 72,80; s = 4,756; SE = 4,756 ÷ √10 = 1,504; t = (72,80 − 70) ÷ 1,504 = 1,862; df = 9. Dua arah: nilai-p = 0,0956, t kritis = 2,262 β Gagal tolak H0. Satu arah (μ > μ₀): nilai-p = 0,0478, t kritis = 1,833 β Tolak H0 pada α = 0,05.
Data yang sama memberi dua keputusan yang berbeda β dan itulah sebabnya arah uji harus dipilih sebelum melihat data. Beralih ke satu arah setelah melihat t = 1,862 tidak diperbolehkan. Cohen's d = (72,80 − 70) ÷ 4,756 = 0,589. Interval kepercayaan 95% = 72,80 ± 2,262 × 1,504 = [69,40; 76,20].
Contoh soal 6: satu arah vs dua arah pada data yang sama
Data Contoh soal 1 (x̄ = 105, s = 15, n = 25, μ₀ = 100) diuji satu arah (μ > μ₀), α = 0,05. Nilai-p satu arah = 0,0543; t kritis satu arah = 1,711. Karena 0,0543 > 0,05, keputusannya Gagal tolak H0 β hanya selisih tipis.
Data yang sama memberi p = 0,1086 dua arah dan p = 0,0543 satu arah: arah uji membagi dua nilai-p. Itulah sebabnya arah uji harus ditetapkan di awal β bukan dipilih setelah melihat hasilnya.
Tabel nilai t kritis (α = 0,05, dua arah)
| Derajat kebebasan (df) | t kritis |
|---|---|
| 1 | 12,706 |
| 2 | 4,303 |
| 4 | 2,776 |
| 10 | 2,228 |
| 24 | 2,064 |
| 30 | 2,042 |
| 120 | 1,980 |
Makin besar df, makin kecil t kritis β dan makin dekat ia dengan nilai kritis z 1,960. Pada df = 1, t kritisnya 12,706: dengan satu derajat kebebasan, kurva t sangat lebar sehingga batas penolakannya jauh lebih besar daripada batas normal.
Menghitung uji-t satu sampel di Excel
Excel (bahasa Inggris, pemisah ;) punya fungsi khusus untuk distribusi t. Dengan angka Contoh soal 1 (x̄ = 105, s = 15, n = 25, μ₀ = 100):
| Yang dihitung | Rumus Excel | Hasil |
|---|---|---|
| Statistik t (dengan tangan) | =(105-100)/(15/SQRT(25)) | 1,667 |
| Nilai-p dua arah | =T.DIST.2T(1,667; 24) | 0,1086 |
| Nilai-p satu arah | =T.DIST.RT(1,667; 24) | 0,0543 |
| t kritis dua arah | =T.INV.2T(0,05; 24) | 2,064 |
| t kritis satu arah | =T.INV(0,95; 24) | 1,711 |
T.DIST.2T adalah nilai-p dua arah; T.DIST.RT adalah nilai-p ekor kanan (satu arah); T.INV.2T adalah t kritis dua arah; T.INV adalah t kritis satu arah (ekuivalen dengan =T.INV.2T(0,10; 24)). Fungsi-fungsi ini tersedia di Excel bahasa Indonesia dengan nama yang sama.
Kesalahan umum
- Memilih arah uji setelah melihat data. Arah uji harus ditetapkan sebelum melihat hasilnya β beralih ke satu arah karena nilai-p dua arahnya 0,0956 bukan praktik yang sah (lihat Contoh soal 5).
- Membaca nilai-p sebagai besarnya efek. Nilai-p tidak mengukur besarnya efek atau pentingnya hasil β laporkan juga Cohen's d dan interval kepercayaannya.
- Memakai uji-z padahal σ tidak diketahui. Bila simpangan baku diduga dari sampel, pakai uji-t; uji-z hanya bila σ diketahui atau sampelnya besar.
- Mengabaikan ukuran sampel. Dengan n kecil, interval kepercayaannya lebar dan kuasa ujinya rendah β efek besar pun bisa tidak signifikan (lihat Contoh soal 4).
- Mengira “gagal tolak H0” berarti H0 benar. Yang benar: data tidak cukup kuat untuk menolaknya. Gagal menolak bukan bukti bahwa rata-rata populasi persis sama dengan nilai klaim.
Pertanyaan yang sering diajukan
Pakai bila Anda punya satu sampel dan ingin menguji rata-ratanya terhadap suatu nilai yang diketahui atau diklaim, simpangan baku populasi tidak diketahui dan diduga dari sampel, dan datanya kira-kira normal. Uji ini adalah pilihan standar untuk sampel kecil.
Uji-t untuk σ tidak diketahui dan memakai distribusi t dengan df = n − 1; uji-z untuk σ diketahui atau sampel besar dan memakai kurva normal baku. Dengan sampel kecil, uji-t memberi interval lebih lebar dan batas kritis lebih besar; makin besar n, keduanya hampir sama.
Hitung SE = s ÷ √n, lalu t = (x̄ − μ₀) ÷ SE, dengan df = n − 1. Cari t kritis atau nilai-p dari distribusi t. Contoh: x̄ = 105, s = 15, n = 25, μ₀ = 100 memberi SE = 3,00, t = 1,667, df = 24.
Nilai-p adalah peluang mendapat rata-rata sampel sejauh itu dari μ₀ bila H0 benar. p < α berarti tolak H0; p > α berarti gagal tolak H0. Misalnya p = 0,1086 berarti tidak signifikan pada taraf 5%.
Cohen's d = (x̄ − μ₀) ÷ s β besarnya perbedaan dalam satuan simpangan baku: 0,2 kecil, 0,5 sedang, 0,8 besar. Berbeda dengan nilai-p, d tidak bergantung pada ukuran sampel.
Bila interval kepercayaan 95% tidak memuat μ₀, uji dua arah pada taraf 5% menolak H0 β keduanya selalu sepakat. Contoh: [98,81; 111,19] memuat 100, cocok dengan p = 0,1086 dan keputusan gagal tolak H0.
Minimal 2 observasi (df = n − 1). Uji ini paling berguna untuk sampel kecil sampai sedang; dengan sampel sangat kecil data harus mendekati normal, sedangkan sampel lebih besar memberi interval lebih sempit dan kuasa yang lebih besar.
Ya β tempel nilainya pada mode “Data mentah”, alat menghitung rata-rata dan simpangan baku sampel dulu, lalu menjalankan uji. Contoh: 98, 102, 105, 110, 95 memberi rata-rata 102 dan s = 5,874, t = 0,761 dengan df = 4.
Langkah Selanjutnya
Jelajahi Alat Lainnya
Kalkulator Distribusi t
Hitung peluang dan nilai kritis dari distribusi t untuk berbagai derajat kebebasan.
Buka kalkulator → KalkulatorKalkulator Nilai-p
Hitung nilai-p dari statistik z atau t dan baca keputusannya pada taraf yang Anda pilih.
Buka kalkulator →Sumber: NIST, Engineering Statistics Handbook, 1.3.5.2 “Confidence Limits for the Mean” β https://www.itl.nist.gov/div898/handbook/eda/section3/eda352.htm (berisi contoh lengkap uji-t satu sampel: H0 μ = 5, t = 2611,284, df = 194, nilai kritis 1,9723); dan 1.3.6.7.2 “Critical Values of the Student's-t Distribution” β https://www.itl.nist.gov/div898/handbook/eda/section3/eda3672.htm. Metode: Metodologi kami. Lihat semua kalkulator.