eRROR Dalam Uji Statistik

Dalam pengujian statistik tidak pernah ada kata "PASTI". Karena kalau sudah berbicara tentang "UJI STATISTIK" maka kita akan dikaitkan dengan "PELUANG".

Hmmm... jadi sebenarnya seorang statistikawan itu tidak pernah bisa disalahkan (atau bisa dikatakan statistikawan adalah seorang yang tak dapat disanggah dalam setiap hasil keputusan penelitiannya).

Mengapa????

Karena dalam setiap melakukan penelitian (dalam hal ini penelitian dianggap sebagai: melakukan suatu pengujian statistik), seorang statistikawan akan mengikut sertakan PELUANG. Dan hasil keputusan yang diambil biasanya akan berbicara seperti ini (dan seharusnya setiap penelitian menghasilkan keputusan seperti ini):

Dengan kepercayaan sebesar 95% (kuambil contoh 95%), dapat disimpulkan/dikatakan bahwa tingkat kepandaian mahasiswa di Indonesia masih rendah *ini hanya contoh semata*.

Loh kalau cuma kepercayaaan sebesar 95% kemana sisa kepercayaan 5% yang lain???

Nah 5% ini lah yang dikatakan peluang error dari kesimpulan yang diambil di atas. ---karena itu seorang statistikawan tidak pernah bisa disalahkan, karena kesimpulan yang diambilnya selalu tidak pernah secara "PASTI/ABSOLUT" menyatakan kebenaran. Selalu saja dalam pengambilan keputusan, statistikawan menyadari akan peran Error yang tak mungkin bisa dihindari (bahkan ketika dimulainya suatu pengujian biasanya tingkat error sudah ditentukan, yang menandakan: memang tak ada kePASTIan yang ABSOLUT tentang kebenaran dari kesimpulan yang dibuat)

Nah permasalahannya sekarang apakah itu "Error", dan apa saja yang dikategorikan ke dalam "Error", dan... segala tetek-bengek tentang Error. hehehhee :)

Oke, untuk penjelasan tentang Error aku akan sesederhana mungkin menjelaskan (semoga kau mengerti).

ERROR
Error adalah kesalahan (hehehehe... ini hanya penjelasan yang sangat sederhana)

Error dalam suatu pengujian statistik ada dua:
1. Error tipe I
2. Error tipe II

Situasi Yang Mungking Dalam Test Hipotesa Statistik


1. Error tipe I
-->menolak hipotesis yang benar (menolak hipotesis yang seharusnya diterima). Peluang terjadinya Error tipe I dilambangkan dengan alpha. Nah, karena itu muncul rumus:

1 - alpha = TINGKAT KEPERCAYAAN

Tingkat kepercayaan di sini menandakan bahwa: peluang mengambil keputusan yang bebas dari unsur Error tipe I



2. Error tipe II

-->gagal menolak hipotesis yang salah (menerima hipotesis yang seharusnya ditolak). Peluang terjadinya Error tipe II dilambangkan dengan betha. Nah, karena itu muncul rumus (mungkin jarang kita melihat rumus ini, tapi memang sesungguhnya ini nyata dan eksis dalam pengujian statistik):

1 - betha = TINGKAT KEPERCAYAAN

Tingkat kepercayaan di sini menandakan bahwa: peluang mengambil keputusan yang bebas dari unsur Error tipe II



Hubungan Error tipe I dan II

Error tipe I dan II saling bertolak belakang. Jika kita memperkecil Error Tipe I maka secara otomatis tipe error II akan menjadi lebih besar, demikian sebaliknya. Sayangnya sampai sekarang (dengan cara yang mudah) kita belum dapat menentukan dengan pasti besarnya Error tipe II yang dibuat dalam suatu penelitian (maksudku seperti ini: seringkali yang kita temui dalam tabel statistik hanyalah menyajikan tingkat signifikansi alpha dan tidak ada yang menyajikan tingkat signifikansi betha). Jadi sampai sekarang aturan ini yang dipegang: Semakin kecil kita menentukan Error tipe I, maka makin besar kemungkinan kita melakukan Error tipe II.

Terus pilih mana Error tipe I atau II? Karena kita nggak mungkin terlepas dari kedua Error ini (memperkecil yang satu memperbesar yang lain), maka kita harus memilih Error yang kita ijinkan menjadi lebih besar (pemilihan ini disesuaikan dengan jenis penelitian yang diteliti)

Contoh:

Dalam pengujian hipotesis statistik yang digunakan untuk pengendalian mutu di bidang manufaktur, Error tipe II dianggap lebih buruk dari Error tipe I.

Misal hipotesis nol = produk yang diproduksi memenuhi spesifikasi pelanggan.

Jika hipotesis nol ditolak maka produk itu tidak dapat dijual kepada pelanggan. Padahal seharusnya Hipotesis nol diterima (Error tipe I) Menolak menjual produk yang baik (diakibatkan faktor Error tipe I) adalah kesalahan yang sangat mahal namun tidak semahal gagal menolak "produk yang sebenarnya buruk dianggap memenuhi spesifikasi pelanggan" - Error tipe II - dan mengirim ke pelanggan. Hal ini dapat mengakibatkan kehilangan pelanggan dan menodai reputasi perusahaan.



jikalau ada kekurangan penulis menerima masukan, masukan yang membangun tentunya

veSTer CobaiN

3 komentar:

Anonim mengatakan...

thanks soniii. Aku sering lho mampir di blog stat mu ini. Mana tulisan2 yang lain? analisis korelasi atau sejenisnya. Kalo ga pengenalan software stat semacam AMOS. Eh bener ga? #ngelunjak# :))

Vester Cobain mengatakan...

haduh, aku masih belum sempat untuk mendaur ulang blog ini. Masih terganjal aktivitas di kehidupan nyata. Tapi aku sudah ada niat untuk menghidupkan kembali tulisan2 tentang statistik. Nanti kalau sudah jadi kau kabari kamu mayakho :)

marvine mengatakan...

Terimakasih ya infonya, sangat membantu.
Salam.
Statistik