"Za, metodeku signifikan ngga?"

Halo kawan-kawan blogger. Terima kasih sudah mampir (/‾▿‾)/

Kali ini mari kita bahas topik yang esensial tentang bagaimana menarik kesimpulan dari sebuah uji coba. Penarikan kesimpulan sering dijumpai di tugas akhir, skripsi, atau tesis. Misalnya saja, kebanyakan topik tesis teman-teman saya adalah mengusulkan metode baru untuk mengatasi kelemahan dari metode yang sudah ada. Pengusulan metode baru bisa dengan hybrid atau dengan menambahkan sebuah operator. Setelah perumusan metode selesai, yang jadi masalah kemudian adalah apakah metode usulan tersebut benar benar lebih baik? ataukah benar mampu mengatasi kelemahan secara signifikan? Nah, di sinilah teman-teman mengalami ketidak-PD-an atas metode baru yang mereka usulkan. Sering teman saya bertanya, "Za, metodeku signifikan ngga?", maka dengan mudah saya jawab "Gunakan uji statistik saja mb. Bisa pakai uji t".

Kenapa saya gunakan uji t untuk menguji kehandalan sebuah metode usulan? Karena uji t memang digunakan untuk membandingkan rata-rata dari dua kelompok data yang tidak berkaitan. Intinya adalah kita mengecek apakah kedua kelompok data tersebut mempuyai rata-rata yang sama ataukah tidak. Kalau tidak sama, apakah bedanya cukup signifikan atau tidak. Data yang diuji diasumsikan berupa data yang berdistribusi normal dan jumlah data kurang dari 30.

Untuk menguji dua kelompok data tersebut, kita butuh software statistik, dan di sini saya gunakan SPSS. Pastikan SPSS di PC anda sudah ready untuk digunakan. Tampilan awal SPSS adalah seperti berikut:

Tampilan Awal SPSS

So, mari kita mulai tutorial simpel ini. \(´▽`)/
Pertama-tama siapkan data yang ingin kita teliti kesamaan rata-ratanya dan SPSS Anda. Misalkan kita akan menguji signifikansi akurasi metode ABC dengan metode usulan Novel ABC. Contoh data:

Dari sini hipotesis yang bisa dibuat adalah:
H0 : Nilai akurasi yang dihasilkan oleh metode ABC dan Novel ABC adalah sama 
H1 : Nilai akurasi yang dihasilkan oleh metode ABC dan Novel ABC adalah tidak sama

Selanjutnya, lakukan hal-hal berikut:
1. Set tipe data dengan meng-klik "Variable View" di kiri bawah. Pastikan terdapat kolom Name, Type, Width, dst. Isilah sesuai tipe data yang akan kita olah. Seringnya, saya hanya mengisi kolom Name dan Value. Nilai Value diisi untuk menandai label record data. Berikut ini contoh mengisi "Variable View" :

Mengisi Variable View

2. Selanjutya kembalikan halaman ke "Data View". Di sinilah kita bisa menginputkan data. Masukkan nilai akurasi di kolom Akurasi dan label kelompok di kolom Metode. Klik icon "Value Label" untuk memperlihatkan label kelompok. Yeah, data input sudah siap untuk diolah. "ƪ(˘⌣˘)┐"ƪ(˘⌣˘)ʃ"┌(˘⌣˘)ʃ". Contoh data input adalah sebagai berikut:

Tampilan Data Input

Tampilan Data Input dengan Label Kelompok

3. Sekarang kita mulai pengujian data. Arahkan mouse sampai ke menu Analyze - Compare Means - Independent Sample T Test. Selanjutnya masukkan akurasi ke kotak variabel yang dites dan metode ke kotak di bawahnya. Definisikan grup 1 dan grup 2 sesuai dengan nilai label yang Anda gunakan sebelumnya. Selanjtnya klik Continue - OK.

4. Pastikan akan muncul output SPSS seperti berikut:

5. Selanjutnya fokuskan mata kita ke nilai Equal variance assumed - Sig (2tailed) (sering disebut p-value) karena berdasarkan nilai ini kesimpulan dapat diambil. Karena sebelumnya kita menggunakan selang kepercayaan default SPSS yakni 95% maka kita gunakan alpha = 5% = 0.05 untuk perbandingan (Ingat! 100% - alpha). 

Mari kita ingat kaidah statistika sewaktu kuliah yang berbunyi:

"Jika nilai p-value kurang dari alpha, maka tolak H0.

Jika nilai p-value lebih dari alpha, maka terima H0."

Jadi, karena nilai p-value yang kita peroleh tadi adalah 0.014 dan nilai tersebut kurang dari 0.05, maka dengan berbangga hati kita bisa menolak H0. Dan kesimpulan yang bisa kita ambil adalah bahwa nilai akurasi yang dihasilkan oleh metode ABC dan Novel ABC adalah tidak sama. Tidak sama disini adalah karena nilai akurasi yang dihasilkan metode Novel ABC lebih baik secara signifikan dibandingkan dengan ABC.

Uji t ini sebenarnya identik dengan uji Anova satu arah. Jadi misalkan kita gunakan Analyze - Compare Means - One Way Annova, maka hasilnya akan sama. 

Begitulah kira-kira tutorial singkat dari saya. Sampai ketemu di postingan berikutnya... \__~(˘▾˘~)