Skip to content
Kembali ke hasil pencarian

Uji Hipotesis Penelitian — Desain Kuantitatif Konfirmatori

Diperkenalkan oleh
Karl Pearson, Ronald A. Fisher, Jerzy Neyman, Egon Pearson
Tahun
Early 20th century (Fisher 1925; Neyman–Pearson 1933)
Jenis
Quantitative confirmatory research design
Keluarga
Survey / observational design

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Penelitian uji hipotesis adalah desain kuantitatif di mana peneliti menurunkan satu atau lebih proposisi eksplisit yang dapat difalsifikasi dari teori, menerjemahkannya menjadi hipotesis nol (H0) dan hipotesis alternatif (H1), mengumpulkan data empiris, dan kemudian menerapkan uji statistik inferensial untuk memutuskan apakah bukti cukup untuk menolak H0.

Pendekatan ini adalah paradigma dominan untuk sains konfirmatori di seluruh ilmu sosial, perilaku, kesehatan, dan alam.

Intuisi di balik metode

Bayangkan ruang sidang: H0 adalah praduga tak bersalah, dan uji statistik adalah persidangan. Anda mengumpulkan bukti (data), menerapkan aturan keputusan yang ketat (tingkat signifikansi alfa), dan baik menolak praduga tak bersalah atau gagal melakukannya — Anda tidak pernah membuktikan kesalahan melampaui keraguan mutlak, hanya melampaui ambang keraguan yang ditentukan. Keindahannya adalah disiplin: dengan berkomitmen pada hipotesis dan aturan keputusan sebelum melihat data, Anda melindungi diri dari kecenderungan manusiawi untuk menemukan pola yang sebenarnya tidak ada.

Sejarah

Perangkat formal uji signifikansi hipotesis nol muncul dari dua tradisi paralel pada awal abad kedua puluh. Ronald A. Fisher memperkenalkan nilai-p dan uji signifikansi dalam Statistical Methods for Research Workers (1925) sebagai alat untuk inferensi induktif dari data. Jerzy Neyman dan Egon Pearson (1933) mengusulkan kerangka kerja komplementer dari tingkat alfa yang telah ditentukan sebelumnya, dua hipotesis yang bersaing, dan kontrol kesalahan Tipe I / Tipe II. Meskipun kedua kerangka kerja tersebut secara logis berbeda, hibrida menjadi praktik standar dalam ilmu perilaku pada pertengahan abad, yang dikodifikasikan oleh Kerlinger (1973, 1986) dan diperkuat oleh karya Cohen tentang kekuatan statistik (1969, 1988).

Kapan digunakan

Gunakan penelitian uji hipotesis ketika Anda memiliki prediksi spesifik yang diturunkan dari teori tentang hubungan, perbedaan, atau efek, dan Anda memerlukan prosedur keputusan yang dapat dipertahankan dan direplikasi. Ini adalah desain yang tepat ketika pertanyaan penelitian bersifat konfirmatori ('Apakah intervensi X mengurangi hasil Y?') daripada eksploratif. Ini membutuhkan data numerik dan sampel yang cukup besar untuk mencapai kekuatan statistik yang memadai (biasanya setidaknya 80%). JANGAN gunakan ketika (a) Anda tidak memiliki teori sebelumnya dan tujuannya adalah penemuan — gunakan desain eksploratif atau deskriptif sebagai gantinya; (b) sampel terlalu kecil untuk mendeteksi ukuran efek yang masuk akal, menghasilkan uji yang kurang bertenaga yang lebih banyak kebisingan daripada sinyal; atau (c) Anda menyesuaikan hipotesis setelah melihat data (HARKing), yang membatalkan logika konfirmatori sepenuhnya.

Batasan dan pertimbangan

  • Signifikansi statistik (p < alfa) tidak sama dengan signifikansi praktis atau klinis — efek sepele dapat sangat signifikan dengan sampel yang cukup besar.
  • Keputusan biner tolak/gagal menolak membuang bukti kontinu; hasil batas (p = 0,049 vs. p = 0,051) diperlakukan berbeda secara kategoris.
  • Studi yang kurang bertenaga menghasilkan tingkat kesalahan Tipe II (negatif palsu) yang tinggi dan, secara paradoks, perkiraan ukuran efek yang meningkat ketika menghasilkan hasil yang signifikan.
  • Pengujian berganda tanpa koreksi meningkatkan kesalahan Tipe I (positif palsu); ini sering diabaikan dalam praktik.
  • Logika mengasumsikan hipotesis ditetapkan sebelum pengumpulan data — pelanggaran (HARKing, p-hacking, penghentian opsional) umum terjadi dan membatalkan kesimpulan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menyediakan aturan keputusan yang transparan dan telah ditentukan sebelumnya yang melindungi dari rasionalisasi temuan kebetulan secara post-hoc.
  • Secara langsung menguji prediksi teoretis, menjadikannya landasan sains kumulatif yang dapat direplikasi.
  • Mengukur ketidakpastian melalui nilai-p, interval kepercayaan, dan ukuran efek, memfasilitasi perbandingan antar studi.
  • Didukung dengan baik oleh sintesis meta-analitik — studi uji hipotesis dapat digabungkan di berbagai laboratorium dan replikasi.
  • Dipahami secara luas dan diterima oleh jurnal, pemberi dana, dan pembuat kebijakan di hampir semua disiplin ilmu kuantitatif.

Penerapan

  • Menguji apakah metode pengajaran baru meningkatkan prestasi siswa dibandingkan dengan kondisi kontrol dalam penelitian pendidikan.
  • Mengevaluasi apakah intervensi klinis secara signifikan mengurangi keparahan gejala relatif terhadap kelompok plasebo.
  • Memeriksa apakah variabel gender, status sosial ekonomi, atau variabel kelompok lainnya memprediksi perbedaan dalam hasil psikologis.
  • Menguji model persamaan struktural atau koefisien regresi yang diturunkan dari kerangka kerja teoretis dalam perilaku organisasi.
  • Menilai apakah perlakuan pemasaran (harga, pembingkaian pesan) secara signifikan mengubah pilihan konsumen dalam ekonomi eksperimental.
  • Membandingkan skor pra-dan pasca-intervensi dalam evaluasi program longitudinal menggunakan uji berpasangan atau pengukuran berulang.

Cara kerjanya

Cara kerjanya

1

Peneliti menurunkan satu atau lebih hipotesis yang dapat diuji dari teori yang ada atau temuan sebelumnya. Setiap hipotesis dinyatakan sebagai hipotesis nol (H0, klaim 'tidak ada efek' default) dan hipotesis alternatif (H1, efek atau hubungan yang diprediksi). Keduanya harus dinyatakan secara tepat dan sebelum pengumpulan data untuk mempertahankan logika konfirmatori.

2

Desain studi dipilih yang dapat memberikan bukti valid untuk atau menentang H0 — survei, eksperimen, kuasi-eksperimen, atau observasional. Yang terpenting, peneliti melakukan analisis kekuatan (power analysis) a priori (menggunakan ukuran efek, alfa, dan kekuatan yang diinginkan) untuk menentukan ukuran sampel minimum yang diperlukan untuk mendeteksi efek yang dihipotesiskan dengan probabilitas yang memadai.

3

Data dikumpulkan sesuai dengan desain yang telah ditentukan sebelumnya. Instrumen pengukuran harus menunjukkan reliabilitas dan validitas. Pengambilan sampel harus acak atau representatif yang cukup untuk mendukung lompatan inferensial dari statistik sampel ke parameter populasi.

4

Uji inferensial yang sesuai (uji-t, ANOVA, chi-kuadrat, regresi, dll.) diterapkan pada data. Uji ini menghasilkan nilai-p — probabilitas mengamati hasil setidaknya seekstrem yang diperoleh, mengingat H0 benar. Tingkat alfa yang telah ditentukan sebelumnya (umumnya 0,05) berfungsi sebagai ambang batas keputusan.

Rumus
H_0: \mu_1 = \mu_2 \quad \text{vs} \quad H_1: \mu_1 \neq \mu_2
5

Jika p < alfa, H0 ditolak demi H1 dan temuan dinyatakan signifikan secara statistik; ukuran efek dan interval kepercayaan juga dilaporkan untuk menyampaikan besaran praktis. Jika p >= alfa, peneliti gagal menolak H0 — ini tidak mengkonfirmasi H0 tetapi membiarkannya sebagai default yang berlaku. Hasil diinterpretasikan dalam kerangka kerja teoretis asli.

Rumus
p < \alpha \Rightarrow \text{reject } H_0

Kesalahan umum

  • HARKing (Hypothesizing After Results are Known) — menyajikan hipotesis post-hoc seolah-olah dinyatakan a priori mengubah temuan eksploratif menjadi konfirmasi palsu. Pra-registrasi adalah obat standar.
  • Mengabaikan kekuatan (power): menjalankan studi tanpa analisis kekuatan dan kemudian menafsirkan hasil yang tidak signifikan sebagai 'tidak ada efek' adalah kesalahan umum dan serius. Nilai-p yang tidak signifikan dari studi yang kurang bertenaga tidak informatif.
  • Mencampuradukkan nilai-p dengan ukuran efek: selalu laporkan Cohen's d, eta-squared, r, atau yang setara bersama dengan nilai-p sehingga pembaca dapat menilai pentingnya praktis.
  • Pencarian alfa (p-hacking): menguji beberapa hasil, subkelompok, atau spesifikasi model dan hanya melaporkan yang signifikan. Terapkan Bonferroni, Benjamini–Hochberg, atau pra-registrasi semua analisis.
  • Memperlakukan kegagalan menolak H0 sebagai bukti bahwa H0 benar: gunakan uji kesetaraan (TOST) atau metode Bayesian jika tujuan Anda adalah untuk menunjukkan ketiadaan efek.

Pertanyaan yang sering diajukan

Apa perbedaan antara penelitian uji hipotesis dan penelitian konfirmatori?

Penelitian uji hipotesis adalah mekanisme spesifik — prosedur statistik formal (H0 vs. H1, nilai-p, alfa). Penelitian konfirmatori adalah filosofi desain yang lebih luas bahwa prediksi yang diturunkan dari teori harus diuji terhadap data baru sebelum diterima. Semua penelitian uji hipotesis bersifat konfirmatori dalam semangatnya, tetapi penelitian konfirmatori juga dapat melibatkan perbandingan model atau pembaruan Bayesian tanpa kerangka kerja NHST klasik.

Bagaimana cara memilih tingkat signifikansi (alfa) yang tepat?

Alfa = 0,05 adalah default konvensional di sebagian besar ilmu sosial dan perilaku, tetapi itu adalah konvensi sosial, bukan kebenaran universal. Gunakan alfa = 0,01 ketika positif palsu sangat mahal (misalnya, merekomendasikan intervensi yang mahal). Gunakan alfa = 0,10 dalam desain eksploratif-konfirmatori di mana negatif palsu menjadi perhatian yang lebih besar. Selalu justifikasi pilihan Anda di bagian metode, dan selalu laporkan nilai-p yang tepat bersama dengan keputusan ambang batas.

Hasil saya tidak signifikan. Bisakah saya menyimpulkan tidak ada efek?

Tidak. Hasil yang tidak signifikan hanya berarti bahwa data tidak memberikan bukti yang cukup untuk menolak H0 pada tingkat alfa yang dipilih — itu tidak mengkonfirmasi H0. Untuk membuat klaim afirmatif 'tidak ada efek yang berarti' Anda memerlukan uji kesetaraan formal (misalnya, dua uji satu sisi, TOST) atau analisis Bayesian yang mengukur bukti yang mendukung H0 relatif terhadap H1.

Apa itu pra-registrasi dan mengapa itu penting?

Pra-registrasi berarti merekam secara publik hipotesis, desain, ukuran sampel, dan rencana analisis Anda sebelum mengumpulkan data (melalui OSF, AsPredicted, atau registri serupa). Ini menciptakan garis pemisah yang jelas antara analisis konfirmatori dan eksploratif, sehingga tidak mungkin untuk menyajikan temuan eksploratif secara retroaktif sebagai temuan yang didorong oleh hipotesis. Jurnal semakin membutuhkan atau memberi penghargaan pada pra-registrasi sebagai indikator kualitas.

Haruskah saya melaporkan ukuran efek bersama dengan nilai-p?

Ya — ini sekarang dianggap wajib oleh APA Publication Manual (edisi ke-7) dan sebagian besar jurnal besar. Signifikansi statistik memberi tahu Anda apakah suatu efek dapat dibedakan dari nol mengingat ukuran sampel Anda; ukuran efek (Cohen's d, r, eta-squared, odds ratio) memberi tahu Anda seberapa besar atau bermakna efek sebenarnya. Nilai-p yang signifikan dengan ukuran efek yang sangat kecil sering menunjukkan dampak dunia nyata yang sangat kecil.

Metode terkait

Sumber

  1. Kerlinger, F. N., & Lee, H. B. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN: 978-0030417603
    Disalin.
  2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

    ISBN: 978-0805802832
    Disalin.