Metode Statistik - 10 menit - 6 Juli 2026

Apa Arti H0, H1, p-value, dan Alpha?

Panduan memahami H0, H1, alpha, p-value, dan arti signifikan supaya tidak salah membaca hasil uji statistik di SPSS atau output skripsi.

H₀, H₁, p-value, dan alpha adalah istilah inti dalam uji hipotesis. Cara berpikirnya dimulai dari pertanyaan sederhana: apakah hasil yang muncul di sampel masih masuk akal jika tidak ada efek, tidak ada perbedaan, atau tidak ada hubungan di populasi? Jika hasil itu terlalu jarang terjadi dalam kondisi H₀, peneliti mulai punya alasan untuk meragukan H₀. Urutannya: pahami logika peluang, nyatakan H₀ dan H₁, tentukan alpha, baca p-value, lalu tulis keputusan statistik dengan batas klaim yang tepat.

Tujuan belajar

Setelah membaca artikel ini, Anda seharusnya bisa menjelaskan logika dasar uji hipotesis: bagaimana sebuah hasil sampel bisa membuat H₀ diragukan.

Anda juga seharusnya bisa membedakan probabilitas sebuah hasil data dari probabilitas sebuah hipotesis. Ini penting karena p-value sering keliru dibaca sebagai peluang H₀ benar atau salah.

Tujuan akhirnya praktis: Anda bisa membaca angka Sig. atau p-value di output SPSS, SmartPLS, EViews, STATA, R, atau Python, lalu menulis keputusan hipotesis tanpa membuat klaim yang terlalu jauh.

Logika dasar uji hipotesis

Dalam uji hipotesis, peneliti tidak langsung bertanya apakah hipotesis penelitian pasti benar. Pertanyaan awalnya lebih terbatas: jika H₀ benar, seberapa mungkin hasil sampel seperti ini muncul?

Contoh klasiknya adalah 16 percobaan pilihan. Misalnya seseorang benar 13 kali dari 16 percobaan. Hasil itu belum membuktikan ia punya kemampuan khusus. Ia masih mungkin hanya menebak dan sedang beruntung.

Pertanyaan statistiknya adalah: seberapa besar peluang mendapat 13 jawaban benar atau lebih jika orang itu hanya menebak? Dengan model binomial sederhana, peluangnya sekitar 0,0106. Nilai serendah ini membuat penjelasan 'hanya menebak' menjadi kurang masuk akal.

Pola ini sama dengan banyak output statistik. Jika selisih rata-rata, korelasi, koefisien regresi, atau path coefficient sangat jarang muncul ketika H₀ benar, maka data memberi alasan untuk meragukan H₀.

Jadi, uji hipotesis bekerja dengan membandingkan hasil sampel terhadap kondisi yang dianggap netral. Hasil sampel tidak dibaca sendirian, tetapi dibaca terhadap model atau asumsi awal yang disebut H₀.

Peluang benar 13 kali atau lebih dari 16 percobaan

P(X \geq 13 \mid n = 16, p = 0.5) = \sum_{x=13}^{16} \binom{16}{x}(0.5)^x(0.5)^{16-x} \approx 0.0106

Jika peluang sukses setiap percobaan adalah 0,5, hasil 13 benar atau lebih dari 16 percobaan sangat jarang muncul hanya karena menebak.

Apa itu H0 dan H1

H₀ disebut null hypothesis atau hipotesis nol. Dalam banyak penelitian, H₀ menyatakan bahwa efek yang terlihat dapat dijelaskan oleh kebetulan: tidak ada efek, tidak ada perbedaan, tidak ada hubungan, atau nilai parameter sama dengan angka tertentu.

Contohnya, rata-rata waktu pada dua kelompok sama, selisih rata-ratanya nol, korelasi populasi sama dengan nol, atau peluang sukses dalam percobaan tebakan sama dengan 0,5.

H₁ disebut alternative hypothesis atau hipotesis alternatif. H₁ adalah kebalikan atau lawan dari H₀. Jika H₀ menyatakan tidak ada perbedaan, H₁ menyatakan ada perbedaan. Jika H₀ menyatakan koefisien sama dengan nol, H₁ menyatakan koefisien tidak sama dengan nol atau memiliki arah tertentu.

Dalam penelitian skripsi, H₁ biasanya dekat dengan hipotesis penelitian. Namun secara statistik, H₁ tetap harus ditulis mengikuti bentuk uji yang dipakai. Hipotesis regresi, uji beda, korelasi, chi-square, dan SEM tidak selalu ditulis dengan pola yang sama.

H₀ dan H₁ sebaiknya ditetapkan sebelum output dibaca. Jika hipotesis diubah setelah melihat angka p-value, interpretasi bisa terlihat seperti mengikuti hasil, bukan mengikuti rancangan penelitian.

H0 dua rata-rata populasi sama

H_0: \mu_{obese} = \mu_{average}

Dua rata-rata populasi dinyatakan sama. Dalam laporan, nama kelompok bisa diganti sesuai variabel penelitian Anda.

Bentuk selisih rata-rata

H_0: \mu_{obese} - \mu_{average} = 0

Bentuk ini ekuivalen dengan dua rata-rata sama, tetapi ditulis sebagai selisih parameter.

H0 untuk korelasi

H_0: \rho = 0

Untuk studi korelasional, H₀ sering menyatakan korelasi populasi sama dengan nol.

H0 untuk peluang menebak

H_0: \pi = 0.5

Jika seseorang hanya menebak dua pilihan dengan peluang seimbang, peluang benar pada satu percobaan adalah 0,5.

Alternatif setelah H0 ditolak

\begin{aligned} H_1 &: \mu_{obese} < \mu_{average} \\ H_1 &: \mu_{obese} > \mu_{average} \end{aligned}

Arah perbedaan dibaca dari data dan desain hipotesis. Jangan memilih arah hanya karena hasil output terlihat menguntungkan.

Apa itu p-value

p-value adalah probability value. Secara praktis, p-value menunjukkan seberapa mungkin kita mendapat hasil sampel seperti yang diamati, atau hasil yang lebih ekstrem, jika H₀ benar.

Pada contoh 16 percobaan, p-value 0,0106 adalah peluang seseorang benar 13 kali atau lebih jika ia hanya menebak. Angka itu bukan peluang bahwa orang tersebut tidak bisa membedakan pilihan.

Hal penting: p-value bukan probabilitas bahwa H₀ benar. p-value juga bukan probabilitas bahwa H₁ benar. p-value adalah probabilitas hasil data dengan asumsi H₀ benar, bukan probabilitas hipotesis setelah melihat data.

Jika p-value kecil, hasil sampel terlihat kurang cocok dengan H₀. Artinya, data memberi alasan untuk meragukan H₀. Jika p-value besar, hasil sampel masih cukup masuk akal di bawah H₀, sehingga bukti untuk menolak H₀ belum kuat.

Di SPSS, p-value sering muncul sebagai Sig. Di SmartPLS, p-value biasanya muncul bersama t-statistic dari bootstrapping. Di EViews, STATA, R, atau Python, labelnya bisa p-value, Prob., Pr, atau istilah sejenis.

Bentuk umum p-value

p\text{-value} = P(\text{hasil setidaknya seekstrem data} \mid H_0)

Yang dihitung adalah peluang hasil data dengan H₀ sebagai asumsi awal.

Yang sering tertukar

P(\text{data} \mid H_0) \neq P(H_0 \mid \text{data})

p-value berada di sisi kiri: probabilitas data jika H₀ benar. Ia bukan probabilitas H₀ benar setelah data diamati.

Bentuk statistik uji

p = P(T \geq T_{\mathrm{obs}} \mid H_0)

T adalah statistik uji dan Tobs adalah nilai statistik uji yang diamati dari sampel.

Uji satu arah dan dua arah

Pertanyaan penelitian menentukan apakah p-value dibaca sebagai satu arah atau dua arah. Jika pertanyaannya hanya apakah hasil lebih besar dari batas tertentu, uji satu arah bisa dipakai. Jika pertanyaannya apakah hasil menyimpang ke arah mana pun dari kondisi netral, uji dua arah lebih tepat.

Pada contoh 16 percobaan, hasil 13 benar dari 16 bisa dibaca sebagai ekor kanan: peluang mendapat 13 benar atau lebih jika hanya menebak adalah 0,0106. Namun jika pertanyaannya adalah apakah orang itu bisa membedakan dua kondisi, hasil yang sangat rendah seperti 3 benar dari 16 juga sama ekstremnya. Karena itu, uji dua arah menghitung dua sisi distribusi.

Dalam contoh simetris dengan peluang benar 0,5, dua arah menjadi dua kali peluang ekor kanan: 0,0106 dikali dua, sehingga p-value dua arah adalah 0,0212.

Keputusan satu arah atau dua arah sebaiknya dibuat sebelum output dibaca. Jika arah uji dipilih setelah melihat hasil, kesimpulan statistik bisa terlihat mengikuti angka, bukan mengikuti rancangan penelitian.

Uji dua arah pada contoh tebakan

\begin{aligned} H_0 &: \pi = 0.5 \\ H_1 &: \pi \neq 0.5 \\ p &= P(X \leq 3) + P(X \geq 13) = 0.0212 \end{aligned}

Dua arah menghitung hasil yang sangat tinggi dan sangat rendah karena keduanya menyimpang jauh dari peluang tebakan 0,5.

Uji satu arah pada contoh tebakan

\begin{aligned} H_0 &: \pi \leq 0.5 \\ H_1 &: \pi > 0.5 \\ p &= P(X \geq 13) = 0.0106 \end{aligned}

Satu arah hanya menghitung sisi yang sesuai dengan prediksi, misalnya kemampuan lebih baik daripada tebakan.

Perbandingan uji satu arah dan dua arah pada distribusi binomial 16 percobaan dengan peluang tebakan 0,5. — Uji satu arah menghitung satu ekor distribusi, sedangkan uji dua arah menghitung dua sisi yang sama ekstrem.

Apa itu alpha

Alpha adalah batas p-value yang dipakai untuk mengambil keputusan. Alpha juga disebut significance level. Nilai yang sering dipakai adalah 0,05. Peneliti yang lebih konservatif kadang memakai 0,01.

Jika p-value berada di bawah alpha, H₀ ditolak dan hasil disebut statistically significant. Jika p-value tidak berada di bawah alpha, H₀ tidak ditolak.

Ada dua cara membaca hasil. Pendekatan Fisher membaca p-value sebagai kekuatan bukti terhadap H₀: semakin kecil p-value, semakin kuat bukti untuk meragukan H₀. Pendekatan Neyman-Pearson menetapkan alpha lebih dulu, lalu membuat keputusan ya atau tidak.

Untuk skripsi, tesis, dan laporan SPSS, pola yang paling sering dipakai adalah membandingkan p-value dengan alpha 0,05. Yang penting, alpha sebaiknya ditentukan sebelum output dibaca.

Aturan keputusan

\begin{aligned} p < \alpha &\Rightarrow \text{tolak } H_0 \\ p \geq \alpha &\Rightarrow \text{H}_0\text{ tidak ditolak} \end{aligned}

Alpha ditetapkan sebelum analisis, lalu p-value dari output dibandingkan dengan batas tersebut.

Batas yang sering dipakai

\alpha = 0.05 \quad \text{atau} \quad \alpha = 0.01

Alpha 0,01 lebih ketat daripada alpha 0,05 karena hanya p-value yang lebih kecil yang dianggap cukup kuat untuk menolak H₀.

Bukti lemah terhadap H0

0.05 < p < 0.10

Dalam pembacaan berbasis kekuatan bukti, rentang ini sering dianggap lemah dan biasanya belum cukup untuk menolak H₀ pada batas 0,05.

Signifikan statistik bukan berarti penting secara praktis

Kata signifikan dalam statistik sering membuat pembaca salah paham. Hasil statistically significant berarti H₀ tentang tidak adanya efek ditolak pada alpha yang dipakai. Itu tidak otomatis berarti pengaruhnya besar, penting, atau berguna secara praktis.

Efek kecil bisa menjadi sangat signifikan jika ukuran sampel cukup besar. Sebaliknya, efek yang masuk akal secara teori bisa belum signifikan jika sampelnya kecil, instrumennya lemah, variasi datanya tinggi, atau modelnya belum sesuai.

Karena itu, setelah membaca p-value, peneliti tetap perlu melihat arah koefisien, besar efek, rata-rata kelompok, R-square, confidence interval jika tersedia, dan konteks teori.

Untuk Bab 4, kalimat interpretasi yang baik tidak berhenti di 'signifikan' atau 'tidak signifikan'. Kalimatnya perlu menyebut variabel, arah hasil, batas alpha, dan konteks model.

Empat langkah membaca keputusan hipotesis

Langkah pertama adalah menyatakan H₀. Untuk uji dua arah, H₀ biasanya menyatakan bahwa parameter sama dengan nol. Untuk uji satu arah, H₀ ditulis sebagai kebalikan dari prediksi penelitian.

Langkah kedua adalah menentukan alpha. Nilai umum adalah 0,05 atau 0,01, tetapi dalam skripsi dan tesis biasanya mengikuti pedoman kampus, pembimbing, atau kebiasaan bidang penelitian.

Langkah ketiga adalah menghitung atau membaca p-value. Di SPSS, lihat kolom Sig. Pada regresi, pastikan p-value yang dibaca adalah p-value variabel atau uji yang sesuai, bukan angka dari tabel lain.

Langkah keempat adalah membandingkan p-value dengan alpha. Jika p-value lebih kecil dari alpha, H₀ ditolak. Jika p-value lebih besar atau sama dengan alpha, H₀ tidak ditolak. Gagal menolak H₀ bukan berarti H₀ didukung. Artinya, data belum cukup kuat untuk menolaknya.

H0 dua arah

H_0: \mu_1 - \mu_2 = 0 \quad \Leftrightarrow \quad \mu_1 = \mu_2

Untuk uji dua arah, H₀ biasanya menyatakan tidak ada perbedaan parameter.

H0 satu arah jika prediksi μ1 lebih besar dari μ2

H_0: \mu_2 - \mu_1 \geq 0 \quad \Leftrightarrow \quad \mu_1 \leq \mu_2

Jika prediksi penelitian menyatakan μ1 lebih besar, H₀ ditulis sebagai kondisi sebaliknya.

Alur keputusan uji hipotesis: nyatakan H₀, tetapkan alpha, baca p-value, lalu bandingkan p-value dengan alpha. — Alur akademik uji hipotesis: mulai dari H₀, tetapkan alpha, baca p-value, lalu bandingkan p-value dengan alpha sebelum menulis keputusan statistik.

Contoh kerja sederhana

Misalkan penelitian ingin melihat apakah kualitas layanan berpengaruh terhadap kepuasan pelanggan. Dalam model regresi, H₀ dapat dibaca sebagai koefisien kualitas layanan sama dengan nol. H₁ dapat dibaca sebagai koefisien kualitas layanan tidak sama dengan nol atau berpengaruh terhadap kepuasan pelanggan.

Alpha ditetapkan 0,05. Setelah output SPSS dibaca, nilai Sig. untuk kualitas layanan adalah 0,018 dan koefisiennya positif. Karena 0,018 lebih kecil dari 0,05, data memberi bukti statistik yang cukup untuk menolak H₀ pada alpha 5 persen.

Kalimat interpretasi yang rapi: kualitas layanan menunjukkan pengaruh positif yang signifikan secara statistik terhadap kepuasan pelanggan pada model penelitian ini. Kalimat ini lebih aman daripada menyatakan teori pasti benar.

Contoh hasil belum signifikan: nilai Sig. variabel harga sebesar 0,314. Karena 0,314 lebih besar dari 0,05, data belum memberi bukti statistik yang cukup bahwa harga berpengaruh terhadap kepuasan pelanggan pada model tersebut. Hasil ini tetap bisa dibahas, terutama jika teori, karakteristik sampel, atau kondisi data memberi alasan metodologis yang jelas.

Kesalahan umum saat membaca p-value

Beberapa salah baca berikut sering membuat kesimpulan Bab 4 terlalu jauh dari angka output.

p-value dianggap probabilitas H₀ salah. Yang dihitung adalah probabilitas data jika H₀ benar, bukan probabilitas H₀ benar atau salah.
p-value kecil dianggap berarti efek besar. p-value kecil hanya menunjukkan hasil sampel seperti itu jarang muncul jika H₀ benar. Besar efek tetap perlu dibaca dari koefisien, mean difference, effect size, atau ukuran lain yang relevan.
Hasil tidak signifikan dianggap membuktikan H₀. Hasil tidak signifikan hanya berarti data belum cukup kuat untuk menyimpulkan H₀ salah.
p-value 0,000 ditulis sebagai peluang nol persen. Di banyak software, 0,000 berarti angka dibulatkan. Kalimat yang lebih aman adalah p-value lebih kecil dari 0,001 atau p-value lebih kecil dari alpha.
Data diubah hanya agar p-value kecil. Jika hasil tidak sesuai harapan, langkah yang benar adalah mengecek asumsi, kualitas data, instrumen, dan model, lalu menjelaskan hasil secara jujur.

Checklist membaca output untuk Bab 4

Sebelum menulis keputusan hipotesis, cocokkan angka output dengan rancangan uji yang dipakai.

Jenis uji. Uji t, ANOVA, chi-square, korelasi, regresi, SEM, dan data panel punya konteks keputusan yang berbeda.
Alpha. Jika pedoman kampus memakai 0,05, tulis keputusan berdasarkan batas itu. Jangan mengganti alpha hanya karena hasilnya hampir signifikan.
Arah hasil. Pada regresi, lihat tanda koefisien. Pada uji beda, lihat rata-rata setiap kelompok. Pada SmartPLS, lihat path coefficient, t-statistic, p-value, dan kelayakan outer model.
Batas klaim. Gunakan bahasa seperti data menunjukkan bukti statistik yang cukup atau data belum menunjukkan bukti statistik yang cukup. Hindari klaim terlalu mutlak seperti pasti benar, pasti salah, atau penelitian gagal.

Kapan sebaiknya cek ulang desain atau data

Cek ulang desain jika hipotesis, jenis data, dan metode tidak nyambung. Contohnya, data kategori dipaksa memakai uji rata-rata, data dua kelompok berpasangan dibaca sebagai kelompok independen, atau model regresi dipakai tanpa memahami variabel dependen dan independennya.

Cek ulang data jika ada missing value, outlier, duplikasi responden, kode item reverse yang belum dibalik, skala jawaban yang tidak konsisten, atau jumlah sampel terlalu kecil. Masalah seperti ini bisa mengubah p-value, arah koefisien, dan kesimpulan statistik.

Cek ulang interpretasi jika p-value signifikan tetapi arah koefisien tidak sesuai hipotesis, atau jika p-value tidak signifikan tetapi variabel tetap penting secara teori. Dalam situasi seperti ini, pembahasan Bab 4 perlu lebih hati-hati dan tidak boleh memaksa hasil agar terlihat sesuai harapan.

Atribusi sumber

Artikel ini merupakan adaptasi dan kontekstualisasi dari materi Open Educational Resources berstatus public domain.

Catatan adaptasi oleh RagamData: Materi asli diterjemahkan, diringkas, dan disesuaikan dengan konteks penelitian di Indonesia. Notasi statistik dirender ulang, visual distribusi dibuat ulang, serta contoh disesuaikan untuk membaca output software statistik dan penulisan Bab 4 skripsi atau tesis.

Sumber asli: Online Statistics Education: A Multimedia Course of Study.
Penulis / project leader: David M. Lane, Rice University.
Bagian yang dirujuk: Logic of Hypothesis Testing, terutama Introduction, Significance Testing, One- and Two-Tailed Tests, Steps in Hypothesis Testing, dan Misconceptions.
Tautan sumber: Logic of Hypothesis Testing.
Status lisensi: public domain, sebagaimana tercantum di halaman utama Online Statistics Education.

FAQ

Apakah p < 0,05 selalu berarti hipotesis penelitian pasti benar?+

Tidak. p < 0,05 berarti data memberi bukti statistik yang cukup untuk menolak H0 pada alpha 0,05. Itu belum membuktikan hipotesis penelitian benar secara mutlak dan belum otomatis menunjukkan efek yang besar secara praktis.

Apa bedanya alpha dan p-value?+

Alpha adalah batas keputusan yang ditentukan sebelum membaca hasil. p-value adalah angka dari output data. Keputusan statistik dibuat dengan membandingkan p-value terhadap alpha.

Kalau hasil tidak signifikan, apakah penelitian gagal?+

Tidak otomatis. Hasil tidak signifikan tetap bisa dilaporkan. Yang penting adalah membaca penyebab yang mungkin, seperti ukuran sampel, variasi data, instrumen, asumsi, atau model yang digunakan.

Apakah boleh mengganti alpha setelah melihat p-value?+

Sebaiknya tidak. Alpha idealnya mengikuti desain penelitian, pedoman kampus, atau standar bidang sebelum hasil dibaca. Mengganti alpha setelah melihat p-value bisa membuat keputusan statistik terlihat dipaksakan.