Dimensi Data : Yuk Pahami Dua Tipe Uji Hipotesa Dalam Pengolahan Data

Setiap data tentu memiliki dimensi data didalamnya. Dimensi data akan mempermudah kamu dalam melakukan pengolahan data karena setiap entitas memiliki nama sebagai penanda sekaligus mempermudah kamu melakukan penarikan data. Namun, perlu kamu ketahui bahwa dalam teknik pengolahan banyak dimensi data terdapat dua pengujian hipotesa awal. Kedua pengujian ini adalah uji hipotesa secara parametrik dan non-parametrik. Uji hipotesa parametrik biasanya memiliki asumsi-asumsi tertentu yang ketat mengenai parameter populasi. Sementara uji hipotesa non parametrik merupakan alternatif dari uji hipotesa parametrik bila asumsi-asumsi pada teknik parametrik tidak terpenuhi. 

Yuk, bersama DQLab pahami lebih jauh kedua uji hipotesa untuk dimensi datamu !

1. Uji Hipotesa Parametrik : Ukur Parameter Populasi Datamu

Uji hipotesa parametrik biasanya memiliki asumsi-asumsi tertentu yang ketat mengenai parameter populasi. Sebagai contoh uji ANOVA, yang merupakan uji hipotesa parametrik, dapat digunakan untuk menguji mean beberapa populasi memiliki asumsi data yang diuji berasal dari distribusi Gaussian (distribusi Normal) dan asumsi kesamaan varians dari masing-masing grup yang diuji. Uji hipotesa parametrik lebih kuat daripada uji hipotesa non parametrik.

Baca Juga : Data Analisis : 2 Jenis Metode yang Penting Untuk Kamu Tahu dalam Analisis Data

2. Uji Hipotesa Non-Parametrik : Alternatif Uji Parametrikmu

Uji hipotesa non parametrik merupakan alternatif dari uji hipotesa parametrik bila asumsi-asumsi pada teknik parametrik tidak terpenuhi. Alternatif nonparametrik dari uji ANOVA adalah uji Kruskal-Wallis. Asumsi dari uji Kruskal-Wallis adalah data gerasar dari beberapa populasi independen dengan skala pengukuran data minimal ordinal. Uji ini akan segera mungkin dilakukan bila pertanyaan atau hasil dari uji parametrik tidak dapat menjawab permasalahan yang dihadapi. Sehingga, kamu akan mendapatkan perbandingan hasil berdasarkan kedua uji ini.

3. Bagaimana Langkah Pengujian Hipotesa ?

1. Tuliskan hipotesa null vs hipotesa alternatifnya:  vs.

2. Tentukan tingkat signifikansi (level of significance)  untuk uji hipotesa.

3.  Hitung uji statistik (test statistic) yang sesuai dengan tipe uji hipotesa.

4. Cari nilai kritis pada tabel distribusi yang sesuai dengan distribusi uji statistik (test statistic) atau hitung p-value.

5. Buatlah kesimpulan dengan membandingkan test statistic dengan nilai kritis atau bandingkan p-value dengan tingkat signifikansi  yang sudah dipilih. Tolak  pada tingkat signifikansi  bila .

Pada langkah penulisan uji hipotesa, hipotesa null mengenai suatu nilai parameter populasi merupakan pernyataan yang plausibel mengenai parameter tersebut. Biasanya pernyataan ini merupakan status quo atau keadaan yang ada.

Skenario yang ingin diuji diletakkan pada hipotesa alternatif  sehingga nantinya hipotesa null akan ditolak dan digantikan dengan hipotesa alternatif bila terdapat "cukup bukti" pada sampel. "Kecukupan bukti" ini diharapkan dapat menjaga kita dari salah menyimpulkan terdapat perbedaan signifikan (penolakan ) karena "kebetulan"/ proses random padahal tidak terdapat perbedaan signifikan ( benar).

Baca Juga : Lengkapi Proses EDA Kamu Dengan Metode Analisis Data Berikut!

4. Awali Belajar Menjadi Praktisi Data Dengan Belajar Data Scieence Gratis Bersama DQLab !

Terapkan ilmunya sekarang dengan bergabung bersama platform belajar online DQLab! Selain bisa meningkatkan ilmu data yang dimiliki, kamu juga bisa membangun portofolio datamu di DQLab guna mempersiapkan dirimu berkarir di industri data. 

Sign Up untuk nikmati module GRATIS "Introduction to Data Science" dengan pengalaman belajar yang seru menyenangkan serta aplikatif pada industri nyata! Untuk kamu yang ingin mulai belajar Data Science atau siap berkarir jadi Data Analyst, Data Scientist, dan Data Engineer, persiapkan diri kamu dengan tepat sekarang. Tidak ada kata terlambat untuk belajar. Yuk #MulaiBelajarData di DQLab.

Dengan belajar di DQLab, kamu bisa:

• Menerapkan teknik mengolah data kotor, hasilkan visualisasi data dan model prediksi dengan studi kasus Retail dan Finansial

• Dapatkan sesi konsultasi langsung dengan praktisi data lewat data mentoring

• Bangun portofolio data langsung dari praktisi data Industri

• Akses Forum DQLab untuk berdiskusi.

Simak informasi di bawah ini untuk mengakses gratis module "Introduction to Data Science":

1. Buat Akun Gratis dengan Signup di DQLab.id/signup

2. Akses module Introduction to Data Science

3. Selesaikan modulenya, dapatkan sertifikat & reward menarik dari DQLab

Penulis : Tantut Wahyu

Editor : Annissa Widya Davita