Nilai p (p-value) dalam uji hipotesis adalah ukuran probabilitas yang menunjukkan seberapa besar kemungkinan hasil yang diperoleh dari sampel terjadi jika hipotesis nol (H₀) benar di populasi. Dengan kata lain, p-value membantu kita menilai bukti terhadap hipotesis nol.
1. Pengertian Nilai p
Nilai p adalah probabilitas bahwa hasil yang setidaknya sama ekstrem dengan data yang diperoleh dari sampel akan muncul, dengan asumsi H₀ benar.
Misalnya, jika p = 0,03, artinya ada kemungkinan 3% kita mendapatkan data seperti ini (atau lebih ekstrem) jika sebenarnya tidak ada efek/perbedaan di populasi (H₀ benar).
2. Hubungan Nilai p dengan Sampel
Nilai p dihitung berdasarkan data sampel.
Semakin besar ukuran sampel, biasanya semakin stabil estimasi dan semakin kecil p-value jika memang ada efek nyata.
Sampel kecil bisa membuat p-value besar meski ada perbedaan nyata, karena power statistik rendah.
3. Hubungan Nilai p dengan Populasi
Populasi adalah sasaran inferensi: dari sampel, kita menarik kesimpulan tentang populasi.
Nilai p tidak langsung menyatakan peluang hipotesis nol benar atau salah, melainkan seberapa konsisten data sampel dengan asumsi H₀ pada populasi.
Dengan kata lain, p-value adalah jembatan antara data sampel (yang kita punya) dan kesimpulan populasi (yang ingin kita tarik).
4. Interpretasi Praktis
p < α (misalnya α = 0,05): hasil dianggap signifikan → tolak H₀ → ada bukti bahwa perbedaan/efek di populasi mungkin nyata.
p ≥ α: gagal menolak H₀ → data tidak cukup bukti untuk menyatakan ada perbedaan/efek di populasi.
📌 Jadi, nilai p berasal dari sampel, tetapi maknanya digunakan untuk mengambil keputusan tentang populasi.
Intinya: kalau benar-benar semua anggota populasi diikutkan (sensus), uji hipotesis dan p-value—dalam kerangka inferensi karena sampling—tidak lagi diperlukan. Parameter populasi sudah diketahui dari data, jadi “ketidakpastian karena pengambilan sampel” = nol.
Kenapa p-value jadi tidak relevan pada sensus?
p-value mengukur konsistensi data sampel terhadap H₀ jika “kita mengulang pengambilan sampel dari populasi yang sama.”
Pada sensus, tidak ada sampling → tidak ada variabilitas sampling → tidak ada dasar probabilistik untuk p-value.
Konsekuensinya, confidence interval berbasis sampling juga (secara prinsip) tak diperlukan; yang dilaporkan adalah angka parameter populasi (rata-rata populasi, proporsi populasi, selisih rata-rata populasi, dsb.).
Kapan p-value masih bisa muncul meski “semua diambil”?
Ada beberapa pengecualian sah, tetapi perlu dijelaskan eksplisit tujuan inferensinya:
1. Superpopulation/target populasi lebih luas.
Anda mengobservasi seluruh populasi tahun 2024, tetapi inferensi yang ingin dibuat adalah untuk populasi konseptual (mis. angkatan/tahun lain, instansi serupa, atau “proses yang menghasilkan data”). Di sini p-value merefleksikan ketidakpastian terhadap populasi lebih luas, bukan frame yang sudah disensus.
2. Eksperimen dengan pengacakan (randomization inference).
Jika ada penugasan perlakuan secara acak di dalam populasi (mis. semua ASN diikutkan lalu diacak ke dua metode pelatihan), p-value sah sebagai inferensi karena pengacakan, bukan karena sampling.
3. Model-based error (measurement/process noise).
Kadang peneliti memodelkan error pengukuran atau fluktuasi proses (time series, hitungan kejadian) sehingga p-value lahir dari model stokastik, bukan dari sampling.
Jika tidak berada pada tiga situasi ini, melaporkan p-value pada sensus biasanya keliru.
Praktik pelaporan yang tepat untuk sensus
Gunakan statistik deskriptif dan efek populasi:
- Laporkan rata-rata, median, sebaran, serta perbedaan antar-kelompok sebagai selisih parameter populasi (bukan “estimasi”).
- Sertakan ukuran efek (Cohen’s d untuk selisih mean, risk difference/ratio, odds ratio) sebagai efek populasi.
- Jika perlu ketidakpastian non-sampling (mis. ulangan pengukuran), jelaskan sumber ketidakpastian dan metode analitiknya (bukan uji signifikansi standar).
Contoh redaksi (untuk metode & hasil)
Metode (sensus, tanpa inferensi sampling):
“Studi ini merupakan sensus terhadap seluruh [N] unit pada tahun 2024; oleh karena itu, analisis berfokus pada parameter populasi tanpa uji signifikansi berbasis sampling. Kami melaporkan ukuran efek populasi dan ringkasan distribusi.”
Metode (jika ingin inferensi ke superpopulation):
“Walau mencakup seluruh unit tahun 2024, inferensi ditujukan pada populasi lebih luas (angkatan/tahun berikutnya). Oleh sebab itu, uji hipotesis dan interval kepercayaan dipakai untuk merepresentasikan ketidakpastian terhadap populasi konseptual tersebut.”
Hasil (sensus):
“Rata-rata skor kompetensi populasi = 78,4; selisih rata-rata populasi (Pelatihan A – B) = 6,2 poin. Karena ini sensus, angka di atas adalah parameter populasi; p-value tidak dilaporkan.”
Ringkasnya : Sensus → deskriptif & ukuran efek populasi; hindari p-value.
Gunakan p-value hanya jika: (a) ada target superpopulation yang jelas, (b) randomization inference, atau (c) model stokastik yang menjadi sumber ketidakpastian—dan jelaskan eksplisit dasar inferensinya.
Contoh Kasus Sensus pakai p-value
1. Superpopulation (Populasi Konseptual Lebih Luas)
Kasus:
Seorang peneliti mengukur seluruh mahasiswa Psikologi angkatan 2024 di USU (N = 320) untuk skala resiliensi akademik. Secara teknis ini sensus, jadi rata-rata skor yang diperoleh adalah parameter populasi angkatan 2024.
Mengapa p-value bisa relevan?
Peneliti ingin menggeneralisasi hasil ini ke superpopulation, yaitu “mahasiswa psikologi USU angkatan berikutnya” atau bahkan “mahasiswa psikologi di Indonesia.”
→ Maka p-value dipakai untuk mengukur ketidakpastian saat menyatakan bahwa hasil tahun 2024 mencerminkan populasi konseptual yang lebih luas.
2. Randomisasi Perlakuan (Randomization Inference)
Kasus:
Dalam sebuah pelatihan “Mindfulness untuk Stres Akademik”, peneliti mengikutkan semua dosen Psikologi USU (N = 40). Karena semua ikut, ini sensus dosen.
Mengapa p-value bisa relevan?
Dosen dibagi secara acak ke dua kelompok:
Kelompok A: mindfulness berbasis aplikasi,
Kelompok B: mindfulness berbasis kelompok tatap muka.
Hasil skor stres dibandingkan. Variabilitas bukan dari sampling populasi, melainkan dari proses randomisasi perlakuan.
→ p-value sah digunakan untuk menguji apakah perbedaan skor benar-benar akibat perlakuan, bukan sekadar variasi acakan.
3. Memodelkan Noise Proses/Pengukuran (Model-Based Error)
Kasus:
Peneliti menilai seluruh populasi pasien di klinik psikologi USU (N = 120) dengan skala depresi. Namun, instrumen pengukuran memiliki error reliabilitas (misalnya α = 0,82).
Mengapa p-value bisa relevan?
Meskipun semua pasien sudah diukur (sensus klinik), skor tetap tidak pasti karena ada noise pengukuran. Jika peneliti ingin menguji hipotesis, misalnya “Pasien dengan terapi kognitif perilaku menunjukkan skor depresi lebih rendah dibanding terapi konseling suportif,” maka p-value berasal dari model error pengukuran, bukan dari sampling.
Ringkasnya
Superpopulation → sensus digunakan untuk menginferensi ke populasi konseptual yang lebih luas.
Randomisasi → p-value sah karena sumber ketidakpastian adalah acakan perlakuan, bukan sampel.
Noise Pengukuran → p-value muncul karena model statistik mengasumsikan error dalam instrumen/proses meski datanya sensus.
Referensi
1. Graubard, B. I., & Korn, E. L. (2002). Inference for superpopulation parameters using sample surveys. Statistical Science, 17(1), 73–80. Project Euclid (OA).
2. Hirschauer, N., Grüner, S., Mußhoff, O., Becker, C., & Jantsch, A. (2020). Can p-values be meaningfully interpreted without random sampling? Statistics Surveys, 14, 71–91. Project Euclid (OA).
3. Lyu, Z., Zhu, X., Yao, J., & Hu, X. (2018). P-Value, confidence intervals, and statistical inference: A new dataset of misinterpretation. Frontiers in Psychology, 9, 868. (OA).
4. Dinov, I. D., Christou, N., & Sanchez, J. (2018). Randomization-based statistical inference: A resampling approach. Teaching Statistics, 40(1), 34–40. Versi repositori (OA).
5. Rigdon, J., & Hudgens, M. G. (2015). Randomization inference for treatment effects on a binary outcome. Journal of the Royal Statistical Society: Series B, 77(2), 423–448. Versi PubMed Central / PubMed (OA/full-text link).
6. Zhang, Y., & Zhao, Q. (2022). What is a randomization test? Journal of the American Statistical Association (OA preprint). arXiv:2203.10980.
(Alternatif OA penerbit: versi “full article” di T&F bila tersedia terbuka).
7. Ritzwoller, D. M., Romano, J. P., & Shaikh, A. M. (2024). Randomization inference: Theory and applications. arXiv preprint arXiv:2406.09521. (OA).
(Versi PDF mirror OA juga tersedia di laman penulis).
8. Fogarty, C. B., Shi, P., Mikkelsen, M. E., & Small, D. S. (2016). Randomization inference and sensitivity analysis for composite null hypotheses with binary outcomes in matched observational studies. Journal of the American Statistical Association (OA preprint/working paper). MIT repository PDF.
9. Kennedy, L., & Gelman, A. (2021). Know your population and know your model: Using model-based regression and poststratification to generalize findings beyond the observed sample. Psychological Methods, 26(5), 547–558. Versi PMC (OA) & arXiv preprint.
10. Lew, M. J. (2020). A reckless guide to P-values: Local evidence, global errors. Dalam A. Bespalov, M. Michel, & T. Steckler (Eds.), Good Research Practice in Non-Clinical Pharmacology and Biomedicine (pp. 223–256). Springer. Open Access chapter.
Comments
Post a Comment