Uji t dan ANOVA sama-sama dipakai untuk membandingkan rata-rata. Bedanya ada pada jumlah kelompok dan cara kelompok itu terbentuk. Memakai uji t berkali-kali untuk tiga kelompok, atau memakai uji t independen untuk data sebelum dan sesudah, adalah kesalahan yang cukup sering muncul dan mudah dikenali penguji.
Tiga uji, tiga situasi
Uji t sampel independen
Dipakai untuk membandingkan rata-rata dua kelompok yang berisi orang berbeda. Contoh topik karangan: skor motivasi belajar siswa kelas yang memakai metode diskusi dibandingkan dengan kelas yang memakai metode ceramah.
Uji t berpasangan
Dipakai untuk membandingkan dua pengukuran pada orang yang sama, misalnya skor pengetahuan peserta sebelum dan sesudah pelatihan. Karena setiap orang dibandingkan dengan dirinya sendiri, data perlu disusun berpasangan: satu baris per peserta, satu kolom untuk sebelum, satu kolom untuk sesudah.
ANOVA satu jalur
Dipakai untuk membandingkan rata-rata tiga kelompok atau lebih pada satu faktor. Contohnya, kepuasan pelanggan di tiga cabang toko. Melakukan uji t berulang untuk setiap pasangan cabang akan memperbesar peluang menemukan perbedaan yang sebenarnya hanya kebetulan. ANOVA menguji semua kelompok sekaligus.
Asumsi yang perlu dicek
Uji t dan ANOVA termasuk uji parametrik. Asumsi yang umum diajarkan:
- Variabel yang dibandingkan berskala interval atau rasio, atau skor gabungan yang diperlakukan demikian.
- Data di setiap kelompok menyebar mendekati normal. Untuk uji t berpasangan, yang dicek adalah selisih antar pasangan.
- Varians antar kelompok kurang lebih sama, untuk uji t independen dan ANOVA. Uji Levene sering dipakai untuk mengeceknya.
- Pengamatan saling bebas, kecuali memang dirancang berpasangan.
Kalau varians tidak sama pada uji t independen, banyak program menyediakan baris hasil alternatif yang tidak mengasumsikan varians sama. Bacalah baris yang sesuai dengan hasil uji Levene. Kalau asumsi normalitas jelas dilanggar dan sampelnya kecil, pertimbangkan padanan nonparametriknya, seperti Mann-Whitney U, Wilcoxon atau Kruskal-Wallis.
Membaca nilai signifikansi
Cara baca yang umum: bila nilai signifikansi lebih kecil dari taraf yang dipilih, umumnya 0,05, hipotesis nol bahwa rata-rata kelompok sama ditolak. Ikuti buku metode dan pedoman yang dipakai kampusmu untuk taraf yang dipakai.
Untuk uji t, lihat juga arah perbedaannya dari rata-rata setiap kelompok. Hasil signifikan hanya mengatakan ada perbedaan, rata-rata kelompoklah yang mengatakan mana yang lebih tinggi.
Untuk ANOVA, hasil yang signifikan hanya mengatakan setidaknya ada satu kelompok yang berbeda. Untuk tahu kelompok mana, perlu uji lanjut (post hoc), misalnya uji Tukey atau uji lain yang disarankan buku metodemu. Letak pilihan uji lanjut berbeda antar program dan versi, biasanya ada di pengaturan tambahan analisis ANOVA.
Contoh menuliskan hasil
Contoh dengan nilai karangan untuk uji t independen:
“Rata-rata skor motivasi kelas dengan metode diskusi lebih tinggi daripada kelas dengan metode ceramah. Hasil uji t sampel independen menunjukkan nilai signifikansi di bawah 0,05, sehingga perbedaan tersebut signifikan dan hipotesis diterima.”
Contoh untuk ANOVA:
“Hasil ANOVA satu jalur menunjukkan terdapat perbedaan kepuasan pelanggan di antara ketiga cabang. Uji lanjut Tukey menunjukkan cabang A berbeda dengan cabang C, sedangkan cabang B tidak berbeda dengan kedua cabang lainnya.”
Dalam tabel, sertakan jumlah data, rata-rata dan simpangan baku setiap kelompok, nilai statistik uji, dan nilai signifikansinya. Sebagian pedoman juga meminta ukuran efek. Cek pedoman kampusmu.
Kesalahan yang sering muncul
- Memakai uji t independen untuk data sebelum dan sesudah pada orang yang sama.
- Menjalankan uji t berkali-kali alih-alih ANOVA untuk tiga kelompok atau lebih.
- Berhenti di ANOVA yang signifikan tanpa uji lanjut, lalu menyimpulkan semua kelompok berbeda.
- Menulis “tidak ada perbedaan” sebagai bukti bahwa kelompok sama persis. Yang tepat, tidak ditemukan perbedaan yang signifikan.
- Melaporkan signifikansi tanpa rata-rata kelompok, sehingga pembaca tidak tahu arah perbedaannya.
Kalau kamu belum yakin uji mana yang cocok untuk datamu, mulai dari memilih uji statistik sesuai jenis data.