Memahami Penggunaan Signifikansi 1-tailed dan 2-tailed



Dalam pengujian hipotesis, kita sering langsung melihat pada nilai signifikansinya (p). Ketika nilai signifikansi kurang dari 0,05 (p<0,05) maka hipotesis nihil ditolak dan hipotesis alternatif diterima (Field, 2013). Panduan tersebut menjadi dasar ketika membaca hasil pengujian hipotesis sehingga dengan mudah kita menyimpulkan terdapat hubungan/perbedaan atau tidak terdapat hubungan/perbedaan. Namun, kita tidak melihat apakah hipotesis tersebut diuji berdasar 1-tailed atau 2-tailed. Hal ini dikarenakan kita tidak sadar akan keberadaan istilah tersebut dan tidak tahu fungsi dari adanya istilah tersebut.

Istilah 1-tailed dan 2-tailed pasti akan ada pada semua pengujian hipotesis. Baik itu korelasional maupun komparatif, kedua hal tersebut akan mengikutsertakan istilah 1-tailed atau 2-tailed. Dengan demikian, kita haruslah mengerti maksud dari kedua istilah tersebut.

Secara sederhana, 1-tailed atau 2-tailed merupakan sebuah patokan untuk menguji sebuah hipotesis. Perbedaan antara kedua hal ini terletak pada hipotesis yang akan diuji. Maksudnya, hipotesis yang akan diuji akan mempengaruhi patokan mana yang akan digunakan dalam pengujian. Apakah itu 1-tailed atau 2-tailed. Perlu diingat kembali, bahwa hipotesis terbagi menjadi dua berdasarkan arahnya, yaitu hipotesis yang terarah dan tidak terarah.

Contoh hipotesis terarah :


  1. Korelasional    : Semakin tinggi kecemasan seseorang maka semakin tinggi pula kemalasan seseorang mengerjakan skripsi (Terdapat hubungan positif antara kecemasan dan kemalasan seseorang mengerjakan skripsi)
  2. Komparatif      : orang yang cemas lebih malas mengerjakan skripsi daripada orang yang tidak cemas
Contoh di atas menunjukkan bahwa hipotesis yang dibangun sudah terarah, yaitu telah diketahui bagaimana arah hubungan atau arah perbedaannya. Maksudnya, dengan hipotesis tersebut kita langsung memprediksi bahwa hubungan yang akan terjadi antara kecemasan dengan kemalasan seseorang mengerjakan skripsi ialah hubungan positif. Semakin orang cemas maka semakin dia malas mengerjakan skripsi. Konsekuensinya, kita tidak akan memprediksi hubungan negatif antara kedua variabel tersebut. Berbeda dengan hipotesis tak terarah.

Contoh hipotesis tak terarah :
  1. Korelasional : Terdapat hubungan antara kecemasan dengan kemalasan seseorang mengerjakan skripsi
  2. Komparatif  : Terdapat perbedaan antara orang yang cemas dan tidak cemas pada kemalasan mengerjakan skripsi


Dari contoh di atas, kita tidak dapat mengetahui bagaimana hubungan yang akan terjadi. Apakah hubungan positif atau negatif yang akan terjadi. Kita tidak dapat mengetahui bagaimana perbedaan yang terjadi pula. Apakah A lebih tinggi dari pada B atau sebaliknya. Hal inilah yang dimaksud dengan tidak terarah, yaitu tidak diketahuinya arah dari suatu hipotesis.

Lalu, bagaimana menggunakan 1-tailed dan 2-tailed?

Perlu dicatat :
  • 1-tailed digunakan untuk menguji hipotesis yang terarah
  • 2-tailed digunakan untuk menguji hipotesis yang tidak terarah


Mengapa bisa demikian? 
Gambar 1.  Grafik distribusi normal 1-tailed dan 2-tailed
Sumber: google.co.id
Gambar 1 menunjukkan grafik distribusi normal 1-tailed (kiri) dan 2-tailed (kanan). Daerah yang berwarna biru muda merupakan daerah penolakan H0 (hipotesis nihil). Maksudnya, ketika nilai Z atau nilai signifikansi (p) berada pada titik tersebut maka dapat dikatakan bahwa hipotesis nihil dapat ditolak dengan nilai tersebut sehingga dapat ditarik kesimpulan terdapat hubungan atau perbedaan. Hal yang membedakan dari 1-tailed dan 2-tailed ialah posisi daerah penolakan.

Jika menggunakan taraf signifikansi yang sama yaitu sebesar 95% (α = 0.05), maka posisi daerah penolakan dapat dijabarkan sebagai berikut:
  • 1-tailed : Posisi penolakan berada pada salah satu sisi. Baik itu sisi kanan (positif) maupun sisi kiri (negatif). Dengan demikian, batas daerah penolakan tetap 5% karena tidak terbagi dalam dua sisi.  Hal ini membuat patokan ini menjadi lebih longgar dalam menolak hipotesis nihil.
  • 2-tailed : Posisi penolakan berada pada kedua sisi. Hal ini membuat daerah penolakan akan menjadi lebih kecil karena dibagi menjadi dua. Setiap daerah penolakan baik itu di kanan atau di kiri memiliki batas 2,5%. Tentunya, nilai ini akan membuat penolakan hipotesis akan semakin ketat. Jika kedua daerah tersebut diperluas menjadi 5% maka taraf signifikansi akan menjadi 90%.


Contoh :
Terdapat dua distribusi data yang masing-masing berisi tentang motivasi berprestasi dan jenis kelamin. Dari dua distribusi tersebut dibuatlah hipotesis sebagai berikut:
H0 : Laki-laki memiliki motivasi berprestasi yang tinggi dibanding perempuan
Ha : tidak terdapat perbedaan motivasi berprestasi antara laki-laki dan perempuan.
                Analisis yang digunakan ialah t-test. Uji ini menghasilkan nilai t sebesar 1,897 dengan df 15. Rata-rata nilai motivasi berpretasi laki-laki sebesar 2,46 dan perempuan sebesar 2,24. Apakah nilai t tersebut dapat signifikan untuk menolak H0?
Jawab    :
Secara tradisional, untuk menjawab pertanyaan ini diperlukan tabel t kritis. Tabel  ini sudah sangat lazim bagi pengguna statistik dan dijadikan sebagai pedoman. Berikut potongan tabel t kritis:
Df
1-tailed
0,05
0,025
0,01
2-tailed
0,1
0,05
0,02
14
1,761
2,145
2,635
15
1,753
2,132
2,603
16
1,746
2,112
2,584
17
1.740
2,110
2,567
Cara membaca tabel tersebut, pertama carilah nilai df yang sesuai dengan data milik kita. Kedua, bandingkan nilai t yang kita memperoleh (thitung) dengan nilai t yang ada pada tabel (ttabel). Jika nilai thitung  lebih besar dari ttabel pada signifikansi tertentu (thitung > ttabel) maka hipotesis nihil dapat ditolak. Dengan kata lain, terdapat perbedaan.

Pada kasus ini, hipotesis yang dibuat ialah hipotesis terarah sehingga kita menggunakan signifikansi 1-tailed. Dengan demikian kita akan melirik nilai dari baris df = 15 dan kolom 1-tailed sebesar 0,05. Artinya, nilai t tersebut dapat menolak karena  thitung > ttabel pada taraf 1-tailed 0,05. Sehingga dapat disimpulkan Laki-laki memiliki motivasi berprestasi yang tinggi dibanding perempuan secara signifikan.  

Contoh menggunakan SPSS :
  • H0 : Kepemimpinan dan Loyalitas tidak berhubungan
  • Ha : Kepemimpinan dan Loyalitas memiliki hubungan negatif
Gambar 2 Hasil korelasi dengan SPSS menggunakan patokan 2-tailed
Gambar 3 Hasil korelasi dengan SPSS menggunakan patokan 1-tailed
Berdasar contoh ini, penggunaan signifikansi 2-tailed menunjukkan nilai p sebesar 0.066 (p>0,05) sehingga H0. Hal tersebut bermakna bahwa tidak terdapat hubungan antara kecemasan dengan kemalasan mengerjakan skripsi. Namun, jika menggunakan 1-tailed, nilai signifikansi sebesar 0,033 (p<0,05) sehingga dapat disimpulkan bahwa H0 ditolak. Dengan kata lain, terdapat hubungan positif antara kecemasan dengan kemalasan mengerjakan skripsi. Penggunaan 1-tailed pada hipotesis terarah akan membuat penarikan kesimpulan analisis menjadi lebih tepat.

Perlu dicatat, bahwa pembuatan hipotesis harus berdasarkan teori-teori yang mendukung. Jika teori-teori dirasa belum cukup untuk membuat hipotesis terarah maka kita dapat menggunakan hipotesis tidak terarah dan menggunakan signifikansi 2-tailed.

KESIMPULAN
Signifikansi 1-tailed dan 2-tailed digunakan sebagai patokan untuk menolak/menerima hipotesis. 1-tailed digunakan untuk menguji hipotesis terarah. Sedangkan 2-tailed digunakan untuk menguji hipotesis yang tidak terarah. 

Referensi 
Field, A. (2009). Discovering Statistics Using SPSS (Third Edition). California: SAGE Publisher.

Seorang mantan wota dan mantan mahasiswa S1 yang ingin belajar dan menjadi mahasiswa lagi

Share this

Related Posts

Previous
Next Post »

1 komentar:

Write komentar
June 24, 2019 at 5:05 PM delete

Pak bagaimana jika t hitung bernilai negatif dan nilai p < 0,05. Contohnya t hitung < t tabel (-0,625 < 1,667)? Terimakasih pak, mohon dijawab

Reply
avatar

Artikel Lainnya