Mulai Belajar Data Scientist ? Yuk Kenalan dengan Tipe Uji Hipotesis Data

Belajar Data Science di Rumah 17-Januari-2021

https://dqlab.id/files/dqlab/cache/a26af1a7261e3d09170227cf69f0e987_x_Thumbnail800.jpg

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.

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 ?

Tuliskan hipotesa null vs hipotesa alternatifnya:
Tentukan tingkat signifikansi (level of significance) untuk uji hipotesa.
Hitung uji statistik (test statistic) yang sesuai dengan tipe uji hipotesa.
Cari nilai kritis pada tabel distribusi yang sesuai dengan distribusi uji statistik (test statistic) atau hitung p-value.
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).

4. Yuk Mulai Belajar Data Science Sekarang!

Tidak memiliki background IT? Jangan khawatir, kamu tetap bisa menguasai Ilmu Data Science untuk siap berkarir di revolusi industri 4.0. Bangun proyek dan portofolio datamu bersama DQLab untuk mulai berkarir di industi data yang sebenarnya! Sign up sekarang untuk #MulaiBelajarData di DQLab!