Kalkulator Nilai P

Hitung nilai p dari statistik uji termasuk skor z, statistik t, chi-square, dan statistik F untuk pengujian hipotesis satu arah dan dua arah.

Gratis digunakanTidak perlu mendaftarDiperbarui Mar 2026

Kalkulator Nilai PCoba sekarang — gratis ▼

Embed Kalkulator Nilai P Widget

Tentang Kalkulator Nilai P

Kalkulator Nilai-p menghitung nilai-p dari statistik uji untuk empat distribusi statistik utama: normal standar (z), t Student, chi-square (χ²), dan F. Kalkulator ini mendukung pengujian hipotesis satu sisi (kiri dan kanan) dan dua sisi, menyediakan visualisasi kurva distribusi interaktif, dan menawarkan interpretasi signifikansi statistik yang jelas.

Apa itu Nilai-p?

Nilai-p (probability value) adalah probabilitas untuk mendapatkan statistik uji yang setidaknya sama ekstremnya dengan yang diamati, dengan asumsi hipotesis nol (H₀) adalah benar. Ini mengukur kekuatan bukti terhadap hipotesis nol dalam uji statistik.

Untuk uji-z dua sisi:

$$p = 2 \times P(Z > |z|) = 2 \times [1 - \Phi(|z|)]$$

Nilai-p kecil (p < 0,05): Bukti kuat terhadap H₀ — tolak hipotesis nol
Nilai-p besar (p ≥ 0,05): Bukti lemah terhadap H₀ — gagal menolak hipotesis nol

Nilai-p tidak mengukur probabilitas bahwa H₀ itu benar, juga tidak mengukur ukuran atau pentingnya suatu efek. Ini hanya memberi tahu Anda seberapa kompatibel data Anda dengan H₀.

Cara Menggunakan Kalkulator Ini

Pilih jenis uji: Pilih distribusi yang sesuai dengan uji statistik Anda — uji-z (normal standar), uji-t (t Student), uji chi-square, atau uji-F.
Masukkan statistik uji: Masukkan nilai statistik uji yang Anda hitung. Statistik chi-square dan F harus non-negatif.
Masukkan derajat kebebasan: Untuk uji-t dan uji chi-square, masukkan df. Untuk uji-F, masukkan derajat kebebasan pembilang (df₁) dan penyebut (df₂).
Pilih jenis sisi (tail): Pilih dua sisi untuk hipotesis non-direksional atau satu sisi kiri/kanan untuk hipotesis direksional.
Tinjau hasil: Periksa nilai-p, grafik distribusi interaktif, penilaian signifikansi pada berbagai tingkat alpha, dan interpretasi dalam bahasa sederhana.

Uji Statistik yang Didukung

uji-z (Distribusi Normal Standar)

Gunakan ketika standar deviasi populasi diketahui atau ukuran sampel besar (n > 30). Statistik-z mengikuti distribusi normal standar $N(0, 1)$ di bawah H₀.

$$z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}$$

uji-t (Distribusi t Student)

Gunakan ketika standar deviasi populasi tidak diketahui dan ukuran sampel kecil. Distribusi-t memiliki ekor yang lebih berat daripada distribusi normal, yang memperhitungkan ketidakpastian tambahan. Seiring bertambahnya df, distribusi-t mendekati normal standar.

$$t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}, \quad \text{df} = n - 1$$

uji Chi-Square (Distribusi χ²)

Digunakan untuk uji goodness-of-fit dan uji independensi dengan data kategorikal. Distribusi chi-square miring ke kanan dan hanya didefinisikan untuk nilai non-negatif.

$$\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}$$

uji-F (Distribusi F)

Digunakan dalam ANOVA dan untuk membandingkan varians. Distribusi-F memerlukan dua parameter derajat kebebasan (pembilang dan penyebut) dan hanya didefinisikan untuk nilai non-negatif.

$$F = \frac{s_1^2}{s_2^2}, \quad \text{df}_1 = n_1 - 1, \quad \text{df}_2 = n_2 - 1$$

Uji Satu Sisi vs Dua Sisi

Fitur	Dua Sisi	Satu Sisi
Hipotesis	H₁: μ ≠ μ₀	H₁: μ > μ₀ atau H₁: μ < μ₀
Wilayah penolakan	Kedua sisi	Hanya satu sisi
Nilai-p	2 × p satu sisi	Setengah dari p dua sisi
Power	Lebih rendah (untuk α yang sama)	Lebih tinggi pada arah yang diprediksi
Kapan digunakan	Tidak ada ekspektasi arah sebelumnya	Hipotesis direksional yang kuat

Tingkat Signifikansi Umum

Alpha (α)	Tingkat Kepercayaan	Penggunaan Tipikal
0,10	90%	Penelitian eksplorasi
0,05	95%	Sebagian besar penelitian ilmiah (ambang standar)
0,01	99%	Studi yang lebih ketat, penelitian medis
0,001	99,9%	Fisika partikel, genomik

Kesalahpahaman Umum Tentang Nilai-p

Kesalahpahaman: "p = 0,03 berarti ada peluang 3% bahwa H₀ benar." Kenyataan: Nilai-p adalah probabilitas data jika H₀ benar, bukan probabilitas bahwa H₀ itu sendiri benar.
Kesalahpahaman: "Nilai-p yang lebih kecil berarti efek yang lebih besar." Kenyataan: Nilai-p bergantung pada ukuran efek dan ukuran sampel. Efek yang sangat kecil dapat menghasilkan nilai-p yang sangat kecil dengan sampel yang cukup besar.
Kesalahpahaman: "p > 0,05 berarti tidak ada efek." Kenyataan: Gagal menolak H₀ tidak membuktikan bahwa H₀ benar. Ini berarti bukti tidak cukup untuk menolaknya pada tingkat yang dipilih.
Kesalahpahaman: "Nilai-p dapat dibandingkan antar studi." Kenyataan: Nilai-p dari studi yang berbeda dengan desain, ukuran sampel, dan populasi yang berbeda tidak dapat dibandingkan secara langsung.

Pertanyaan yang Sering Diajukan

Apa itu nilai-p?

Nilai-p adalah probabilitas untuk mendapatkan statistik uji yang setidaknya sama ekstremnya dengan yang diamati, dengan asumsi hipotesis nol adalah benar. Ini mengukur kekuatan bukti terhadap hipotesis nol. Nilai-p yang lebih kecil menunjukkan bukti yang lebih kuat terhadap H₀.

Apa perbedaan antara uji satu sisi dan dua sisi?

Uji dua sisi memeriksa efek di kedua arah (lebih besar atau lebih kecil dari yang diharapkan), sementara uji satu sisi hanya memeriksa di satu arah. Uji dua sisi lebih konservatif. Gunakan uji satu sisi hanya jika Anda memiliki hipotesis direksional yang kuat sebelum mengumpulkan data.

Kapan saya harus menggunakan uji-z vs uji-t?

Gunakan uji-z jika Anda mengetahui standar deviasi populasi atau jika ukuran sampel besar (n > 30), karena distribusi sampling mendekati distribusi normal. Gunakan uji-t jika standar deviasi populasi tidak diketahui dan ukuran sampel kecil, karena distribusi-t memperhitungkan ketidakpastian tambahan dengan ekor yang lebih tebal.

Apa arti nilai-p kurang dari 0,05?

Nilai-p kurang dari 0,05 berarti ada kurang dari 5% probabilitas untuk mengamati data tersebut (atau data yang lebih ekstrem) jika hipotesis nol benar. Secara konvensi, ini dianggap signifikan secara statistik, yang mengarahkan peneliti untuk menolak hipotesis nol. Namun, signifikansi statistik tidak selalu berarti signifikansi praktis.

Untuk apa uji chi-square digunakan?

Uji chi-square digunakan untuk menguji hubungan antara variabel kategorikal (uji independensi) dan untuk menguji apakah frekuensi yang diamati cocok dengan frekuensi yang diharapkan (uji goodness-of-fit). Ini menggunakan distribusi miring ke kanan yang bergantung pada derajat kebebasan.

Kutip konten, halaman, atau alat ini sebagai:

"Kalkulator Nilai P" di https://MiniWebtool.com/id/kalkulator-nilai-p/ dari MiniWebtool, https://MiniWebtool.com/

oleh tim miniwebtool. Diperbarui: 20 Mar 2026

API developer tersedia: Jalankan alat ini dari aplikasi, otomatisasi, atau agen Anda dengan satu permintaan HTTP JSON. Lihat dokumentasi API

Anda juga dapat mencoba Penyelesai Matematika AI GPT kami untuk menyelesaikan masalah matematika Anda melalui pertanyaan dan jawaban dalam bahasa alami.