Sham : Abang boleh tak up sikit duit belanja saya?
Suami : Boleh. Abang up RM50 nanti bulan depan
Sham : Jadi RM350 sahaja? Tak signifikan lah abang.
Suami : Baiklah, Abang up bagi jadi RM500.
Sham : Itu baru kleaaa (clear)! Ini yang dikatakan baru signifikan.
Alang-alang nak tambah wang belanja isteri, biarlah perbezaannya itu menjadi satu perbezaan yang ketara. Memanglah kenaikan RM50 turut ada beza berbanding sebelumnya, tetapi itu tidak jelas ketara kerana kita hanya boleh beli sekampit beras 10kg dan sebotol minyak masak 5 liter sahaja. Sekiranya meningkat menjadi RM500, hampir dua kali ganda dari nilai asal.
Ini sekadar contoh untuk menjelaskan makna “signifikan”, boleh juga diterjemahkan sebagai “bermakna” .
Secara teknikalnya, jika perbezaan antara nilai min sampel dan min populasi sangat kecil, nilai t-test akan turut jadi kecil, manakala p-value akan jadi besar. Jika perbezaan antara nilai min sampel dan min populasi agak besar, nilai t-test akan menjadi besar dan p-value akan menjadi kecil.
Kita hanya perlu melihat kepada min sampel dan min populasi, jika dari awal lagi nilainya sudah tidak jauh berbeza, sudah pasti p-value akan menjadi besar. Ini bermakna Ho tidak berjaya ditolak. Atau dengan kata lain, perbezaan itu ada, tetapi satu perbezaan yang tidak ketara sangat (tidak signifikan).
Hafal : Berjaya tolak Ho, jika p-value adalah lebih kecil berbanding 0.05.
Nilai 0.05 adalah nilai kebiasaan yang digunakan dalam penyelidikan, namun bukan satu ketetapan “is always 5%”. Dalam bidang kawalan kualiti, nilai tersebut akan lebih kecil, kerana nilai tersebut merujuk kepada RISIKO (ralat pengujian hipotestis).
Risiko melakukan kesalahan apabila penyelidik memutuskan bahawa berjaya tolak Ho
Ya, setiap keputusan sama ada menolak atau gagal menolak Ho akan ada risiko. Ini berlaku kerana data kita adalah berdasarkan data sampel sahaja. Walhal kita ingin rumuskan tentang keseluruhan populasi. Secara lebih spesifik, risiko ini dipanggil ralat Jenis I (Type I error)
