Uji T, Nilai P, dan Ukuran Efek: Contoh Studi Klinis yang Dikerjakan

Diterbitkan 17 Agustus 2024 | Terakhir diperbarui 31 Oktober 2026

Uji T, Nilai P, dan Ukuran Efek: Apa yang Masing-masing Beri Tahu Anda

Biasanya, tiga angka dilaporkan bersamaan ketika dua kelompok dibandingkan, dan masing-masing menjawab pertanyaan yang berbeda. Mencampuradukkan angka-angka tersebut adalah kesalahan paling umum di bagian Hasil.

Geser ke samping untuk melihat semua kolom.

Uji T Mana yang Harus Anda Gunakan?

Pilihan tersebut mengikuti desain, bukan menu perangkat lunak.

1. 1Satu sampel. Membandingkan nilai rata-rata suatu kelompok dengan nilai tetap.
2. 2Sampel independen. Membandingkan rata-rata dari dua kelompok terpisah, misalnya VR versus perawatan rutin, seperti yang ditunjukkan pada contoh di bawah ini.
3. 3Berpasangan. Membandingkan dua pengukuran pada orang yang sama, misalnya rasa sakit sebelum dan sesudah perawatan. Ukuran efek untuk desain berpasangan harus memperhitungkan korelasi antara pengukuran tersebut.⁴

Uji t Student mengasumsikan normalitas dan varians yang sama. Delacre, Lakens, dan Leys berpendapat bahwa varians yang sama jarang berlaku dalam penelitian psikologi dan bahwa uji t Welch, yang tidak mengasumsikan hal tersebut, seharusnya menjadi standar. ⁵ Koreksi tahun 2022 terhadap makalah tersebut menyatakan bahwa kesalahannya tidak memengaruhi pesan utama, yaitu bahwa uji t Welch harus lebih diutamakan daripada uji t Student ketika membandingkan rata-rata kelompok. ⁶ Uji z memperlakukan deviasi standar sebagai nilai yang diketahui, sedangkan uji t memperkirakannya dari sampel, sehingga nilai kritisnya lebih besar: 1.99 dengan 80 derajat kebebasan dibandingkan dengan 1.96 untuk distribusi normal (dihitung di R).

Kasus Nyata: Kacamata Realitas Virtual Selama Pelepasan Selang Dada

Yanik dan rekan-rekannya secara acak membagi 82 pasien setelah operasi jantung terbuka untuk mengenakan kacamata VR dengan konten berjalan di hutan dari lima menit sebelum hingga lima menit setelah pelepasan selang dada (CTR), atau untuk menerima perawatan rutin, 41 per kelompok. Nyeri dinilai pada skala analog visual (VAS) 10 cm. ² Makalah ini bersifat akses terbuka di bawah CC BY 4.0, ⁷ yang telah kami konfirmasi di bidang lisensi catatan PubMed Central. ⁸ Karena lisensi tersebut, kami dapat menggunakan kembali angka-angkanya dan menggambarnya ulang. Tabel di bawah ini memberikan rata-rata dan deviasi standar yang dipublikasikan yang digunakan Editverse.

Tabel yang dipublikasikan juga melaporkan simpangan baku (SD) masing-masing kelompok, yang merupakan semua yang dibutuhkan oleh uji t: dua rata-rata, dua simpangan baku, dan dua ukuran sampel. Para penulis sendiri menyesuaikan model efek campuran yang disesuaikan dengan nilai dasar, dengan perbandingan post hoc yang disesuaikan dengan Bonferroni, dan melaporkan perbedaan yang disesuaikan.² Berikut ini adalah perhitungan ulang pengajaran yang lebih sederhana dan tidak disesuaikan dari nilai ^- nilai yang dipublikasikan yang telah dibulatkan. Ini bukan analisis ulang dari uji coba dan tidak boleh menggantikan model yang digunakan oleh para penulis.

Uji T Terpadu: Nyeri Segera Setelah Pelepasan Selang Dada

Untuk uji t Welch, kesalahan standar perbedaan adalah akar kuadrat dari (2.34²/41 + 1.58²/41) = 0.441. Perbedaan rata-rata adalah 5.12 − 6.80 = −1.68 poin VAS, sehingga t = −1.68 / 0.441 = −3.81. Rumus Welch-Satterthwaite memberikan 70.2 derajat kebebasan, dan nilai p dua sisi adalah 0.0003. Interval kepercayaan 95% untuk perbedaan tersebut adalah −2.56 hingga −0.80 poin VAS.

Kedua set estimasi tersebut sepakat mengenai arah dan efek terbesar, yaitu segera setelah CTR, tetapi tidak sepakat mengenai besarnya efek atau titik waktu selanjutnya. Perbedaan yang disesuaikan oleh penulis lebih kecil (−1.26, 95% CI −1.85 hingga −0.68) daripada perbedaan yang tidak disesuaikan oleh kami (−1.68), dan interval mereka untuk 5, 15, dan 30 menit mencakup angka nol sedangkan interval kami tidak. Bagian selanjutnya akan menjelaskan alasannya.

Cohen's d dan Hedges' g dengan Interval Kepercayaan

Cohen's d membagi perbedaan rata-rata dengan simpangan baku gabungan: d = −1.68 / 2.00 = −0.84. Estimasi berbasis sampel dari perbedaan terstandarisasi melebih-lebihkan efek populasi, dan versi yang dikoreksi bias adalah Hedges' g. ⁴ Faktor koreksi dengan 80 derajat kebebasan adalah 1 − 3/(4 × 80 − 1) = 0.991, memberikan g = −0.83. Kami memperoleh interval kepercayaan 95% dari distribusi t non-sentral: −1.28 hingga −0.38. Ukuran efek memiliki interval kepercayaannya sendiri, yang menurut Lakens seringkali sangat besar dalam psikologi eksperimental. ⁴

Berdasarkan patokan kasar Cohen, efek nyeri tergolong besar (g sekitar 0.8), tetapi intervalnya berkisar dari efek kecil hingga sedang (−0.38) hingga efek yang sangat besar (−1.28), sehingga satu angka saja sudah cukup untuk melebih-lebihkan kepastian kita. Lakens memperingatkan bahwa patokan tersebut bersifat arbitrer dan tidak boleh ditafsirkan secara kaku. ⁴

Semua Enam Perbandingan dalam Satu Tabel

Semua nilai adalah perhitungan ulang Welch yang tidak disesuaikan oleh Editverse dari rata-rata dan simpangan baku yang dipublikasikan dengan 41 per kelompok, dengan asumsi setiap pasien berkontribusi pada setiap titik waktu (tabel yang dipublikasikan tidak memberikan ukuran sampel per waktu).

Geser ke samping untuk melihat semua kolom.

Ketika Nilai P dan Ukuran Efek Menceritakan Kisah yang Berbeda

Ketidakseimbangan data dasar. Sebelum pelepasan selang dada, kelompok VR sudah melaporkan nyeri yang lebih ringan (2.61 berbanding 3.76; g = −0.55, Welch p = 0.014). Oleh karena itu, perbandingan yang tidak disesuaikan setelah prosedur mencampur efek VR dengan keunggulan awal tersebut. Model penulis menyesuaikan data dasar, dan perbedaan yang disesuaikan (−1.26) lebih kecil daripada perbedaan yang tidak disesuaikan (−1.68). ²

Beberapa titik waktu. Percobaan membandingkan kelompok pada empat waktu setelah pengangkatan. Nilai p Welch yang tidak disesuaikan pada 5, 15, dan 30 menit adalah 0.021, 0.016, dan 0.017. Mengalikan nilai p yang tidak dibulatkan dengan empat, sebagai ilustrasi Bonferroni sederhana, memberikan 0.084, 0.065, 0.068, tidak ada yang di bawah 0.05. Para penulis melaporkan perbandingan yang disesuaikan Bonferroni di mana hanya titik waktu pertama setelah CTR yang berbeda. ² Greenland dan rekan-rekannya memperingatkan bahwa memilih analisis mana yang akan disajikan berdasarkan nilai p-nya dapat menghasilkan nilai p yang kecil bahkan ketika hipotesis pengujian benar. ³

Nilai p yang kecil bukan berarti efek yang besar. Saturasi oksigen segera setelah CTR memberikan nilai p Welch = 0.041 dengan perbedaan rata-rata 1.70 poin persentase, tetapi g = 0.46 dan interval kepercayaan 0.02 hingga 0.89, yang mendekati nol. Perbedaan yang disesuaikan oleh penulis sendiri pada titik waktu tersebut lebih besar, yaitu 2.70 poin persentase (95% CI 1.88 hingga 3.53; p yang disesuaikan < 0.001), sehingga contoh yang tidak disesuaikan ini meremehkan hasil SpO₂ uji coba daripada melemahkannya.² ^{ASA mencantumkan perbedaan ini di antara prinsip -} prinsipnya: nilai p tidak mengukur besarnya efek atau pentingnya suatu hasil.¹

Apa yang Ditunjukkan Kasus Ini dan Apa yang Tidak Ditunjukkannya

1. 1Ini menunjukkan bagaimana angka-angka tersebut disusun. Dua nilai rata-rata, dua simpangan baku, dan dua ukuran sampel sudah cukup untuk mereproduksi t, df, p, interval kepercayaan, d dan g, serta untuk melihat asumsi mana yang mengubah jawabannya.
2. 2Ini tidak menunjukkan bahwa VR berfungsi. Perhitungan ulang kami tidak disesuaikan dan menggunakan nilai-nilai yang dipublikasikan yang telah dibulatkan. Uji coba ini dilakukan di satu rumah sakit universitas; para penulisnya melaporkan bahwa peserta dan peneliti yang mengumpulkan hasil tidak dapat diacak (blinded) dan bahwa tidak ada kelompok plasebo atau kelompok pembanding aktif.
3. 3Ini tidak menggantikan model yang dibuat oleh para penulis. Gunakan estimasi yang telah disesuaikan untuk setiap pernyataan tentang temuan uji coba. Kami menghitung angka Editverse di R 4.3.3.

Cara Melaporkan Hasil Uji T

1. 1Sebutkan desain dan pengujiannya. Sebutkan "independent" atau "paired", dan sebutkan "Welch" atau "Student".
2. 2Sebutkan ukuran kelompok dan statistik ringkasannya. Laporkan nilai n, rata-rata, dan simpangan baku (SD) untuk setiap kelompok.
3. 3Berikan selisihnya beserta intervalnya. Tuliskan perbedaan rata-rata dalam satuan asli dengan interval kepercayaan 95%.
4. 4Berikan nilai t, df, dan nilai p yang tepat. Misalnya t(70.2) = −3.81, p = 0.0003.
5. 5Tambahkan ukuran efek beserta intervalnya. Sebutkan ukuran yang digunakan, Cohen's d atau Hedges' g, dan berikan interval kepercayaan 95%.
6. 6Sebutkan apa yang telah disesuaikan. Jika Anda melakukan penyesuaian terhadap nilai dasar atau terhadap beberapa perbandingan, sebutkan hal tersebut, dan sebutkan apakah pengujian tersebut direncanakan.

Reproduksi Perhitungan di R

Kode R dasar ini mereproduksi nilai-nilai di atas dari statistik ringkasan. Kami menjalankannya di R 4.3.3.9. ^Kode ini hanya menggunakan fungsi-fungsi dasar R. Ganti nilai-nilai tersebut dengan nilai rata-rata, simpangan baku, dan ukuran sampel Anda sendiri.

m1 <- 6.80; s1 <- 2.34; n1 <- 41   # control
m2 <- 5.12; s2 <- 1.58; n2 <- 41   # VR
se <- sqrt(s1^2/n1 + s2^2/n2)
df <- se^4 / ((s1^2/n1)^2/(n1-1) + (s2^2/n2)^2/(n2-1))
t  <- (m2 - m1)/se
p  <- 2*pt(-abs(t), df)
ci <- (m2 - m1) + c(-1, 1)*qt(0.975, df)*se
sp <- sqrt(((n1-1)*s1^2 + (n2-1)*s2^2)/(n1+n2-2))
d  <- (m2 - m1)/sp
J  <- 1 - 3/(4*(n1+n2-2) - 1)
g  <- d*J
ncp <- d/sqrt(1/n1 + 1/n2)
lim <- sapply(c(0.975, 0.025), function(q)
  uniroot(function(x) pt(ncp, n1+n2-2, ncp = x) - q, ncp + c(-10, 10))$root)
d_ci <- lim*sqrt(1/n1 + 1/n2); g_ci <- d_ci*J

Perlu Analisis Dijalankan atau Diperiksa? Konsultasikan dengan Editverse

Para ahli di Editverse bekerja sesuai dengan panduan COPE, ICMJE, dan GPP 2022, dengan mengikuti etika institusional dan spesifik negara.

Pilih tahapan yang sedang Anda jalani.

Sunting terbalik

Analisis Statistik Dasar

Butuh pengujian yang tepat untuk data uji coba atau penelitian Anda?

Anda mengirimkan: kumpulan data Anda, pertanyaan penelitian, dan preferensi perangkat lunak.

Anda akan mendapatkan: statistik deskriptif dan pengujian seperti uji t independen atau berpasangan, dengan tabel siap publikasi dan narasi hasil.

Kapan: Anda memiliki data dan ingin analisis dilakukan dan dilaporkan. Waktu penyelesaian standar adalah 3-5 hari untuk kumpulan data kecil (hingga 100 subjek dan 10 variabel).

Analisis Statistik Dasar · Mulai dari $350

Jalankan analisis saya →

Sunting terbalik

Interpretasi Hasil Statistik

Sudah punya outputnya tapi belum ada uraian untuk bagian Hasil?

Anda mengirimkan: hasil statistik yang sudah ada dan deskripsi singkat tentang penelitian tersebut.

Anda akan mendapatkan: interpretasi dari hasil keluaran, narasi Hasil, rekomendasi tabel dan gambar, serta penjelasan yang siap untuk ditinjau oleh penilai.

Kapan: Analisis dijalankan dan perlu dijelaskan. Waktu penyelesaian standar adalah 3-4 hari kerja.

Interpretasi Hasil Statistik · $250

Interpretasikan hasil saya →

Sunting terbalik

Penulisan Naskah

Siap mengubah seluruh proyek menjadi makalah yang disubmit?

Anda mengirimkan: data Anda, catatan, dan jurnal target.

Anda akan mendapatkan: manuskrip yang ditulis oleh para ahli di bidangnya; deskripsi layanan mencantumkan tinjauan dan verifikasi statistik sebagai salah satu langkah penjaminan mutunya.

Kapan: Proyek sudah selesai tetapi makalah belum.

Jasa Penulisan Manuskrip · $1,500

Tulis makalah saya →

Pertanyaan yang Sering Diajukan

Apa perbedaan antara nilai p dan ukuran efek?

Nilai p menunjukkan seberapa tidak sesuai data dengan model statistik tertentu, dan tidak mengukur besarnya efek atau kepentingannya.^¹ Ukuran efek seperti g Hedges mengukur seberapa besar perbedaannya. Dalam uji coba realitas virtual yang dihitung ulang oleh Editverse, nyeri segera setelah pelepasan selang dada memberikan nilai p = 0.0003 dengan g = −0.83, sedangkan saturasi oksigen memberikan nilai p = 0.041 dengan g = 0.46, sehingga nilai p yang lebih kecil disertai dengan efek yang lebih besar.

Apakah saya sebaiknya menggunakan uji t Student atau uji t Welch?

Delacre, Lakens, dan Leys berpendapat bahwa uji t Welch seharusnya menjadi standar: uji ini mengontrol tingkat kesalahan Tipe 1 dengan lebih baik ketika varians tidak sama dan tidak banyak kehilangan ketika asumsi uji Student terpenuhi. ⁵ Dalam percobaan yang dihitung ulang, kelompok-kelompok tersebut memiliki ukuran yang sama, sehingga kedua versi memberikan t = −3.81 dan p = 0.0003; Welch menggunakan 70.2 derajat kebebasan dan uji gabungan Student menggunakan 80.

Apakah saya perlu melakukan uji normalitas sebelum melakukan uji t?

Pendapat berbeda dan buktinya beragam. Sebuah simulasi oleh Rochon, Gondan, dan Kieser menemukan bahwa uji Shapiro-Wilk pendahuluan mengubah tingkat kesalahan Tipe I dari uji yang mengikutinya, meskipun tingkat kesalahan keseluruhan dan kekuatan prosedur dua tahap tetap dapat diterima dalam kasus yang mereka simulasikan. ¹⁰ Delacre dan rekan-rekannya juga menyarankan untuk tidak memilih antara uji Student dan Welch dengan uji kesamaan varians. ⁵ Perhatikan data Anda, pertimbangkan desainnya, dan tanyakan kepada ahli statistik apakah sampelnya kecil atau miring.

Apa yang dianggap sebagai nilai Cohen's d kecil, sedang, atau besar?

Patokan Cohen adalah d = 0.2 kecil, 0.5 sedang, dan 0.8 besar, tetapi Lakens mencatat bahwa nilai-nilai ini bersifat arbitrer dan tidak boleh ditafsirkan secara kaku, dan bahwa efek kecil dapat memiliki konsekuensi besar. Nilailah ukuran tersebut berdasarkan temuan terkait dan makna klinis dari perbedaan tersebut, misalnya poin VAS.

Apa perbedaan antara Cohen's d dan Hedges' g?

Keduanya merupakan perbedaan rata-rata yang distandarisasi. Estimasi berbasis sampel melebih-lebihkan efek populasi, dan versi Cohen's d yang dikoreksi bias disebut Hedges' g. ⁴ Dengan 82 peserta, faktor koreksinya adalah 0.991 (dihitung di R), sehingga d = −0.84 menjadi g = −0.83 untuk nyeri segera setelah pelepasan selang dada.

Apa yang dapat saya simpulkan dari interval kepercayaan 95% untuk perbedaan rata-rata?

Greenland dan rekan-rekannya menjelaskan bahwa tingkat 95% adalah properti cakupan dari urutan interval yang panjang dari model yang valid, bukan properti dari interval tunggal mana pun. ³ Dalam praktiknya, interval tersebut menunjukkan rentang perbedaan yang paling sesuai dengan data di bawah model. Untuk nyeri segera setelah pelepasan selang dada, Editverse menghitung −1.68 poin VAS dengan interval −2.56 hingga −0.80, yang tidak termasuk nol.

Apakah nilai p di bawah 0.05 membuktikan bahwa pengobatan tersebut berhasil?

Tidak. ASA menyatakan bahwa nilai p tidak mengukur probabilitas bahwa hipotesis yang diteliti itu benar, dan bahwa kesimpulan tidak boleh hanya didasarkan pada apakah nilai p melewati ambang batas. ¹ Dalam uji coba yang dihitung ulang, kelompok-kelompok tersebut sudah berbeda dalam hal rasa sakit sebelum pelepasan selang dada (Welch p = 0.014), dan penulis menyatakan bahwa peserta dan peneliti tidak dapat diacak (blinded), sehingga uji t sederhana yang tidak disesuaikan melebih-lebihkan apa yang didukung oleh analisis yang disesuaikan.

Berapa banyak partisipan yang dibutuhkan dalam percobaan untuk melakukan uji t?

Para penulis merencanakan nilai Cohen's d = 0.80 dengan tingkat signifikansi dua sisi 0.05 dan daya uji 90%, yang menghasilkan 34 per kelompok, dan menambahkan sekitar 20% untuk mencapai 41 per kelompok. Editverse mereproduksi langkah pertama di R dengan power.t.test, yang menghasilkan 33.8 per kelompok, dibulatkan menjadi 34. Dengan 41 per kelompok dan daya uji 80%, perbedaan standar terkecil yang dapat dideteksi oleh pengujian tersebut adalah d = 0.63 (dihitung di R).

Referensi

1. Asosiasi Statistik Amerika. ASA merilis pernyataan tentang signifikansi statistik dan nilai p (6 prinsip; 7 Maret 2016). www.amstat.org/asa/files/pdfs/p-valuestatement.pdf
2. Yanik TÇ, Gülşen M, Uğraş GA, Arslan S, Özdemir FE. Pengaruh kacamata realitas virtual yang digunakan selama pelepasan selang dada setelah operasi jantung terbuka terhadap nyeri dan parameter hemodinamik: uji coba terkontrol secara acak. Gangguan Kardiovaskular BMC. 2026;26:993. Akses terbuka, CC BY 4.0; data ringkasan yang digunakan, uji-t dan ukuran efek dihitung ulang dan gambar digambar oleh Editverse di R. doi.org/10.1186/s12872-026-06778-6
3. Greenland S, Senn SJ, Rothman KJ, dkk. Uji statistik, nilai P, interval kepercayaan, dan kekuatan: panduan untuk salah tafsir. Eur J Epidemiol. 2016, 31: 337-350. doi.org/10.1007/s10654-016-0149-3
4. Lakens D. Menghitung dan melaporkan ukuran efek untuk memfasilitasi ilmu pengetahuan kumulatif: panduan praktis untuk uji-t dan ANOVA. Psikol Depan. 2013, 4: 863. doi.org/10.3389/fpsyg.2013.00863
5. Delacre M, Lakens D, Leys C. Mengapa psikolog sebaiknya menggunakan uji-t Welch sebagai pengganti uji-t Student. Jurnal Internasional Psikologi Sosial. 2017;30(1):92-101. doi.org/10.5334/irsp.82
6. Delacre M, Lakens D, Leys C. Koreksi: Mengapa psikolog sebaiknya menggunakan uji-t Welch sebagai pengganti uji-t Student. Jurnal Internasional Psikologi Sosial. 2022, 35 (1): 21. doi.org/10.5334/irsp.661
7. Ringkasan lisensi Creative Commons Attribution 4.0 International (CC BY 4.0). creativecommons.org/licenses/by/4.0/
8. Pusat Informasi Bioteknologi Nasional. Bantuan Utilitas Pemrograman Entrez: EFetch (digunakan untuk membaca lisensi dan tabel uji coba di PubMed Central, 31 Oktober 2026). www.ncbi.nlm.nih.gov/books/NBK25499/
9. Tim Inti R. R: bahasa dan lingkungan untuk komputasi statistik. Yayasan R untuk Komputasi Statistik, Wina. Versi 4.3.3 digunakan untuk setiap nilai yang dihitung dalam postingan ini. www.R-project.org/
10. Rochon J, Gondan M, Kieser M. Menguji atau tidak menguji: penilaian awal normalitas ketika membandingkan dua sampel independen. Metode Res Med BMC. 2012, 12: 81. doi.org/10.1186/1471-2288-12-81

Tim Riset Editverse | Diperbarui Oktober 2026