Cara memilih uji statistik yang tepat untuk pertanyaan penelitian Anda

Anda sudah punya data kuesioner, variabel sudah masuk Excel atau SPSS, tetapi dosen bertanya, “Ujinya pakai apa?” dan tiba-tiba semua pilihan terdengar mirip: uji t, ANOVA, korelasi, regresi, chi-square, Mann-Whitney, Wilcoxon. Masalahnya bukan sekadar belum hafal nama uji. Sering kali pertanyaan penelitian masih kabur, skala data belum jelas, kelompok responden belum dibedakan, atau hipotesis belum cocok dengan bentuk analisis. Di budaya tugas akhir, proposal, skripsi, dan tesis di kampus Indonesia, bagian metode kuantitatif sering terasa seperti daftar istilah statistik yang harus ditebak. Padahal cara memilih uji statistik bisa dibuat jauh lebih teratur jika Anda memulai dari jenis pertanyaan, bukan dari nama uji yang paling sering disebut teman.

Cara memilih uji statistik dimulai dari pertanyaan penelitian: apakah Anda ingin membandingkan kelompok, menguji hubungan, memprediksi suatu variabel, atau menilai perubahan sebelum-sesudah. Setelah itu, cocokkan variabel, skala pengukuran, jumlah kelompok, desain sampel, dan asumsi data sebelum memutuskan uji statistik yang digunakan.

In this guide

• Bagaimana cara memilih uji statistik dari pertanyaan penelitian
• Apa jenis data dan skala pengukuran yang menentukan uji statistik yang digunakan
• Kapan uji t ANOVA regresi atau chi-square dipakai
• Bagaimana memilih uji statistik penelitian berdasarkan desain dan hipotesis
• Bagaimana cara memeriksa asumsi sebelum memakai uji statistik
• Kesalahan apa yang sering dilakukan mahasiswa saat memilih uji statistik
• Bagaimana menuliskan alasan pemilihan uji statistik di bab metode
• Apa checklist sebelum Anda menetapkan uji statistik

Bagaimana cara memilih uji statistik dari pertanyaan penelitian?

Cara memilih uji statistik paling aman adalah mengubah pertanyaan penelitian menjadi bentuk analisis: perbandingan, hubungan, prediksi, atau perubahan. Jika pertanyaan Anda menanyakan “apakah ada perbedaan”, biasanya arahnya uji beda; jika menanyakan “apakah ada hubungan”, arahnya korelasi atau asosiasi; jika menanyakan “seberapa besar pengaruh”, arahnya regresi. Nama uji baru dipilih setelah bentuk pertanyaan itu jelas.

Mulai dari kata kerja analitis

Perhatikan kata kerja dalam pertanyaan penelitian Anda. Kata seperti “membandingkan”, “berbeda”, dan “lebih tinggi” mengarah ke uji beda. Kata seperti “berhubungan”, “berkorelasi”, dan “berasosiasi” mengarah ke korelasi atau chi-square, tergantung jenis datanya. Kata seperti “mempengaruhi”, “memprediksi”, atau “menjelaskan variasi” biasanya mengarah ke regresi.

Contoh dari psikologi sosial: “Apakah terdapat perbedaan tingkat stres akademik antara mahasiswa yang bekerja paruh waktu dan yang tidak bekerja?” Pertanyaan ini membandingkan dua kelompok independen pada satu variabel numerik, sehingga kandidat awalnya adalah uji t independen atau Mann-Whitney jika asumsi parametrik tidak terpenuhi. Jika pertanyaannya berubah menjadi “Apakah jam kerja paruh waktu berhubungan dengan tingkat stres akademik?”, bentuknya bukan lagi perbandingan dua kelompok, melainkan hubungan antara dua variabel.

Pisahkan pertanyaan utama dari pertanyaan deskriptif

Banyak mahasiswa mencampur pertanyaan deskriptif dan inferensial. “Bagaimana tingkat stres mahasiswa?” hanya meminta ringkasan deskriptif: mean, median, standar deviasi, atau persentase kategori. “Apakah tingkat stres berbeda berdasarkan status kerja?” baru membutuhkan uji statistik inferensial.

Jika Anda masih menyusun pertanyaan penelitian, baca juga Corong visual untuk menyusun pertanyaan penelitian yang fokus. Pertanyaan yang terlalu luas akan membuat pemilihan uji ikut melebar, sedangkan pertanyaan yang terlalu sempit bisa membuat analisis tidak menjawab tujuan penelitian.

Gunakan urutan keputusan sederhana

Anda tidak perlu menebak dari daftar uji. Pakai urutan berikut sebagai kerangka awal:

1. Tentukan variabel dependen atau hasil utama yang ingin dijelaskan.
2. Tentukan variabel independen, kelompok pembanding, atau prediktor.
3. Putuskan bentuk pertanyaan: beda, hubungan, prediksi, perubahan, atau asosiasi kategori.
4. Cek skala data setiap variabel: nominal, ordinal, interval, atau rasio.
5. Cek jumlah kelompok atau jumlah waktu pengukuran.
6. Periksa apakah data memenuhi asumsi uji parametrik.
7. Pilih uji utama dan siapkan alternatif nonparametrik bila perlu.

Urutan ini membantu Anda menjelaskan logika analisis, bukan sekadar menulis nama uji karena “biasanya begitu”.

Apa jenis data dan skala pengukuran yang menentukan uji statistik yang digunakan?

Jenis data menentukan ruang gerak uji statistik yang digunakan. Data kategori biasanya dianalisis dengan frekuensi, proporsi, atau chi-square, sedangkan data numerik dapat dianalisis dengan uji t, ANOVA, korelasi, atau regresi. Skala pengukuran juga memengaruhi apakah Anda boleh memakai uji parametrik atau perlu memilih uji nonparametrik.

Definisi singkat skala pengukuran

Data nominal adalah data kategori tanpa urutan, misalnya jenis kelamin, program studi, status bekerja, atau jenis metode pembelajaran. Data ordinal adalah kategori yang memiliki urutan, misalnya tingkat kepuasan “rendah, sedang, tinggi” atau skala Likert per item. Data interval/rasio adalah data numerik yang jaraknya bermakna, seperti skor tes, usia, pendapatan, tekanan darah, atau skor total kuesioner yang diperlakukan sebagai numerik.

Dalam praktik penelitian mahasiswa, skor total dari beberapa item Likert sering diperlakukan sebagai data numerik jika instrumennya memang menghasilkan skor komposit. Namun satu item Likert tunggal, seperti “sangat tidak setuju” sampai “sangat setuju”, lebih hati-hati diperlakukan sebagai ordinal.

Contoh lemah dan versi yang lebih kuat

Versi mahasiswa yang lemah	Versi yang lebih kuat
“Saya ingin melihat pengaruh motivasi terhadap prestasi.”	“Saya ingin menguji apakah skor motivasi belajar memprediksi nilai akhir mata kuliah statistik pada mahasiswa S1 semester 3.”
“Ujinya pakai uji t karena datanya angka.”	“Karena variabel hasil adalah skor numerik dan terdapat dua kelompok independen, kandidat awalnya uji t independen, dengan pengecekan normalitas dan homogenitas varians.”
“Saya membandingkan kepuasan mahasiswa.”	“Saya membandingkan skor kepuasan layanan akademik antara tiga fakultas, sehingga kandidat awalnya ANOVA satu arah atau Kruskal-Wallis.”
“Saya mau lihat hubungan jenis kelamin dan minat.”	“Saya menguji asosiasi antara jenis kelamin dan kategori minat mengikuti program magang, sehingga kandidat awalnya chi-square.”

Perbedaan pada tabel bukan hanya gaya bahasa. Versi yang lebih kuat menyebut variabel, skala, kelompok, dan bentuk analisis. Empat unsur itu membuat panduan uji statistik bekerja secara nyata.

Hubungkan variabel dengan indikator

Sebelum memilih uji, pastikan variabel tidak hanya terdengar ilmiah tetapi juga terukur. “Kinerja”, “motivasi”, “kepatuhan”, dan “kepuasan” harus diterjemahkan menjadi indikator, instrumen, atau sumber data. Jika Anda belum memetakan hubungan variabel dan indikator, gunakan Peta hubungan variabel dan indikator penelitian kuantitatif sebagai tahap sebelum memilih analisis.

Contoh dari ilmu kesehatan atau keperawatan: “kepatuhan minum obat” dapat diukur sebagai kategori patuh/tidak patuh, skor kepatuhan, atau jumlah dosis yang terlewat. Masing-masing bentuk membuka pilihan uji yang berbeda. Kategori patuh/tidak patuh mungkin cocok untuk chi-square atau regresi logistik, sedangkan skor kepatuhan numerik bisa dianalisis dengan uji t, ANOVA, korelasi, atau regresi linear sesuai pertanyaannya.

Kapan uji t ANOVA regresi atau chi-square dipakai?

Uji t dipakai untuk membandingkan rata-rata dua kelompok atau dua pengukuran, ANOVA untuk membandingkan rata-rata lebih dari dua kelompok, regresi untuk memprediksi atau menjelaskan variabel hasil, dan chi-square untuk menguji asosiasi antara variabel kategori. Pilihan akhir tetap bergantung pada desain, skala data, dan asumsi statistik. Frasa “uji t ANOVA regresi” sering muncul bersamaan, tetapi keempatnya menjawab jenis pertanyaan yang berbeda.

Peta cepat penggunaan uji umum

Situasi penelitian	Contoh pertanyaan mahasiswa	Kandidat uji statistik
Dua kelompok independen, hasil numerik	“Apakah nilai literasi keuangan berbeda antara mahasiswa yang pernah ikut pelatihan dan yang belum?”	Uji t independen atau Mann-Whitney
Tiga kelompok atau lebih, hasil numerik	“Apakah skor kepuasan berbeda antara mahasiswa dari tiga jenis layanan akademik?”	ANOVA satu arah atau Kruskal-Wallis
Dua variabel numerik	“Apakah durasi tidur berhubungan dengan skor konsentrasi belajar?”	Korelasi Pearson atau Spearman
Variabel hasil numerik diprediksi oleh satu atau lebih prediktor	“Apakah motivasi dan frekuensi belajar memprediksi nilai ujian?”	Regresi linear
Dua variabel kategori	“Apakah status bekerja berasosiasi dengan kelulusan tepat waktu: ya/tidak?”	Chi-square atau Fisher’s exact test

Tabel ini hanya titik awal. Jika desainnya berpasangan, berulang, atau variabel hasilnya kategori, uji akan berubah.

Uji t untuk dua kondisi atau dua kelompok

Uji t independen digunakan saat dua kelompok berbeda dibandingkan pada satu variabel numerik. Misalnya, dalam pendidikan: “Apakah skor kemampuan membaca berbeda antara siswa yang mengikuti metode pembelajaran A dan metode B?” Jika responden di kelompok A dan B adalah orang yang berbeda, kandidatnya uji t independen.

Uji t berpasangan digunakan saat orang yang sama diukur dua kali, misalnya sebelum dan sesudah pelatihan. Dalam keperawatan, “Apakah skor pengetahuan pasien tentang perawatan luka meningkat setelah edukasi discharge planning?” Jika pasien yang sama mengisi pretest dan posttest, kandidatnya uji t berpasangan atau Wilcoxon signed-rank jika asumsi tidak terpenuhi.

ANOVA untuk lebih dari dua kelompok

ANOVA sering dipakai ketika Anda membandingkan rata-rata lebih dari dua kelompok. Dalam bisnis atau manajemen, contoh pertanyaannya: “Apakah skor loyalitas pelanggan berbeda berdasarkan tiga jenis program membership?” Jika hasilnya numerik dan kelompoknya tiga, ANOVA satu arah dapat digunakan setelah asumsi diperiksa.

Namun ANOVA hanya memberi tahu apakah ada perbedaan setidaknya di antara beberapa kelompok. Jika hasil ANOVA signifikan, Anda biasanya membutuhkan uji lanjut atau post hoc untuk mengetahui pasangan kelompok mana yang berbeda. Jangan menulis “semua kelompok berbeda” hanya karena nilai ANOVA signifikan.

Regresi dan chi-square untuk pertanyaan yang berbeda

Regresi menjawab pertanyaan prediksi atau kontribusi. Regresi linear cocok saat variabel hasil numerik, sedangkan regresi logistik cocok saat variabel hasil berupa kategori dua nilai, seperti “patuh/tidak patuh” atau “lulus/tidak lulus”. Chi-square berbeda: ia menguji asosiasi antara dua variabel kategori, bukan memprediksi nilai numerik.

Bagaimana memilih uji statistik penelitian berdasarkan desain dan hipotesis?

Memilih uji statistik penelitian harus mempertimbangkan desain sampel: independen, berpasangan, berulang, potong lintang, atau komparatif. Hipotesis juga perlu cocok dengan desain itu, karena hipotesis “ada perbedaan” tidak selalu memakai uji yang sama. Dua penelitian bisa memakai variabel yang mirip tetapi membutuhkan uji berbeda jika cara pengambilan datanya berbeda.

Desain independen dan desain berpasangan

Kelompok independen berarti responden di satu kelompok tidak sama dengan responden di kelompok lain. Contoh: membandingkan skor kecemasan antara mahasiswa tahun pertama dan tahun akhir. Karena orangnya berbeda, analisisnya mengikuti jalur independen.

Desain berpasangan berarti data berasal dari orang yang sama, pasangan yang cocok, atau unit yang sama pada dua kondisi. Contoh: skor pengetahuan perawat sebelum dan sesudah pelatihan penggunaan alat keselamatan kerja. Karena pengukurannya berpasangan, uji independen tidak tepat. Anda perlu uji t berpasangan atau alternatif nonparametrik.

Hipotesis harus menyebut arah analisis

Hipotesis yang terlalu umum menyulitkan pemilihan uji. Bandingkan dua versi berikut:

Lemah: “Terdapat pengaruh media sosial terhadap prestasi akademik mahasiswa.”

Lebih kuat: “Frekuensi penggunaan media sosial harian memprediksi IP semester mahasiswa S1 setelah dikontrol dengan jumlah jam belajar mingguan.”

Versi kedua memberi sinyal bahwa analisisnya regresi, bukan sekadar uji beda. Variabel hasilnya numerik, prediktornya numerik, dan ada variabel kontrol. Jika Anda masih menyusun tujuan, sasaran, dan hipotesis, lihat Relasi variabel dalam tujuan, sasaran, dan hipotesis penelitian.

Contoh lintas bidang

Dalam psikologi, penelitian tentang “hubungan self-efficacy dan kecemasan presentasi” biasanya memakai korelasi jika kedua variabel berupa skor. Dalam keperawatan, penelitian tentang “perbedaan tekanan darah sebelum dan sesudah edukasi diet rendah garam” memakai desain berpasangan. Dalam manajemen, penelitian tentang “pengaruh kualitas layanan, harga, dan kepercayaan terhadap loyalitas pelanggan” lebih cocok dibaca sebagai regresi linear berganda jika loyalitas diukur sebagai skor numerik.

Perhatikan bahwa kata “pengaruh” dalam judul mahasiswa sering dipakai terlalu longgar. Jika desain Anda potong lintang dan tidak ada manipulasi atau urutan waktu yang jelas, istilah “memprediksi” atau “berhubungan dengan” sering lebih hati-hati daripada klaim sebab-akibat.

Bagaimana cara memeriksa asumsi sebelum memakai uji statistik?

Pemeriksaan asumsi memastikan uji yang Anda pilih sesuai dengan karakter data. Untuk uji parametrik, asumsi yang sering dicek meliputi normalitas, homogenitas varians, linearitas, independensi observasi, dan tidak adanya pencilan ekstrem. Jika asumsi tidak terpenuhi, Anda dapat mempertimbangkan transformasi data, uji nonparametrik, atau model yang lebih sesuai.

Asumsi bukan formalitas tempelan

Banyak mahasiswa menulis “data berdistribusi normal” tanpa menjelaskan variabel mana yang diuji atau hasil apa yang mendukung klaim itu. Normalitas biasanya relevan untuk residual atau distribusi skor dalam kelompok, bukan semua kolom data secara membabi buta. Homogenitas varians relevan saat membandingkan kelompok, sedangkan linearitas relevan dalam korelasi Pearson atau regresi linear.

Normalitas berarti distribusi data atau residual tidak menyimpang terlalu jauh dari pola lonceng. Homogenitas varians berarti variasi skor antar kelompok relatif sebanding. Linearitas berarti hubungan antara dua variabel numerik membentuk pola garis, bukan kurva tajam atau pola acak.

Jangan hanya bergantung pada satu angka

Uji normalitas seperti Shapiro-Wilk atau Kolmogorov-Smirnov sering dipakai, tetapi hasilnya sangat dipengaruhi ukuran sampel. Pada sampel besar, penyimpangan kecil bisa terlihat signifikan. Pada sampel kecil, penyimpangan nyata bisa tidak terdeteksi. Karena itu, banyak dosen meminta kombinasi: statistik uji, histogram, Q-Q plot, boxplot, serta alasan substantif.

Untuk regresi, cek juga pencilan dan multikolinearitas. Pencilan ekstrem dapat mengubah garis regresi, sedangkan prediktor yang terlalu saling berkorelasi dapat membuat koefisien sulit ditafsirkan. Jika analisis Anda memakai data sekunder, pastikan definisi variabel dan kelengkapan data sudah diperiksa sejak awal, bukan baru saat output statistik keluar.

Jika asumsi tidak terpenuhi

Asumsi yang tidak terpenuhi tidak otomatis berarti penelitian gagal. Anda bisa memilih alternatif yang lebih sesuai. Uji t independen dapat diganti Mann-Whitney untuk dua kelompok independen dengan data ordinal atau distribusi sangat tidak normal. ANOVA dapat diganti Kruskal-Wallis. Korelasi Pearson dapat diganti Spearman ketika data ordinal atau hubungan tidak linear tetapi masih monoton.

Namun jangan menjadikan uji nonparametrik sebagai “jalan aman” tanpa alasan. Tulis alasan pemilihannya: jenis data, hasil pemeriksaan asumsi, ukuran sampel, atau pola distribusi. Dosen biasanya lebih menghargai logika yang jelas daripada nama uji yang terlihat rumit.

Kesalahan apa yang sering dilakukan mahasiswa saat memilih uji statistik?

Kesalahan paling sering terjadi ketika mahasiswa memilih uji dari kebiasaan, bukan dari pertanyaan dan data. Kesalahan lain muncul saat semua variabel dianggap numerik, desain berpasangan diperlakukan seperti desain independen, atau kata “pengaruh” dipakai tanpa dasar analisis. Kesalahan ini bisa diperbaiki dengan menuliskan variabel, skala, kelompok, dan hipotesis sebelum membuka software statistik.

Lima kesalahan yang perlu dihindari

1. Memakai uji t hanya karena ada dua kolom data
   Contoh mahasiswa: “Saya punya kolom pretest dan posttest, jadi saya pakai uji t independen.”
   Koreksi: jika dua kolom berasal dari responden yang sama, gunakan uji t berpasangan atau Wilcoxon signed-rank, bukan uji t independen.

2. Menganggap semua skala Likert otomatis interval
   Contoh mahasiswa: “Item ‘setuju/tidak setuju’ saya analisis dengan uji t karena ada angka 1 sampai 5.”
   Koreksi: satu item Likert lebih aman dibaca sebagai ordinal; skor total dari beberapa item dapat diperlakukan sebagai numerik jika instrumen dan alasan metodologisnya jelas.

3. Menulis “pengaruh” padahal hanya membandingkan kelompok
   Contoh mahasiswa: “Pengaruh jenis kelamin terhadap minat investasi dianalisis dengan uji t.”
   Koreksi: jika hanya membandingkan rata-rata minat antara dua kategori, tulis “perbedaan minat berdasarkan jenis kelamin”, bukan klaim pengaruh kausal.

4. Memakai ANOVA tanpa uji lanjut
   Contoh mahasiswa: “Karena ANOVA signifikan, maka kelompok A, B, dan C semuanya berbeda.”
   Koreksi: ANOVA hanya menyatakan ada perbedaan setidaknya pada satu pasangan kelompok; gunakan post hoc yang sesuai untuk mengetahui pasangan mana yang berbeda.

5. Mencocokkan uji dengan judul, bukan variabel
   Contoh mahasiswa: “Judul saya tentang efektivitas, jadi pasti pakai regresi.”
   Koreksi: efektivitas program sebelum-sesudah pada kelompok yang sama mungkin lebih cocok memakai uji t berpasangan, sedangkan prediksi hasil oleh beberapa faktor lebih cocok memakai regresi.

Mengapa kesalahan ini sering muncul?

Kesalahan tersebut sering berasal dari bab metode yang ditulis setelah data terkumpul. Akibatnya, mahasiswa baru mencari uji saat data sudah jadi, padahal desain penelitian sudah mengunci banyak pilihan. Jika desain, instrumen, dan variabel belum rapi, lihat Alur memilih metodologi penelitian berdasarkan pertanyaan dan sumber daya agar jalur penelitian tidak bertabrakan dengan analisis.

Kesalahan juga muncul karena mahasiswa menyalin metode dari penelitian terdahulu tanpa mencocokkan konteks. Dua artikel bisa sama-sama meneliti “kepuasan”, tetapi satu memakai skor numerik, satu memakai kategori puas/tidak puas, dan satu lagi memakai model mediasi. Nama variabel sama tidak menjamin uji statistiknya sama.

Bagaimana menuliskan alasan pemilihan uji statistik di bab metode?

Alasan pemilihan uji statistik perlu menyebut bentuk pertanyaan, jenis variabel, skala pengukuran, desain sampel, dan asumsi analisis. Jangan hanya menulis “data dianalisis menggunakan SPSS” atau “uji yang digunakan adalah regresi”. Pembaca perlu melihat mengapa uji itu cocok untuk menjawab pertanyaan penelitian Anda.

Rumus paragraf metode yang rapi

Gunakan pola empat kalimat untuk menulis bagian analisis data:

1. Sebutkan tujuan analisis, misalnya membandingkan, menguji hubungan, atau memprediksi.
2. Sebutkan variabel hasil dan variabel pembanding atau prediktor.
3. Sebutkan alasan pemilihan uji berdasarkan skala data dan desain.
4. Sebutkan pemeriksaan asumsi atau alternatif jika asumsi tidak terpenuhi.

Contoh: “Untuk menguji perbedaan skor literasi kesehatan antara pasien yang menerima edukasi standar dan edukasi video, penelitian ini menggunakan uji t independen karena variabel hasil berupa skor numerik dan kelompok responden saling independen. Normalitas distribusi dan homogenitas varians diperiksa sebelum analisis. Jika asumsi parametrik tidak terpenuhi, analisis alternatif menggunakan Mann-Whitney.”

Contoh penulisan yang kurang dan lebih tepat

Penulisan kurang tepat	Penulisan lebih tepat
“Analisis data menggunakan uji statistik dengan SPSS.”	“Analisis data menggunakan uji t independen untuk membandingkan skor kepuasan antara dua kelompok layanan.”
“Regresi digunakan untuk melihat hubungan.”	“Regresi linear digunakan untuk menguji apakah kualitas layanan dan kepercayaan memprediksi loyalitas pelanggan.”
“Uji normalitas dilakukan sebelum uji beda.”	“Normalitas skor dalam setiap kelompok dan homogenitas varians diperiksa sebelum uji t independen.”
“Jika signifikan maka hipotesis diterima.”	“Keputusan hipotesis didasarkan pada nilai p, arah efek, serta kesesuaian hasil dengan pertanyaan penelitian.”

Perhatikan bahwa versi yang lebih tepat tidak harus panjang. Yang penting, kalimatnya memberi alasan yang dapat diperiksa.

Jangan lupakan batas analisis

Jika penelitian Anda potong lintang, berhati-hatilah dengan bahasa sebab-akibat. Regresi dapat menunjukkan prediksi atau asosiasi setelah mengontrol variabel tertentu, tetapi tidak otomatis membuktikan hubungan kausal. Jika Anda menulis “X berpengaruh terhadap Y”, pembaca akan bertanya apakah ada urutan waktu, kontrol, desain eksperimen, atau teori yang mendukung klaim tersebut.

Bagian analisis juga perlu sejalan dengan struktur bab. Jika kerangka bab Anda masih belum stabil, Hierarki kerangka bab dalam struktur karya ilmiah dapat membantu menempatkan tujuan, metode, hasil, dan pembahasan dalam urutan yang konsisten.

Apa checklist sebelum Anda menetapkan uji statistik?

Sebelum menetapkan uji statistik, pastikan pertanyaan, variabel, data, desain, dan asumsi sudah cocok. Checklist membantu Anda melihat apakah pilihan uji berasal dari logika penelitian atau hanya dari tebakan. Jika satu item penting belum jelas, perbaiki desain atau rumusan pertanyaan sebelum menjalankan analisis akhir.

Sebelum lanjut: checklist memilih uji statistik

• Pertanyaan penelitian sudah menyebut bentuk analisis: perbedaan, hubungan, prediksi, perubahan, atau asosiasi.
• Variabel dependen atau variabel hasil sudah jelas.
• Variabel independen, kelompok pembanding, atau prediktor sudah ditentukan.
• Setiap variabel sudah memiliki skala pengukuran: nominal, ordinal, interval, atau rasio.
• Jumlah kelompok atau jumlah waktu pengukuran sudah diketahui.
• Desain sampel sudah jelas: independen, berpasangan, atau pengukuran berulang.
• Hipotesis statistik sesuai dengan pertanyaan penelitian.
• Asumsi utama uji parametrik sudah direncanakan untuk diperiksa.
• Alternatif nonparametrik sudah disiapkan jika data tidak memenuhi asumsi.
• Alasan pemilihan uji dapat ditulis dalam 3–5 kalimat di bab metode.
• Bahasa hasil tidak melebihi kekuatan desain penelitian, terutama untuk klaim “pengaruh”.
• Uji statistik yang digunakan benar-benar menjawab pertanyaan utama, bukan hanya mengikuti contoh dari penelitian lain.

Keputusan akhir harus bisa dijelaskan

Pilihan uji yang baik bukan pilihan yang paling rumit. Pilihan yang baik adalah pilihan yang dapat Anda jelaskan kepada dosen penguji: “Saya memakai uji ini karena pertanyaan saya begini, variabel saya begini, desain saya begini, dan asumsi saya sudah saya cek.” Jika penjelasan itu belum bisa keluar dengan lancar, masalahnya mungkin bukan pada statistik, tetapi pada perumusan variabel atau desain penelitian.

Pada tahap akhir, baca ulang pertanyaan penelitian, hipotesis, tabel variabel, dan rencana analisis secara berdampingan. Jika semuanya bergerak ke arah yang sama, proses analisis akan jauh lebih mudah dipertahankan dalam seminar, bimbingan, atau revisi naskah.