[Mini Case] T-Test vs Mann-Whitney: Kapan Kita Salah Pilih Uji Statistik?

Studi Kasus Mini: Pengaruh Promosi Terhadap Jumlah Transaksi

Sebuah e-commerce menjalankan kampanye promosi dan ingin mengetahui:

"Apakah pelanggan yang menerima promosi melakukan transaksi lebih banyak dibanding yang tidak menerima?"
Dua kelompok data yang tersedia:

Pemeriksaan Awal (yang sering dilewatkan)

Dua Alat Statistik: Mana yang Cocok?

Target analisis: membandingkan jumlah transaksi per pelanggan antara dua kelompok.

Kembali ke kasus e-commerce, jika:

• Kelompok A: Tidak mendapat promosi

• Kelompok B: Mendapat promosi

Banyak yang langsung menghitung rata-rata dan jalankan t-test. Padahal, langkah awal yang seharusnya dilakukan:

Jika Salah Pilih, Apa Risikonya?

• Data jumlah transaksi tidak berdistribusi normal (misalnya banyak yang 0, lalu melonjak tajam di sebagian kecil user)

• Varians antara grup berbeda jauh

Solusi yang tepat: Gunakan Mann-Whitney U Test.

Ketika asumsi dasar dari t-test tidak terpenuhi (misalnya data tidak normal atau varians tidak setara), maka hasil uji bisa menyesatkan. Di sinilah Mann-Whitney U test mengambil peran sebagai alternatif non-parametrik yang lebih fleksibel.

Artikel ini akan membantu kamu memahami:

1. T-Test

Prinsip praktis: Jika ragu terhadap asumsi data, gunakan Mann-Whitney sebagai pendekatan aman.

"Apakah distribusi jumlah transaksi pengguna yang mendapat promosi cenderung lebih tinggi dari yang tidak?"

Hasilnya akan memberi gambaran:

Insight dari Mini Case

Kesimpulan

Blog Selanjutnya dalam Seri Ini:

• [Mini Case] Korelasi vs Sebab-Akibat: Jangan Salah Tarik Kesimpulan dari Grafik

• [Mini Case] P-Value Tidak Sakral: Cara Baca dan Gunakan Secara Bijak

• [Mini Case] Confidence Interval: Cara Cerdas Melihat Ketidakpastian

• Kapan sebaiknya memilih t-test?

• Kapan wajib beralih ke Mann-Whitney?

• Apa dampaknya jika kita salah pilih?

• Uji normalitas: Apakah distribusi transaksi mengikuti pola normal?

• Uji varians: Apakah variasi antar kelompok setara?

Tanpa ini, kita bisa saja menggunakan alat yang salah. Seperti mengukur suhu dengan penggaris.

• Cocok untuk data berdistribusi normal

• Varians antar kelompok setara

• Membandingkan rata-rata

2. Mann-Whitney U Test

• Cocok untuk data yang tidak normal atau terdistribusi miring

• Tidak memerlukan asumsi varians setara

• Membandingkan distribusi secara keseluruhan, bukan hanya rata-rata

• T-Test pada data tidak normal → p-value bisa salah, hasil tidak valid

• T-Test saat varians berbeda jauh → kesimpulan bias

• Mann-Whitney pada data normal → tetap aman, meskipun sedikit kurang sensitif

Maka menggunakan t-test akan menyesatkan.

Tidak semua perbandingan dua kelompok harus menggunakan t-test.
Terkadang, bentuk distribusi data-lah yang menjadi penentu metode.

Jangan buru-buru pilih tools. Periksa dulu datanya.