Jurnal Ilmu Pertanian dan Perikanan Desember 2012

Vol. 1 No.1 Hal : 37-42

ISSN 2302-6308

PEDUGAAN STANDAR DEVIASI UNTUK SAMPEL KECIL

DALAM PENELITIAN PERTANIAN
Weksi Budiaji1*, Suherna1, Yudi L. A. Salampessy1

1Jurusan Agribisnis Fakultas Pertanian Universitas Sultan Ageng Tirtayasa

Jalan Raya Jakarta Km 4 Pakupatan Serang Banten
*Korespondensi : weksi_budiaji@yahoo.com

Diterima: 16 Oktober 2012 / Disetujui: 20 November 2012

ABSTRACT
There is a rule of thumb formula to estimate a standard deviation for a small
sample (2 to 15 samples). This formula is based on a ratio between the range data
(maximum minus minimum) and the square root of the number of the samples.
Although this formula has a small bias, Mantel (1951) used some constants instead of
the square root of the number of the samples that produced even a smaller bias to a
normal and a uniform distributed data. In this manuscript, we modify three constants
that Mantel (1951) proposed when the number of objects is equal to 2 and 3. We also
add a rule that the data must be assumed to be a standard normal (N (0,1)) or a
standard uniform (U (0,1)) distribution.
Keywords : standard deviation, small sample, normal distribution, uniform distribution

PENDAHULUAN atau presisi (Naing et al., 2006). Pen-

dugaan ragam populasi menjadi sangat
Data yang sering digunakan dalam
penting karena dengan pendugaan yang
penelitian pertanian adalah data kontinyu
tepat (tidak bias) akan menghasilkan
yang diasumsikan menyebar normal
jumlah sampel yang efektif untuk menguji
misalkan pada data tinggi tanaman, hasil
hipotesis dan efisien dalam penghematan
panen, pendapatan rumah tangga, dan
sumber daya (waktu dan biaya). Ada
lain sebagainya. Jika populasi yang
beberapa cara untuk mendapatkan pen-
menjadi perhatian dalam penelitian ter-
dugaan ragam populasi misalkan dengan
sebut besar maka pengambilan sampel
melihat data historis, bertanya kepada
sangat diperlukan. Banyaknya sampel
ahlinya atau pun dengan melakukan pra-
yang diambil untuk berbagai macam
penelitian. Pada pra-penelitian, pendu-
penelitian baik dengan data kontinyu atau
gaan ragam populasi diperoleh dengan
kategorik (proporsi) dapat menggunakan
menghitung ragam dari subjek pra-
formula yang diusulkan oleh Donner
penelitian yang biasanya berjumlah kecil
(1984) dan Jones et al (2003). Hal yang
(2 sampai 15 subyek).
perlu diperhatikan adalah penentuan
jumlah sampel dapat langsung meng- Ragam sampel kecil yang diperoleh
gunakan data asli. Penggunaan data dari pra-penelitian dapat digunakan untuk
transformasi misalnya logaritma sebelum menduga ragam populasi yang berman-
analisis akan berpengaruh terhadap jum- faat dalam penentuan jumlah sampel
lah sampel yang dibutuhkan (Chow et al, penelitian. Perhitungan ragam (kuadrat
2002), sehingga penyesuaian diperlukan. dari standar deviasi) sampel kecil ini
dapat menggunakan cara cepat (Rule of
Salah satu parameter yang sangat
Thumb) yaitu kuadrat dari range/
penting dalam penentuan jumlah sampel
jangkuan (data terbesar dikurangi data
adalah ragam populasi (Lenth, 2001)
terkecil) dibagi 4 (Bluman, 2012). Mantel
38 BUDIAJI ET AL.
(1951) dan Gehan (1980) juga membe-
rikan alternatif perhitungan standar
deviasi untuk sampel kecil untuk data
yang menyebar normal dan uniform
dimana standar deviasi dihitung dari
range dibagi dengan akar dari jumlah
obyek.
Penelitian ini bertujuan meng-
evaluasi perhitungan cara cepat (Rule of
Thumb) untuk standar deviasi yang
diajukan oleh Mantel (1951) dengan
membandingkan cara biasa pada sampel
kecil bagi data yang meyebar normal dan
uniform. Data yang menyebar normal
atau uniform penting menjadi perhatian
karena data tersebut sering dijumpai
(diasumsikan) dalam penelitian pertanian
(Bell et al, 2012; Sahoo et al, 2008; Zhao
et al, 2000).
METODE PENELITIAN
Penelitian pendugaan standar devia-
si untuk sampel kecil menggunakan
simulasi data. Data simulasi dibangkitkan
dari sebaran populasi yang menjadi topik
penelitian yaitu data yang menyebar
normal dan uniform. Sampel kecil diba-
tasi pada jumlah sample 2 sampai
dengan 15. Parameter data simulasi
untuk tiap sebaran bervariasi dengan
menggunakan beberapa alternatif pilihan
parameter.
Data hasil simulasi dihitung standar
deviasinya dengan cara biasa dan cara
cepat (Rule of Thumb) kemudian dise-
lisihkan. Sebaran normal yang disimu-
lasikan pertama adalah sebaran data
normal dengan rataan 0 dan ragam.
Kemudian kedua parameter ini divariasi.
Jumlah sampel yang dibangkitkan 2
sampai dengan 15 subyek. Tiap n jumlah
subyek, standar deviasi cara biasa dan
cara cepat diambil berdasarkan rataan
dari 1000 kali pembangkitan data.
Standar deviasi cara biasa dihitung
dengan menggunakan rumus:
-
……………………………(1)
- sama. Dilain pihak, jika nilai tengah data
dimana n adalah jumlah subyek, xi adalah
nilai subyek ke-i, dan adalah nilai
JIPP
rataan dari seluruh subyek. Disisi lain,
standar deviasi cara cepat menggunakan
rumus:
-
……………………...(2)
dimana max adalah nilai terbesar dan
min adalah nilai terkecil dari data. Jika
cara biasa dan cara cepat menghasilkan
nilai 0, cara cepat adalah penduga tak
berbias.
Perhitungan standar deviasi dengan
menggunakan rumus (2) akan diban-
dingkan juga dengan nilai standar deviasi
yang diperoleh dengan menggunakan
penyebut yang diusulkan oleh Mantel
(1951) dimana pembilangnya sama tetapi
penyebutnya tidak menggunakan .
Penyebut yang digunakan dalam cara
Mantel adalah penyebut yang ada pada
tabel Mantel (1951).
Tahap-tahap simulasi dari awal sam-
pai dengan akhir dikerjakan menggu-
nakan software R. Kode (syntax) soft-
ware R yang digunakan dalam penelitian
ini dapat diperoleh melalui permintaan
kepada penulis.
HASIL DAN PEMBAHASAN
Tiap jumlah n dibangkitkan sebanyak
1000 data kemudian dihitung standar
deviasinya menggunakan cara biasa (1)
dan cara cepat (2). Dari perhitungan
tersebut diambil rataannya kemudian
diselisihkan antara cara (1) dan (2) untuk
mendapatkan nilai bias.
Tabel 1 menunjukkan nilai bias dari
data yang menyebar normal dengan
parameter nilai tengah (mean) dan ragam
(variance) yang berbeda-beda. Pada
jumlah n = 2, nilai bias untuk semua vari-
asi parameter adalah 0. Ini berarti cara
(1) dan cara (2) menghasilkan nilai
standar deviasi yang sama.
Hal lain yang dapat dilihat pada
Tabel 1 adalah pada saat ragam data
sama tanpa memperhitungkan nilai
tengahnya, bias yang diperoleh juga
sama tetapi ragamnya lebih besar, 2 kali
lebih besar misalnya, bias cara (1) dan
cara (2) menjadi 2 kali lebih besar pula.
Volume 1 (1), 2012 Pendugaan Standar Deviasi Sampel Kecil 39

Ini dikarenakan cara (1) dan cara (2)
adalah pendugaan untuk standar deviasi
yang merupakan akar dari ragam,
sehingga dengan berubahnya nilai ragam
maka bias pendugaan cara (2) merespon
perubahan nilai ragam bukan perubahan
nilai tengah.
Mantel (1951) memberikan tabel nilai
penyebut pada cara (2) agar diperoleh
penduga tak bias bagi sebaran normal
sehingga penyebut pada cara (2)
tidak lagi digunakan. Dalam hal ini, tidak
disebutkan apakah Mantel (1951) men-
standarisasi/ mengasumsi data menyebar
N(0,1), padahal terlihat pada hasil
simulasi Tabel 1, ragam data akan
sangat berpengaruh terhadap bias pen-
dugaan. Berdasarkan alasan ini, penulis
menyarankan (mengasumsi) penggunaan
sebaran normal standar (N (0,1)) jika
menggunakan nilai penyebut yang
diusulkan Mantel (1951).
Penggunaan sebaran normal standar
N (0,1) untuk cara cepat (2) dapat
dibandingkan dengan cara Mantel (pe-
nyebut tidak menggunakan , tetapi
menggunakan tabel Mantel). Perban-
dingan bias cara (2) dan cara Mantel
dapat dilihat pada Tabel 2. Bias cara
Mantel lebih besar saat n = 2 dan n = 3,
sehingga untuk jumlah n ini penyebut
lebih disarankan.
Sebaran data kedua yang disimu-
lasikan adalah data yang menyebar
uniform. Standar deviasi cara biasa (1)
dan cara cepat (2) dihitung dari tiap jum-
lah n yang dibangkitkan dari 1000 data
seperti sebelumnya, kemudian nilai bias
juga dihitung. Tabel 3 adalah nilai bias
dari data yang menyebar uniform dengan
parameter minimum dan maksimum yang
beragam. Saat n = 2, nilai bias 0 diper-
oleh untuk semua variasi parameter yang
berarti cara (1) dan cara (2) menghasil-
kan nilai standar deviasi yang sama.
Tabel 3 juga menunjukkan bahwa
range (max–min) parameter data uniform
yang sama diperoleh nilai bias yang
sama, tanpa mempedulikan nilai mini-
mum ataupun maksimum yang ada.
Disisi lain, jika range parameter data
uniform dua kali lebih besar, 2 kali lebih
besar misalnya, bias cara (1) dan cara (2)
menjadi 2 kali lebih besar pula. Alasan
dari hasil ini adalah perhitungan nilai
ragam pada sebaran uniform berdasar-
kan pada nilai kuadrat dari range data,
sehingga perbedaan range akan ber-
pengaruh terhadap bias pendugaan cara
(2).

Tabel 1 Bias antara perhitungan cara biasa dan cara cepat untuk data normal
n \ data N (0, 1) N (0, 2) N (0, 3) N (1, 1) N (1, 2) N (1, 3)
2 0.00 0.00 0.00 0.00 0.00 0.00
3 0.09 0.19 0.28 0.09 0.19 0.28
4 0.12 0.23 0.35 0.12 0.23 0.35
5 0.11 0.22 0.33 0.11 0.22 0.33
6 0.10 0.20 0.31 0.10 0.20 0.31
7 0.10 0.19 0.29 0.10 0.19 0.29
8 0.08 0.16 0.25 0.08 0.16 0.25
9 0.08 0.16 0.24 0.08 0.16 0.24
10 0.08 0.16 0.23 0.08 0.16 0.23
11 0.08 0.15 0.23 0.08 0.15 0.23
12 0.08 0.16 0.24 0.08 0.16 0.24
13 0.09 0.18 0.27 0.09 0.18 0.27
14 0.10 0.20 0.30 0.10 0.20 0.30
15 0.11 0.21 0.32 0.11 0.21 0.32
40 BUDIAJI ET AL. JIPP

Tabel 2 Hasil perbandingan bias antara cara cepat (N (0,1)) dan cara Mantel
n sd (1)* sd (2)* sd (m)* bias (2)* bias (m)*
2 0.84 0.84 0.93 0.00 0.10
3 0.90 0.99 1.01 0.09 0.11
4 0.93 1.04 1.02 0.12 0.10
5 0.94 1.04 1.02 0.11 0.09
6 0.96 1.04 1.03 0.10 0.09
7 0.97 1.04 1.03 0.10 0.09
8 0.97 1.01 1.00 0.08 0.08
9 0.98 1.00 1.00 0.08 0.08
10 0.98 0.97 0.99 0.08 0.08
11 0.97 0.95 0.97 0.08 0.08
12 0.97 0.94 0.97 0.08 0.08
13 0.98 0.92 0.96 0.09 0.08
14 0.97 0.90 0.94 0.10 0.08
15 0.98 0.90 0.95 0.11 0.09
*(1), (2), dan (m) berturut-turut adalah cara (1), (2), dan Mantel

Tabel 3 Bias antara perhitungan cara biasa dan cara cepat untuk data uniform
n \ data U (0, 1) U (0, 2) U (0, 3) U (1, 2) U (1, 3) U (1, 4)
2 0.00 0.00 0.00 0.00 0.00 0.00
3 0.03 0.05 0.08 0.03 0.05 0.08
4 0.03 0.06 0.09 0.03 0.06 0.09
5 0.03 0.05 0.08 0.03 0.05 0.08
6 0.02 0.05 0.07 0.02 0.05 0.07
7 0.02 0.04 0.07 0.02 0.04 0.07
8 0.02 0.05 0.07 0.02 0.05 0.07
9 0.03 0.05 0.08 0.03 0.05 0.08
10 0.03 0.06 0.09 0.03 0.06 0.09
11 0.04 0.07 0.11 0.04 0.07 0.11
12 0.04 0.09 0.13 0.04 0.09 0.13
13 0.05 0.10 0.15 0.05 0.10 0.15
14 0.06 0.11 0.17 0.06 0.11 0.17
15 0.06 0.12 0.18 0.06 0.12 0.18

Mantel (1951) juga menuliskan tabel distandarisai menjadi U (0,1), padahal

nilai penyebut pada cara (2) bagi
pendugaan standar deviasi sebaran
uniform. Seperi pada sebaran normal,
Mantel (1951) tidak menyebutkan apakah
data dari sebaran uniform tersebut
hasil simulasi Tabel 3 terlibat bahwa
range data berpengaruh terhadap bias
pendugaan. Atas dasar ini, penulis
menyarankan penggunaan sebaran
uniform standar (U (0,1)) jika meng-
gunakan nilai penyebut Mantel (1951).
Volume 1 (1), 2012 Pendugaan Standar Deviasi Sampel Kecil 41

Penggunaan sebaran uniform stan- Ringkasan hasil simulasi data yang

dar U (0,1) cara (2) dapat dibandingkan
dengan cara Mantel. Perbandingan bias
cara (2) dan cara Mantel dapat dilihat
pada Tabel 4. Bias cara Mantel lebih
besar saat n = 2 sehingga penyebut
disarankan pada n = 2.
menyebar Normal (Tabel 2) dan uniform
(Tabel 4) diatas dapat dapat dilihat pada
Tabel 5. Tabel 5 menunjukkan bahwa
cara Mantel untuk n = 2 dan n = 3 bagi
data yang menyebar normal dimodifikasi
nilai penyebutnya. Disisi lain, modifikasi
diperlukan hanya untuk n = 2 pada data
yang menyebar uniform.

Tabel 4 Hasil perbandingan bias antara cara cepat (U (0,1)) dan cara Mantel
n sd (1)* sd (2)* sd (m)* bias (2)* bias (m)*
2 0.24 0.24 0.27 0.00 0.03
3 0.26 0.28 0.28 0.03 0.03
4 0.28 0.30 0.30 0.03 0.02
5 0.28 0.30 0.29 0.03 0.02
6 0.28 0.29 0.29 0.02 0.02
7 0.28 0.28 0.28 0.02 0.02
8 0.28 0.28 0.28 0.02 0.02
9 0.29 0.27 0.28 0.03 0.02
10 0.28 0.26 0.27 0.03 0.02
11 0.28 0.25 0.27 0.04 0.03
12 0.29 0.24 0.27 0.04 0.03
13 0.29 0.24 0.26 0.05 0.03
14 0.29 0.23 0.26 0.06 0.03
15 0.29 0.23 0.26 0.06 0.03
*(1), (2), dan (m) berturut-turut adalah cara (1), (2), dan Mantel

Tabel 5 Penyebut cara Mantel yang KESIMPULAN

dimodifikasi
Pendugaan standar deviasi cara
n Normal Uniform cepat (Rule of Thumb) untuk sampel kecil
2 2,0* 2,0* adalah pendugaan yang berbias. Namun
3 3.0* 3,0 demikian, penggunaan tabel nilai
4 4,1 4,2 penyebut yang diusulkan oleh Mantel
(1951) memperkecil bias tersebut. Cara
5 5,2 5,2
pendugaan ini dapat digunakan dengan
6 6,2 6,1
syarat mentransformasi (mengasumsi)
7 7,2 6,9 sebaran populasi data adalah data yang
8 8,1 7,6 menyebar N (0,1) atau U (0,1). Pada saat
9 8,9 8,3 n = 2 baik untuk sebaran data normal
10 9,7 9,0 atau uniform, penggunaan konstanta 2
11 10,5 9,6 disarankan dibandingkan konstanta yang
12 11,3 10,2 diajukan Mantel (1951) karena biasnya
13 12,0 10,7
lebih kecil.Hal ini berlaku pula untuk n = 3
yang menggunakan konstanta 3 dimana
14 12,7 11,2
bias yang dihasilkan juga lebih kecil.
15 13,4 11,7
* Nilai penyebut yang dimodifikasi
(berdasarkan hasil simulasi)
42 BUDIAJI ET AL. JIPP

DAFTAR PUSTAKA Lenth, R. V. 2001. Some Practical

Guidelines for Effective Sample Size
Bell, M. J., B. R. Cullen, I. R. Johnson,
Determination. The American
and R. J. Eckard. 2012. Modelling
Statistical Association, vol. 55, No.3,
Nitrogen Losses from Sheep Grazing
pp.187-193.
Systems with Different Spatial
Mantel, N. 1951. Rapid Estimation of
Distribution of Excreta. Agriculture,
Standard Errors of Means for Small
Vol. 2, pp. 282-294.
Samples. The American Statistician,
Chow, Shein-Chung, J. Shao, and H.
vol. 5, No. 4 (Oct, 1951), pp. 26-27.
Wang. 2002. A Note on Sample Size
Naing, L., T. Winn, and B. N. Rusli. 2006.
Calculation for Mean Comparisons
Practical Issues in Calculating the
Based on Noncentral t-Statistics.
Sample Size for Prevalence Studies.
Journal of Biopharmaceutical
Archives of Orofacial Sciences 2006,
Statistics, vol. 12, pp. 441-456.
vol.1, pp. 9-14.
Bluman, A. 2012. Elementary Statistics: A
Sahoo, N., P.L. Pradhan, N.K. Anumala,
Step-By-Step Approach. Mcgraw-Hill:
and M.K. Ghosal. 2008. Uniform
New York
Water Distribution From Low
Donner, A. 1984. Approaches to Sample
Pressure Rotating Sprinklers.
Size Estimation in The Design of
Agricultural Engineering
Clinical Trials-A review. Statistics in
International: the CIGR Ejournal.
Medicine, vol. 3, pp. 199-214.
Manuscript LW 08 014. vol. X
Gehan, E. A., 1980. The Training of
Zhao, X., W. E. Griffiths, G. R. Griffiths,
Statistics for Cooperative Clinical
and J. D. Mullen. 2000. Probability
Trials: A Working Statistician’s
Distributions for Economic Surplus
Viewpoint. Biometrics, vol. 36, No. 4
Changes: The Case of Technical
(Dec, 1980), pp. 699-706.
Change in The Australian Wool
Jones, S.R., S. Carley, and M. Harrison.
Industry. The Australian Journal of
2003. An Introduction to Power and
Agricultural and Resource
Sample Size Estimation. Emergency
Economics, vol. 44:1, pp. 83-106.
Medicine Journal, vol, 23, pp. 453-
458.