You are on page 1of 10

ANALISIS TREND (Materi X : Pengertian dan Metode Least Square)

Pengertian : Analisis trend merupakan suatu metode analisis yang ditujukan untuk
melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan
peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup
banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil
analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-
faktor apa saja yang mempengaruhi terhadap perubahan tersebut. Secara teoristis, dalam
analisis time series yang paling menentukan adalah kualitas atau keakuratan dari
informasi atau data-data yang diperoleh serta waktu atau periode dari data-data tersebut
dikumpulkan.

Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi
atau peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit
maka hasil estimasi atau peramalannya akan semakin jelek.
Metode Least Square : Metode yang digunakan untuk analisis time series adalah Metode
Garis Linier Secara Bebas (Free Hand Method), Metode Setengah Rata-Rata (Semi
Average Method), Metode Rata-Rata Bergerak (Moving Average Method) dan Metode
Kuadrat Terkecil (Least Square Method). Dalam hal ini akan lebih dikhususkan untuk
membahas analisis time series dengan metode kuadrat terkecil yang dibagi dalam dua
kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier
dari analisis time series adalah : Y = a + b X. Keterangan : Y adalah variabel yang dicari
trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta
(a) dan parameter (b) adalah : a = ΣY / N dan b =ΣXY / ΣX2
Contoh Kasus Data Ganjil :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2003
Tahun Penjualan (Y) X XY X2
1995 200 -4 - 800 16
1996 245 -3 - 735 9
1997 240 -2 - 480 4
1998 275 -1 - 275 1
1999 285 0 0 0
2000 300 1 300 1
2001 290 2 580 4
2002 315 3 945 9
2003 310 4 1.240 16
Jumlah 2.460 775 60
Untuk mencari nilai a dan b adalah sebagai berikut :
a= 2.460 / 9 = 273,33 dan b = 775 / 60 = 12,92
Persamaan garis liniernya adalah : Y = 273,33 + 12,92 X. Dengan menggunakan
persamaan tersebut, dapat diramalkan penjualan pada tahun 2010 adalah : Y = 273,33 +
12,92 (untuk tahun 2010 nilai X adalah 11), sehingga : Y = 273,33 + 142,12 = 415,45
artinya penjualan barang “X” pada tahun 2010 diperkirakan sebesar 415.450 unit
Contoh Kasus Data Genap :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2002
Tahun Penjualan (Y) X XY X2
1995 200 -7 - 1.400 49
1996 245 -5 - 1.225 25
1997 240 -3 - 720 9
1998 275 -1 - 275 1
1999 285 1 285 1
2000 300 3 900 9
2001 290 5 1.450 25
2002 315 7 2.205 49
Jumlah 2.150 1.220 168
Untuk mencari nilai a dan b adalah sebagai berikut :
a = 2.150 / 8 = 268,75 dan b = 1.220 / 168 = 7,26
Persamaan garis liniernya adalah : Y = 268,75 + 7,26 X. Berdasarkan persamaan tersebut
untuk meramalkan penjualan pada tahun 2008 adalah : Y = 268,75 + 7,26 (untuk tahun
2008 nilai X adalah 19), sehingga : Y = 268,75 + 137,94 = 406,69 artinya penjualan
barang “X” pada tahun 2008 diperkirakan sebesar 406,69 atau 406.690 unit.
elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode
sebagai berikut :
Tabel : Volume Penjualan Barang “X” (dalam 000 unit) Tahun 1995 sampai dengan 2002

Tahun Penjualan (Y) X XY X2


1995 200 -3 - 700 12,25
1996 245 -2½ - 612,5 6,25
1997 240 -1½ - 360 2,25
1998 275 -½ - 137,5 0,25
1999 285 ½ 142,5 0,25
2000 300 1½ 450 2,25
2001 290 2½ 725 6,25
2002 315 3½ 1102,5 12,25
Jumlah 2.150 610,0 42,00
Untuk mencari nilai a dan b adalah sebagai berikut :
a = 2.150 / 8 = 268,75 dan b = 610 / 42 = 14,52
Persamaan garis liniernya adalah : Y = 268,75 + 14,52 X. Berdasarkan persamaan
tersebut untuk meramalkan penjualan pada tahun 2008 adalah : Y= 268,75 + 14,52 (untuk
tahun 2008 nilai X adalah 9½), sehingga : Y = 268,75 + 137,94 = 406,69 artinya
penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406.690 unit.

May 10, '08 1:10 PM


Asumsi Linearitas
for everyone
Atas permintaan beberapa teman, saya akhirnya memutuskan untuk menulis dulu
mengenai topik ini sebelum melanjutkan topik mengenai Analisis Varian. Apa itu asumsi
linearitas? Bagaimana mengetahui apakah asumsi ini terpenuhi atau tidak? Dan mungkin
beberapa pertanyaan lain yang akan saya coba jawab dalam posting ini… omong-omong
kok saya jadi serius gini ya? Hmm…
Apa itu Asumsi Linearitas?
Ada beberapa teknik statistik yang didasarkan pada asumsi linearitas, lengkapnya
linearitas hubungan. Teknik statistik yang dimaksud adalah teknik yang terkait dengan
korelasi, khususnya korelasi product momen, termasuk di dalamnya teknik regresi. Jadi
tentunya tidak semua teknik statistik didasarkan pada asumsi ini.
Jadi apa itu asumsi linearitas hubungan? Kurang lebih asumsi ini menyatakan bahwa
hubungan antar variabel yang hendak dianalisis itu mengikuti garis lurus. Jadi
peningkatan atau penurunan kuantitas di satu variabel, akan diikuti secara linear oleh
peningkatan atau penurunan kuantitas di variabel lainnya. Gambarannya kurang lebih
begini:

Memangnya ada yang


nggak mengikuti garis lurus? Ya banyak sekali model hubungan yang nggak mengikuti
garis lurus. Misalnya seperti di gambar ini:

Dalam gambar ini,


hubungan antar variabelnya bersifat kurvilinear, khususnya hubungan kuadratik. Masih
banyak pola hubungan yang lain selain ini, seperti eksponensial, logistik, dll.

Mengapa harus Linear?


Korelasi produk momen dan turunannya, mengasumsikan hubungan antar variabelnya
bersifat linear. Jika ternyata pola hubungannya tidak linear, maka teknik korelasi produk
momen akan cenderung melakukan underestimasi kekuatan hubungan antara dua
variabel. Jadi sangat mungkin sebenarnya kedua variabel memiliki hubungan yang kuat
tetapi diestimasi oleh produk momen sebagai tidak ada hubungan atau memiliki
hubungan yang lemah, hanya karena pola hubungannya tidak linear.

Bagaimana Mengecek Asumsi Linearitas ini?


Ada beberapa cara untuk mengecek asumsi linearitas ini dalam program SPSS:
1. Menggunakan test for linearity dalam SPSS
Cara ini termasuk cara yang sangat lazim dilakukan selama ini ketika berurusan dengan
pengecekan asumsi linearitas. Saya sendiri tidak terlalu yakin dengan cara ini, hanya saja
sampai hari ini saya tidak memiliki bukti untuk menolak penggunaan cara ini.
Kita akan memulai dengan mengklik Analyze->Compare Means->Means, lalu
muncullah sebuah dialog box berikut ini.

Pilihlah variabel dependen dari daftar variabel di sebelah kiri, lalu pindahkan ke kolom
Dependent Variable, begitu juga variabel independen dipindah ke kolom Independent
Variable.
Kemudian klik Option, lalu muncul lagi satu dialog box seperti ini:
Kita klik kotak di sebelah kiri Test for linearity, untuk memilihnya. Kita dapat
membersihkan kotak Cell Statistics jika tidak ingin ada hasil output lain karena memang
tidak dibutuhkan. Klik Continue, dan kita kembali ke dialog box sebelumnya, lalu klik
OK.
Output analisis yang akan kita baca hanya bagian seperti gambar di bawah ini:

Nah pada bagian ini dapat kita lihat tabel yang sangat mirip dengan Anova, karena
memang sebenarnya ini analisis varians. Pada bagian paling atas kita dapat melihat baris
Between (Subject). Ini sebenarnya sama dengan JK Antar dalam analisis varians
sederhana seperti yang pernah saya bahas di Anava Identity. Dalam analisis ini, JK Antar
dipartisi lagi menjadi dua bagian. Yaitu bagian yang mengikuti garis linier, dan bagian
yang tidak mengikuti garis linier.
Bagian yang mengikuti garis linier itu yang diwakili oleh baris Linearity sementara
bagian yang tidak mengikuti garis linier diwakili oleh baris Deviation from Linearity.
Bagian ini sebenarnya merupakan ‘sisa’ dari bagian dari JK Antar setelah dikurangi
bagian yang mengikuti garis linear. Mungkin dapat digambarkan seperti ini:
Bagian yang berwarna biru
merupakan bagian dari variasi variabel dependen yang mengikuti variasi variabel
independen, diberi lambang A. Ini adalah bagian yang sering diwakili oleh JK Antar.
Bagian yang tidak berwarna, diberi lambang e, merupakan bagian dari variabel dependen
yang tidak mengikuti variabel independen. Nah ternyata oh ternyata… bagian berwarna
ini, JK Antar, masih dapat dipartisi lagi menjadi dua bagian yaitu yang mengikuti garis
linear, diwakili oleh baris linearity, dan yang tidak mengikuti garis linear, diwakili oleh
deviation from linearity.

Nah lalu bagaimana memutuskan apakah asumsi linearitas ini terpenuhi atau
tidak?

Ada beberapa pendapat yang beredar saat ini. Pendapat pertama menyatakan keputusan
diambil dengan melihat baris linearity, karena baris ini dianggap merupakan bagian JK
Antar yang mengikuti trend linear. Jika F untuk baris linearity ini signifikan, kita bisa
bilang bahwa bagian dari JK Antar yang mengikuti garis linear cukup besar, sehingga
dapat disimpulkan trend antara variabel independen dan dependen itu linear. Atau dapat
juga dikatakan bahwa garis linear dapat memberikan penjelasan yang baik mengenai
hubungan antara kedua variabel, dengan kata lain fit.

Ada juga pendapat yang mengatakan keputusan diambil dengan melihat baris deviation
from linearity. Deviation from linearity merupakan bagian dari A yang tidak mengikuti
garis linear. Jika baris ini tidak signifikan, maka dapat dikatakan bahwa hubungan antar
variabel dependen dan independen linear. Pemikirannya kurang lebih begini, sangat
mungkin hubungan antar variabel itu fit dengan garis linear, tapi tidak seluruh variasi dari
hubungan antar variabel ini dapat dijelaskan dengan garis linear ini. Ada sebagian lain
yang mengikuti pola hubungan yang tidak linear. Dalam hal ini, jika deviation from
linearity signifikan, ini menunjukkan bahwa sebagian lain variasi hubungan antar
variabel ini tidak mengikuti garis linear. Jadi disamping model linear kita perlu juga
melihat model non-linear. Nah, jika deviation from linearity ini tidak signifikan, ini
berarti variasi hubungan antar variabel hampir sepenuhnya mengikuti pola hubungan
linear.

Jadi gimana nih?


Kalo menurut saya begini: patokan pertama yang bisa dipakai adalah linearity, karena
baris ini menggambarkan apakah model linear dapat menjelaskan dengan baik hubungan
antar variabel. Jika linearity signifikan, maka itu berarti hubungan antar variabel dapat
dijelaskan menggunakan model linear, dalam hal ini korelasi produk momen atau regresi
linear. Deviation from linearity merupakan informasi tambahan mengenai pola hubungan
yang tidak dapat dijelaskan oleh garis linear. Jika ternyata baris ini signifikan. Ini berarti,
hanya memberikan penjelasan linear mengenai hubungan antar variabel akan
memberikan informasi yang kurang lengkap mengenai hubungan antar variabel. Sehingga
perlu kiranya menguji juga model hubungan antar variabel dengan model non-linear pada
data yang sama. Ini dilakukan untuk melihat manakah model yang terbaik menjelaskan
pola hubungan ini.

Masalah
Saya pribadi kurang merasa ‘sreg’ dengan pendekatan ini, apalagi jika digunakan sebagai
satu-satunya sumber informasi untuk mengecek asumsi linearitas data.
Keberatan saya yang pertama, sebenarnya analisis ini merupakan analisis trend, jadi
bukan analisis yang memang dirancang untuk melihat linearitas hubungan antara dua
variabel dengan data kontinum. Apa bedanya? Analisis trend sebenarnya menganalisis
mean dari beberapa kelompok dari sampel penelitian. Kelompok-kelompok ini dibentuk
menurut kuantitas dari variabel independent. Misalnya variabel independennya obat A,
maka kelompok pertama misalnya diberi obat A sebanyak 10 gram, kelompok berikutnya
20 gram, dan seterusnya. Yang ingin dilihat apakah pemberian obat dengan kuantitas
tertentu ini akan memiliki efek yang linier terhadap variabel dependen, misalnya
kecepatan sembuh. Terkait dengan ini akan ada dua masalah yaitu:

a. Jika tiap nilai variabel independen hanya memiliki satu nilai unik untuk variabel
dependennya (misalnya setiap subjek yang memiliki skor IQ 100 memiliki nilai raport
10), analisis trend di SPSS ini tidak akan dapat dijalankan, karena SPSS tidak dapat
menghitung varians errornya.

b. Jika range dari variabel independent sangat besar, misalnya 100 point, maka derajat
kebebasan (df) untuk baris deviation from linearity akan cenderung besar. Ini
mengakibatkan Rerata Kuadratnya (MS deviation from linearity) akan cenderung kecil,
sehingga nilai F nya akan cenderung kecil juga. Hal ini mengakibatkan makin besar
kemungkinan untuk mendapatkan F yang tidak signifikan terlepas dari apakah kondisi
datanya linear atau tidak.

Kedua, terkait dengan ketergantungan teknik ini terhadap jumlah subjek. Semakin besar
subjek, makin kecil Rerata Kuadrat untuk error (MS error), yang mengakibatkan makin
besar kemungkinan untuk menolak hipotesis nol. Dalam baris linearity ini berarti makin
besar kecenderungan untuk mengatakan hubungan antar variabel itu linear padahal tidak
demikian. Dalam baris deviation from linearity ini berarti makin besar kecenderungan
untuk mengatakan hubungan antar variabel dapat dijelaskan dengan model non linear.

Alasan ketiga terkait dengan ‘sense of data’…cieileh…keren betul bahasanya. Maksud


saya begini, mengenali dan melihat data itu penting bagi peneliti. Peneliti perlu mendapat
‘sense’ atas datanya sendiri. Nah, mengandalkan uji asumsi saja hanya akan membatasi
pandangan kita mengenai data kita sendiri. Kita perlu melihatnya secara langsung baik
dalam arti memandangi datanya (ini serius nggak guyon…) atau membuat grafik yang
bisa menggambarkan data kita. Nah terkait dengan ini kita masuk ke pendekatan kedua.

2. Menggunakan Grafik Scatter Plot antar Variabel


Saya menganggap penting sekali mengecek data secara visual. Ini dapat dilakukan
dengan melihat datanya secara langsung atau melihatnya dalam bentuk grafik. Ada cukup
banyak informasi yang bisa kita peroleh dengan melihat data dengan grafik dibandingkan
hanya melihat hasil output berupa tabel.

Scatter plot termasuk grafik yang menurut saya cukup berguna untuk mengecek linearitas
hubungan antar variabel. Beberapa manfaat yang dapat diperoleh antara lain, dapat
melihat secara langsung bentuk hubungan antar variabel. Seandainya hubungan antar
variabel tidak linear, dengan scatter plot kita dapat memperkirakan seperti apa bentuk
hubungannya; kuadratik, kubik, logaritmik, atau yang lain. Manfaat lainnya adalah dapat
mengecek outlier dalam data kita, keberadaannya dan pada variabel mana data tersebut
menjadi outlier.

Lalu bagaimana melakukannya dengan SPSS?


Kita dapat menggunakan menu Graph->Interactive->Scatterplot, yang akan
memunculkan dialog box seperti ini:

Dalam dialog box tersebut kita bisa memasukkan variabel independen dalam kotak pada
garis horizontal dan variabel dependen dalam kotak pada garis vertikal. Kemudian klik
OK, yang akan memunculkan grafik seperti berikut:

Nah dari grafik ini bisa dilihat bahwa hubungan kedua variabel dapat dikatakan linear.
Jika kita menarik garis lurus seperti di atas, kita dapat melihat titik-titik tersebut memiliki
jarak yang relatif dekat dengan garis. Dalam grafik ini juga dapat dilihat beberapa outlier
sekaligus kemungkinan heterogenitas varians.

Masalah utama terkait dengan grafik adalah subjektivitas penilaian seperti apa grafik
yang dapat dikatakan linear dan seperti apa yang dikatakan non linear. Dalam gambar di
atas, kita dapat melihat dengan cukup jelas bahwa hubungan keduanya linear, tetapi
dalam grafik lain sangat mungkin ada perbedaan pendapat mengenai linearitas hubungan
antara dua variabel. Oleh karena itu meminta penilaian orang lain mengenai bentuk
hubungan dalam hal ini cukup penting.

Saat ini saya sedang menggali kemungkinan-kemungkinan lain untuk menguji linearitas
hubungan ini. Saya belum menemukan sampai saya menyelesaikan tulisan ini. Jika suatu
hari nanti saya memperolehnya tentu saja akan saya upload artikel baru di blog ini.
Salam!
Prev: Anava Identity : Analisis Varians Sederhana / Satu Jalur (Part II)
Next: Korelasi Antara A Dan B Positif Signifikan = Jika A Tinggi Maka B Juga Tinggi?

You might also like