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 faktorfaktor 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

26 Persamaan garis liniernya adalah : Y = 268.75 + 14.25 1996 245 -2½ .360 2. saya akhirnya memutuskan untuk menulis dulu mengenai topik ini sebelum melanjutkan topik mengenai Analisis Varian.5 6.1.94 = 406.150 / 8 = 268.75 + 137.69 atau 406.1.25 2001 290 2½ 725 6.25 1999 285 ½ 142.25 1998 275 -½ .00 Untuk mencari nilai a dan b adalah sebagai berikut : a = 2.450 25 2002 315 7 2.205 49 Jumlah 2.75 + 7.52 Persamaan garis liniernya adalah : Y = 268.52 (untuk tahun 2008 nilai X adalah 9½).150 610.5 0. May 10.150 1. '08 1:10 PM for everyone Atas permintaan beberapa teman. sehingga : Y = 268.75 + 14.Tahun Penjualan (Y) X XY X2 1995 200 -7 .220 / 168 = 7. 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… Asumsi Linearitas . Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah : Y= 268.400 49 1996 245 -5 .25 1997 240 -1½ . elain dengan menggunakan metode tersebut di atas.69 artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406.690 unit.26 X.75 + 7.25 Jumlah 2.75 dan b = 610 / 42 = 14.700 12.690 unit.137.94 = 406.150 / 8 = 268.720 9 1998 275 -1 .52 X.26 (untuk tahun 2008 nilai X adalah 19).612.75 dan b = 1.225 25 1997 240 -3 . sehingga : Y = 268.25 2000 300 1½ 450 2.25 2002 315 3½ 1102. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah : Y = 268.75 + 137.69 artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406.220 168 Untuk mencari nilai a dan b adalah sebagai berikut : a = 2.5 0.275 1 1999 285 1 285 1 2000 300 3 900 9 2001 290 5 1.0 42.5 12. 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 .

lengkapnya linearitas hubungan. akan diikuti secara linear oleh peningkatan atau penurunan kuantitas di variabel lainnya. khususnya korelasi product momen. termasuk di dalamnya teknik regresi. Gambarannya kurang lebih begini: Memangnya ada yang nggak mengikuti garis lurus? Ya banyak sekali model hubungan yang nggak mengikuti garis lurus. logistik. Jadi tentunya tidak semua teknik statistik didasarkan pada asumsi ini. seperti eksponensial. Jadi peningkatan atau penurunan kuantitas di satu variabel. khususnya hubungan kuadratik. hubungan antar variabelnya bersifat kurvilinear. Misalnya seperti di gambar ini: Dalam gambar ini. Masih banyak pola hubungan yang lain selain ini.Apa itu Asumsi Linearitas? Ada beberapa teknik statistik yang didasarkan pada asumsi linearitas. maka teknik korelasi produk momen akan cenderung melakukan underestimasi kekuatan hubungan antara dua . Teknik statistik yang dimaksud adalah teknik yang terkait dengan korelasi. Mengapa harus Linear? Korelasi produk momen dan turunannya. mengasumsikan hubungan antar variabelnya bersifat linear. dll. Jika ternyata pola hubungannya tidak linear. Jadi apa itu asumsi linearitas hubungan? Kurang lebih asumsi ini menyatakan bahwa hubungan antar variabel yang hendak dianalisis itu mengikuti garis lurus.

Pilihlah variabel dependen dari daftar variabel di sebelah kiri. Kita akan memulai dengan mengklik Analyze->Compare Means->Means.variabel. Menggunakan test for linearity dalam SPSS Cara ini termasuk cara yang sangat lazim dilakukan selama ini ketika berurusan dengan pengecekan asumsi linearitas. Jadi sangat mungkin sebenarnya kedua variabel memiliki hubungan yang kuat tetapi diestimasi oleh produk momen sebagai tidak ada hubungan atau memiliki hubungan yang lemah. lalu muncul lagi satu dialog box seperti ini: . lalu muncullah sebuah dialog box berikut ini. Saya sendiri tidak terlalu yakin dengan cara ini. begitu juga variabel independen dipindah ke kolom Independent Variable. hanya saja sampai hari ini saya tidak memiliki bukti untuk menolak penggunaan cara ini. Bagaimana Mengecek Asumsi Linearitas ini? Ada beberapa cara untuk mengecek asumsi linearitas ini dalam program SPSS: 1. hanya karena pola hubungannya tidak linear. Kemudian klik Option. lalu pindahkan ke kolom Dependent Variable.

karena memang sebenarnya ini analisis varians. Ini sebenarnya sama dengan JK Antar dalam analisis varians sederhana seperti yang pernah saya bahas di Anava Identity. lalu klik OK. Klik Continue. Yaitu bagian yang mengikuti garis linier. untuk memilihnya. Mungkin dapat digambarkan seperti ini: . Bagian ini sebenarnya merupakan ‘sisa’ dari bagian dari JK Antar setelah dikurangi bagian yang mengikuti garis linear. dan kita kembali ke dialog box sebelumnya. Pada bagian paling atas kita dapat melihat baris Between (Subject). 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. Kita dapat membersihkan kotak Cell Statistics jika tidak ingin ada hasil output lain karena memang tidak dibutuhkan. Dalam analisis ini. JK Antar dipartisi lagi menjadi dua bagian. 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.Kita klik kotak di sebelah kiri Test for linearity.

Ada juga pendapat yang mengatakan keputusan diambil dengan melihat baris deviation from linearity. maka dapat dikatakan bahwa hubungan antar variabel dependen dan independen linear. maka itu berarti hubungan antar variabel dapat dijelaskan menggunakan model linear. Jika baris ini tidak signifikan. merupakan bagian dari variabel dependen yang tidak mengikuti variabel independen.Bagian yang berwarna biru merupakan bagian dari variasi variabel dependen yang mengikuti variasi variabel independen. karena baris ini menggambarkan apakah model linear dapat menjelaskan dengan baik hubungan antar variabel. jika deviation from linearity signifikan. Nah ternyata oh ternyata… bagian berwarna ini. diberi lambang A. Bagian yang tidak berwarna. diwakili oleh baris linearity. Ada sebagian lain yang mengikuti pola hubungan yang tidak linear. dan yang tidak mengikuti garis linear. Pemikirannya kurang lebih begini. Jadi gimana nih? Kalo menurut saya begini: patokan pertama yang bisa dipakai adalah linearity. JK Antar. diwakili oleh deviation from linearity. masih dapat dipartisi lagi menjadi dua bagian yaitu yang mengikuti garis linear. kita bisa bilang bahwa bagian dari JK Antar yang mengikuti garis linear cukup besar. ini berarti variasi hubungan antar variabel hampir sepenuhnya mengikuti pola hubungan linear. Dalam hal ini. Ini berarti. dengan kata lain fit. Pendapat pertama menyatakan keputusan diambil dengan melihat baris linearity. Jika F untuk baris linearity ini signifikan. Deviation from linearity merupakan bagian dari A yang tidak mengikuti garis linear. Nah. ini menunjukkan bahwa sebagian lain variasi hubungan antar variabel ini tidak mengikuti garis linear. tapi tidak seluruh variasi dari hubungan antar variabel ini dapat dijelaskan dengan garis linear ini. Atau dapat juga dikatakan bahwa garis linear dapat memberikan penjelasan yang baik mengenai hubungan antara kedua variabel. Nah lalu bagaimana memutuskan apakah asumsi linearitas ini terpenuhi atau tidak? Ada beberapa pendapat yang beredar saat ini. karena baris ini dianggap merupakan bagian JK Antar yang mengikuti trend linear. Deviation from linearity merupakan informasi tambahan mengenai pola hubungan yang tidak dapat dijelaskan oleh garis linear. jika deviation from linearity ini tidak signifikan. . Jika linearity signifikan. diberi lambang e. Jika ternyata baris ini signifikan. sangat mungkin hubungan antar variabel itu fit dengan garis linear. Jadi disamping model linear kita perlu juga melihat model non-linear. Ini adalah bagian yang sering diwakili oleh JK Antar. sehingga dapat disimpulkan trend antara variabel independen dan dependen itu linear. dalam hal ini korelasi produk momen atau regresi linear.

Jika range dari variabel independent sangat besar. Keberatan saya yang pertama. Semakin besar subjek. Kelompok-kelompok ini dibentuk menurut kuantitas dari variabel independent. kelompok berikutnya 20 gram. Alasan ketiga terkait dengan ‘sense of data’…cieileh…keren betul bahasanya. mengandalkan uji asumsi saja hanya akan membatasi pandangan kita mengenai data kita sendiri. Misalnya variabel independennya obat A. mengenali dan melihat data itu penting bagi peneliti. Ini dilakukan untuk melihat manakah model yang terbaik menjelaskan pola hubungan ini. analisis trend di SPSS ini tidak akan dapat dijalankan. dan seterusnya.hanya memberikan penjelasan linear mengenai hubungan antar variabel akan memberikan informasi yang kurang lengkap mengenai hubungan antar variabel. apalagi jika digunakan sebagai satu-satunya sumber informasi untuk mengecek asumsi linearitas data. Nah terkait dengan ini kita masuk ke pendekatan kedua. Masalah Saya pribadi kurang merasa ‘sreg’ dengan pendekatan ini. Maksud saya begini. Peneliti perlu mendapat ‘sense’ atas datanya sendiri. Hal ini mengakibatkan makin besar kemungkinan untuk mendapatkan F yang tidak signifikan terlepas dari apakah kondisi datanya linear atau tidak. makin kecil Rerata Kuadrat untuk error (MS error). 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). maka kelompok pertama misalnya diberi obat A sebanyak 10 gram. Sehingga perlu kiranya menguji juga model hubungan antar variabel dengan model non-linear pada data yang sama. misalnya kecepatan sembuh. Yang ingin dilihat apakah pemberian obat dengan kuantitas tertentu ini akan memiliki efek yang linier terhadap variabel dependen. yang mengakibatkan makin besar kemungkinan untuk menolak hipotesis nol. misalnya 100 point. Dalam baris deviation from linearity ini berarti makin besar kecenderungan untuk mengatakan hubungan antar variabel dapat dijelaskan dengan model non linear. Ini dapat dilakukan . sehingga nilai F nya akan cenderung kecil juga. Menggunakan Grafik Scatter Plot antar Variabel Saya menganggap penting sekali mengecek data secara visual. Terkait dengan ini akan ada dua masalah yaitu: a. jadi bukan analisis yang memang dirancang untuk melihat linearitas hubungan antara dua variabel dengan data kontinum. maka derajat kebebasan (df) untuk baris deviation from linearity akan cenderung besar. karena SPSS tidak dapat menghitung varians errornya. Nah. b. Apa bedanya? Analisis trend sebenarnya menganalisis mean dari beberapa kelompok dari sampel penelitian. terkait dengan ketergantungan teknik ini terhadap jumlah subjek. 2. Ini mengakibatkan Rerata Kuadratnya (MS deviation from linearity) akan cenderung kecil. Dalam baris linearity ini berarti makin besar kecenderungan untuk mengatakan hubungan antar variabel itu linear padahal tidak demikian. sebenarnya analisis ini merupakan analisis trend. Kita perlu melihatnya secara langsung baik dalam arti memandangi datanya (ini serius nggak guyon…) atau membuat grafik yang bisa menggambarkan data kita. Kedua.

Manfaat lainnya adalah dapat mengecek outlier dalam data kita. Beberapa manfaat yang dapat diperoleh antara lain. Seandainya hubungan antar variabel tidak linear. dapat melihat secara langsung bentuk hubungan antar variabel. Lalu bagaimana melakukannya dengan SPSS? Kita dapat menggunakan menu Graph->Interactive->Scatterplot. kuadratik. kubik. dengan scatter plot kita dapat memperkirakan seperti apa bentuk hubungannya. atau yang lain.dengan melihat datanya secara langsung atau melihatnya dalam bentuk grafik. keberadaannya dan pada variabel mana data tersebut menjadi outlier. 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 . logaritmik. 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.

OK. Saat ini saya sedang menggali kemungkinan-kemungkinan lain untuk menguji linearitas hubungan ini. yang akan memunculkan grafik seperti berikut: Nah dari grafik ini bisa dilihat bahwa hubungan kedua variabel dapat dikatakan linear. 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? . kita dapat melihat dengan cukup jelas bahwa hubungan keduanya linear. Oleh karena itu meminta penilaian orang lain mengenai bentuk hubungan dalam hal ini cukup penting. 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 titik-titik tersebut memiliki jarak yang relatif dekat dengan garis. Dalam grafik ini juga dapat dilihat beberapa outlier sekaligus kemungkinan heterogenitas varians. Jika kita menarik garis lurus seperti di atas. Saya belum menemukan sampai saya menyelesaikan tulisan ini. tetapi dalam grafik lain sangat mungkin ada perbedaan pendapat mengenai linearitas hubungan antara dua variabel.

Sign up to vote on this title
UsefulNot useful