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

69 artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406.360 2.720 9 1998 275 -1 .94 = 406.1.00 Untuk mencari nilai a dan b adalah sebagai berikut : a = 2.75 dan b = 1.75 + 137.94 = 406.Tahun Penjualan (Y) X XY X2 1995 200 -7 . Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah : Y= 268.26 Persamaan garis liniernya adalah : Y = 268.150 610.150 / 8 = 268.75 dan b = 610 / 42 = 14.137.5 0.5 6. May 10.25 2002 315 3½ 1102.25 Jumlah 2.450 25 2002 315 7 2.52 (untuk tahun 2008 nilai X adalah 9½).75 + 7.150 1. sehingga : Y = 268.25 1998 275 -½ . 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 .150 / 8 = 268.1.612.400 49 1996 245 -5 .220 168 Untuk mencari nilai a dan b adalah sebagai berikut : a = 2.5 0.69 atau 406.205 49 Jumlah 2. '08 1:10 PM for everyone Atas permintaan beberapa teman. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah : Y = 268.25 1999 285 ½ 142.52 Persamaan garis liniernya adalah : Y = 268.26 (untuk tahun 2008 nilai X adalah 19).25 1996 245 -2½ .5 12.75 + 137.75 + 7.0 42. 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 . saya akhirnya memutuskan untuk menulis dulu mengenai topik ini sebelum melanjutkan topik mengenai Analisis Varian.52 X.26 X.75 + 14.690 unit.690 unit.220 / 168 = 7. elain dengan menggunakan metode tersebut di atas.69 artinya penjualan barang “X” pada tahun 2008 diperkirakan sebesar 406.75 + 14. sehingga : Y = 268.225 25 1997 240 -3 .25 2000 300 1½ 450 2.700 12.25 1997 240 -1½ .275 1 1999 285 1 285 1 2000 300 3 900 9 2001 290 5 1.25 2001 290 2½ 725 6.

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

Jadi sangat mungkin sebenarnya kedua variabel memiliki hubungan yang kuat tetapi diestimasi oleh produk momen sebagai tidak ada hubungan atau memiliki hubungan yang lemah.variabel. begitu juga variabel independen dipindah ke kolom Independent Variable. Pilihlah variabel dependen dari daftar variabel di sebelah kiri. lalu pindahkan ke kolom Dependent Variable. lalu muncullah sebuah dialog box berikut ini. hanya saja sampai hari ini saya tidak memiliki bukti untuk menolak penggunaan cara ini. 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. Kemudian klik Option. Saya sendiri tidak terlalu yakin dengan cara ini. Kita akan memulai dengan mengklik Analyze->Compare Means->Means. lalu muncul lagi satu dialog box seperti ini: .

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

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

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

Manfaat lainnya adalah dapat mengecek outlier dalam data kita. dengan scatter plot kita dapat memperkirakan seperti apa bentuk hubungannya. kubik. Seandainya hubungan antar variabel tidak linear. dapat melihat secara langsung bentuk hubungan antar variabel. Ada cukup banyak informasi yang bisa kita peroleh dengan melihat data dengan grafik dibandingkan hanya melihat hasil output berupa tabel. kuadratik. 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. Lalu bagaimana melakukannya dengan SPSS? Kita dapat menggunakan menu Graph->Interactive->Scatterplot. logaritmik. atau yang lain. Kemudian klik .dengan melihat datanya secara langsung atau melihatnya dalam bentuk grafik. Scatter plot termasuk grafik yang menurut saya cukup berguna untuk mengecek linearitas hubungan antar variabel. keberadaannya dan pada variabel mana data tersebut menjadi outlier. Beberapa manfaat yang dapat diperoleh antara lain.

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

Sign up to vote on this title
UsefulNot useful