BAB VI.

ANALISIS JEJAK ATAU SIDIK LINTAS

(PATH ANALYSIS)
6.1

Pendahuluan

Telaah statistika mengatakan bahwa dalam analisis hubungan yang bertujuan untuk
peramalan atau pendugaan nilai Y atas dasar nilai-nilai X1, X2,, Xp terhadap nilai Y
maka pola hubungan yang sesuai adalah pola hubungan yang mengikuti model
regresi, sedangkan untuk tujuan hubungan sebab akibat yang pola yang tepat adalah
model struktural atau analisis jejak atau analisis lintas (path analisis).
Yang menjadi pertanyaan sekarang adalah, pola hubungan yang bagaimana yang
ingin diungkapkan, apakah hubungan yang bisa digunakan untuk peramalan atau
menduga nilai sebuah variabel- respon Y atas dasar nilai tertentu beberapa variabel
prediktor X1, X2,, Xp. Atau, pola hubungan yang mengisyaratkan besarnya
pengaruh variabel penyebab X1, X2,, Xp terhadap variabel akibat Y, baik pengaruh
langsung secara sendiri-sendiri maupun secara bersamaan.
Pada dasarnya metode analisis lintas (path analysis) merupakan bentuk analisis
regresi linier terstruktur berkenaan dengan variabel-variabel baku (standardized
variables) dalam suatu sistem tertutup (closed system) yang secara formal
bersifat lengkap. Dengan demikian, analisis lintas dapat dipandang sebagai sustu
analisis struktural yang membahas hubungan kausal di antara variabel-variabel dalam
sistem tertutup.
Apabila suatu model hubungan kausal antara variabel tak bebas Y dan variabelvariabel bebas Xi, untuk i = 1, 2,, p; telah disfesifikasikan secara tepat berdasarkan
teori yang ada, maka dapat diselidiki hubungan kausal atau sebab-akibat dengan
menggunakan analisis lintas. Pada dasarnya koefisien lintas (path coefficient) juga
merupakan koefisien beta () atau koefisien regresi baku, di mana berdasarkan
analisis lintas dapat diketahui pengaruh langsung (direct effect) dari setiap variabel
bebas yang dibakukan (ZY), serta pengaruh tidak langsung (indirect effect) dari
variabel bebas baku ZXi melalui variabel bebas baku ZXj (di mana i j) di dalam model
hubungan kausal tersebut.
Metode analisis lintas dikembangkan pertama kali oleh seorang ahli genetika Sewall
Wright, di mana pada tahun 1921 melalui artikelnya yang berjudul: "Correlation and
Causation". Wright menjelaskan hubungan kausal dalam genetika populasi
mengunakan analisis lintas. Hingga saat ini, paper yang ditulis Wright pada
tahun 1921 masih dipergunakan sebagai dasar permulaan mempelajari analisis lintas,
karena pada dasarnya untuk memahami analisis lintas hanya membutuhkan
pemahaman terhadap analisis regresi dan korelasi sebagai dasar analisis.

6.2 Model Regresi dan Modal Struktural

Menurut batasan bahwa penelitian adalah suatu usaha untuk mengungkapkan
hubungan antar fenoma alami. Jika kemudian, lebih jauh, dapat diterjemahkan ke
dalam bahasa statistika, maka pengertian penelitian adalah usaha untuk
mengungkapkan hubungan antar variabel. Dari analisis regresi linier dengan
berbagai persamaannya, jelas dapat dipakai untuk maksud peramalan dan penaksiran
yaitu menentukan nilai peubah tak bebas Y, apabila nilai-nilai peubah bebas X
ditetapkan atau ditentukan.

139

PDF created with pdfFactory Pro trial version www.pdffactory.com

Dari uraian di atas dapat ditarik suatu kesimpulan, terutama untuk regresi, bahwa di
dalam mempelajari hubungan antar-peubah tidak dipermasalahkan kenapa hubungan
tersebut ada (atau tidak ada). Juga tidak dipermasalahkan apakah hubungan yang
ada diantara peubah tak bebas Y dan peubah penentu atau penjelas atau peubah
takbebas X dikarenakan oleh peubah bebas X-nya itu sendiri atau merupakan faktorfaktor lain yang mempengaruhi atau yang erat hubungannya dengan X lainnya
sehingga peubah bebas X tersebut berkaitan erat dengan peubah tak bebas Y.
Apabila dikaitkan dengan ilmunya itu sendiri yaitu hubunagn antara faktor X dengan Y.
Mungkin hubungan yang nyata antara X dan Y tersebut tidak dapat dijelaskan
menurut ilmunya sendiri. Adanya hubungan tersebut justru disebabkan oleh faktorfaktor lain yang mempengaruhi peubah tak bebas X.
Sebagai contoh, suatu penelitian dilakukan untuk mempelajari tingkat penerimaan ibuibu rumah tangga terhadap alat-alat kontrasepsi dalam mempopulerkan program
keluarga berencana di Taiwan (Li, 1977).
Dari berbagai macam peubah yang dipelajari dan diduga berpengaruh terhadap
tingkat penerimaan tersebut ternyata bahwa banyaknya alat-alat listrik (kipas, alat
untuk memasak, kulkas, TV, dan lain sebagainya) berhubungan atau berkorelasi
sangat erat dengan tingkat penerimaan tersebut. Masalahnya, apakah hal yang
sedemikian itu dapat dijelaskan atau wajar berkorelasi, terutama menurut ilmunya itu
sendiri?. Setelah dipelajari lebih lanjut, ternyata banyaknya alat-alat listrik yang
dimiliki per keluarga berhubungan erat dengan tingkat pendapatan, pendidikan, dan
status keluarga.
Apabila analisis regresi yang telah dibicarakan dalam bab-bab sebelumnya
ternyata belum dapat memberikan penjelasan tentang apa dan kenapanya; maka
analisis hubungan sebab dan akibat (causal relation) atau path analysis
merupakan jawabannya.
Path analysis adalah untuk melihat atau menguraikan apakah sesuatu hubungan yang
ada disebabkan oleh pengaruh langsung peubah bebas itu sendiri ataukah tidak
langsung melalui peubah-peubah bebas lainnya.
Untuk memudahkan dalam menggambarkan pola hubungan tersebut umumnya
digunakan suatu diagram, dan karena diagram tersebut menunjukkan lintasan atau
jejak atau jalur atau arah pengaruh dari peubah atau faktor yang satu ke faktor atau
peubah yang lainnya. Maka dengan demikian, analisis ini disebut dengan diagram
lintas atau diagram jejak atau analisis litas atau analisis jejak atau diagram jalur
(path analysis).
Telaah statistika mengatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas
dasar nilai-nilai X1,X2,Xk. pola hubungan yang sesuai adalah pola hubungan yang
mengikuti Model Regresi, sedangkan untuk tujuan hubungan sebab akibat pola yang
tepat adalah Model Struktural.

6.3

Diagram Jalur (Path Diagram)

Di dalam melakukan analisis lintas, tidak terlepas dari usaha untuk membangun
diagram lintas (path diagram) agar lebih memperjelas uraian yang dikemukakan.
Dengan mengkombinasikan diagram-diagram geometrik dan persamaan-persamaan
aljabar, maka analisis statistika dalam mempelajari hubungan kausal-efek di antara
variabel-variabel menjadi lebih berbobot dalam arti hasilnya menjadi lebih mudah
untuk dipahami.

140

PDF created with pdfFactory Pro trial version www.pdffactory.com

Terdapat berbagai kombinasi hubungan kausal di antara variabel-variabel dalam

sistem, di mana hal ini tergantung kepada sifat dari sistem tersebut. Sebagai misal
untuk lima buah variabel, maka terdapat berbagai kemungkinan hubungan di antara
variabel-variabel tersebut, tergantung kepada sifat hubungan kausal dalam sistem
yang dipelajari seperti pada Gambar 6.1.
Tentu saja, di dalam membangun model analisis lintas terlebih dahulu harus
mempostulatkan hubungan kausal yang akan dipelajari, dan sifat hubungan kausal itu
sendiri harus berlandaskan pada teori dan konsep yang ada.
Ingin ditunjukkan di sini bahwa terdapat berbagai pertimbagan dan sangat tergantung
pada fenomena yang dipelajari dalam mempostulatkan hubungan kausal di antara
variabel-variabel yang dipelajari dan dengan demikian bagaimana pembangunan
diagram lintas yang akan dipelajari seperti pada Gambar 6.1.
Untuk menggambarkan diagram jalur dari lima buah variabel yang dipelajari, maka
terdapat berbagai kemungkinan untuk menggambarkan hubungan kausal diantara
kelima variabel tersebut deperti yang terlihat pada uraian berikut ini.
Beberapa kemungkinan itu adalah:
1. (1,1,1,1,1)

6. (2,1,2)

11. (2,3)

2. (1,1,3)

6. (1,1,2,1)

12. (1,4)

3. (1,2,2)

8. (3,1,1)

13. (2,1,1,1)

4. (1,1,1,2)

9. (2,2,1)

14. (3,2)

10. (1,2,1,1)

16. (4,1)

6. (1,3,1)

Berbagai pola hubungan kausal yang mungkin; ditunjukkan dalam gambar berikut.

Catatan: Arah hubungan dalam gambar (diagram lintas) ditunjukkan oleh arah anak panah.

Gambar 6.1. Berbagai Pola Analisis Lintas

141

PDF created with pdfFactory Pro trial version www.pdffactory.com

6.4

Model Analisis Jalur

Pembangkit analisis lintas dari model regresi, yang pada dasarnya di mana total
keragaman (varians total) dari variabel tak bebas Y dalam model regresi berganda
dapat didekomposisikan atau diuraikan menjadi sebagai berikut:
Total keragaman dari Y = A + B + C
Di mana:
A = proporsi keragaman yang diberikan atau dijelaskan secara langsung oleh koefisien lintas,
B = proporsi keragaman yang diakibatkan karena adanya korelasi di antara variabel bebas X, dan
C = proporsi keragaman yang diakibatkan adanya galat (error).

Untuk menjelaskan lebih konkret tentang koefisien lintas, maka bayangkan bahwa kita
merumuskan model regresi linier berganda yang terdiri atas p buah variabel bebas,
sebagai berikut:
[6.1]

Y = 0 + 1X1 + 2X2 + 3X3 + + pXp +

Di mana:
Y =
Xi =
i =
0 =
=

variabel tak bebas atau variabel respons

variabel bebas ke-i, untuk i = 1,2,..,p
koefisien regresi parsial tak baku, i = 1,2,..,p
intersep (konstanta)
galat atau error

Dengan mengansumsikan bahwa E() = 0 serta asumsi klasik lainnya dalam analisis
regresi linier berganda, maka dibolehkan menduga persamaan regresi [6.1]
berdasarkan persamaan regresi tersebut seperti:
[6.2]

= b0 + b1X1 + b2X2 + b3X3 + bpXp

Selanjutnya apabila didefinisikan SY sebagai simpangan baku contoh dari variabel tak
bebas Y, dan SX1, SX2, . . ., SXp sebagai simpangan baku contoh dari Xi variabelvariabel bebas X1, X2, . . ., Xp, maka dari persamaan [6.2] dapat dihitung koefisien
regresi baku yang sering disebut juga sebagai koefisien beta (), sebagi berikut:
[6.3]

i = bi

SXi
SY

Di mana: i = 1, 2, . . . , p

Telah ditunjukkan secara teoritis dalam buku-buku teks bahwa koefisien lintas atau
koefisien jejak (path coeffisient) pada dasarnya adalah serupa dengan koefisien
beta (koefisien regresi dari variabel yang dibakukan). Dengan demikian, apabila
mendefinisikan Ci sebagai koefisien lintas atau koefisien beta dari variabel baku Z
yaitu variabel bebas X dan variabel tak bebas Y yang dibakukan; sehingga
berdistribusi normal dengan nilai rata-rata = nol dan nilai ragam = satu).
Pada dasarnya koefisien lintas Ci dapat dihitung berdasarkan rumus [6.3], jadi dalam
hal ini berlaku bahwa i = Ci. Pada sisi lain, koefisien lintas dapat juga ditentukan
berdasarkan penyeleaian terhadap gugus persamaan simultan dari variabel korelasi
antar-variabel bebas.
Gugus persamaan simultan yang dimaksud adalah seperti yang dinyatakan dengan
pola matriks dari koefisien korelasi antar-peubah bebas Xi dan dengan peybah tak
bebas Y seperti pada matriks berikut.

142

PDF created with pdfFactory Pro trial version www.pdffactory.com

Gugus persamaan simultan yang dimaksud adalah

C1 r11 + C2 r12 + . . . + Cp r1p = r1Y
[6.4]

C1 r21 + C2 r22 + . . . + Cp r2p = r2Y

.
.
.
.
.
.
.
.
.
.
C1 rp1 + C2 rp2 + . . . + Cp rpp = rpY
Di mana:
rii = rXi Xi = 1, serta rij = rXi Xj = rji = rXj Xi
= 1, 2, . . ., p

i,j

Sistem persamaan simultan [6.4] dapat ditulis dalam bentuk matriks, sebagai berikut.

[6.5]

r11

r12

. . .

r1p

C1

r1Y

r21

r22

. . .

r2p

C2

r2Y

.
.
.
rp1

.
.
.
rp2

.
.
.
.

.
.
.

.
.
.
Cp

.
.
.
rpY

RY

.
.
.
.

.
.
.
.

rpp

RX
Di mana:

RX = matrik korelasi antar variabel bebas dalam model regresi

berganda yang memiliki p buah variabel bebas, jadi
merupakan matriks dengan elemen rXiXj (i,j = 1, 2, . . ., p),
=

vektor koefisien lintas yang menunjukkan pengaruh langsung

dari setiap variabel bebas yang telah dibakukan, Zi, terhadap
variabel tak bebas (nilai koefisienn regresi baku), dan

RY =

vektor koefisien korelasi antara variabel bebas Xi di mana

i = 1,2, . . ., p; dan variabel tak bebas Y.

Dari persamaan matriks [6.5] secara mudah dapat ditentukan vektor koefisien lintas C,
sebagai berikut:
[6.6]

C =

R X1 RY

Di mana:

R X1 adalah invers matriks RX

RY adalah vektor koefisien korelasi antara variabel bebas X dengan
variabel tak bebas Y.

Berdasarkan uraian yang dikemukakan di atas diketahui bahwa terdapat dua

untuk menghitung koefisien lintas Ci yaitu berdasarkan rumus [6.3] atau
berdasarkan rumus [6.6].
Jika persamaan regresi berganda [6.2] telah diperoleh maka dapat dinghitung
koefisien C berdasarkan rumus [6.3], di mana dalam hal ini koefisien lintas Ci
sama dengan koefisien regresi baku Beta (i). Alternatif lain adalah membangun
gugus persamaan simultan [6.4] dan menyelesaikan sistem persamaan itu
berdasarkan rumus [6.6].

143

PDF created with pdfFactory Pro trial version www.pdffactory.com

Apabila koefisien lintas Ci telah diperoleh, maka beberapa informasi penting akan
diperoleh berdasarkan metode analisis lintas antara lain seperti.
1).

Pengaruh langsung variabel bebas yang dibakukan, terhadap variabel tak

bebas Y, diukur oleh koefisien lintas Ci.

2).

Pengaruh tidak langsung variabel bebas Zi terhadap variabel tak bebas Y,

melalui variabel bebas Zj (melalui kehadiran variabel bebas Zj dalam model)
diukur dengan besaran Cj . rij.

3).

Pengaruh galat atau error atau sisaan atau residual yang tak dapat dijelaskan
oleh model analisis lintas. Pengaruh-pengaruh yang tidak dapat dijelaskan oleh
suatu model dimasukkan sebagai pengaruh galat atau sisaan yang diukur
nilainya dengan rumus:

CS2 = 1

p
Ci rij .
i =1

Di mana:

CS =

CS2

Besaran CS2 dalam analisis lintas adalah serupa dengan besaran nilai 1 - R2 dalam
analisis regresi linier berganda, di mana keduanya memiliki nilai yang sama besar
yang merupakan galat atau error atau sisaan (residual).

6.6 Aplikasi Analisis Lintas

Berikut ini dikemukakan penerapan analisis lintas dalam kasus percobaan pembuatan
batu bata merah untu ukiran pola orang Bali. Bayangkan bahwa seorang akhli teknik
bangunan ingin membangun model hubungan kausal-efek yang menerangkan empat
variabel dalam pembuatan batu bata terhadap respons kekerasan yang didapatkan
dalam proses pembuatannya. Respons kekerasan diukur dalam satuan banyaknya
patahan atau cuil waktu melakukan perubahan bentuk.
Variabel-variabel yang dikaji dalam percobaan semen itu adalah :
Y
X1
X2
X3
X4

=
=
=
=
=

respons yang timbul dalam proses melakukan peubahan bentuk

banyaknya campuran abu yang digunakan,
lamanya pemerosesan tanah waktu pelumpuran,
lamanya pemerosesan penjemuran, dan
lamanya waktu pembakaran.
Di mana:

X1, X2, X3, dan X4 diukur dalam persen dari dari estndar harian
dalam proses; sedangkan Y diukur dalam kalori per gram semen.

Peneliti merumuskan model hubungan kausal, sebagai berikut:

[6.7]

Y = 0 + 1X1 + 2X2 + 3X3 + + pXp +

Untuk menduga model regresi berganda [6.7] di atas maka dikumpulkan data
sebagaimana tampak dalam Tabel 6.1 berikut ini.
Dalam melakukan pendugaan model [6.7] dipergunakan bantuan komputer dengan
memanfaatkan program aplikasi Microstat atau dapat mengunakan Soft-ware
Komputer Compatible lainnya seperti SPSS 13.01 atau dapat mengunakan Soft-ware
Minitab14.01, atau dapat mengunakan Soft-ware Statistica 7.0, dan atau dapat
mengunakan Soft-ware- Soft-ware yang lain.

144

PDF created with pdfFactory Pro trial version www.pdffactory.com

Tabel 6.1 Data Percobaan Batu bata

No.
1
2
3
4
5
6
7
8
9
10
11
12
13
Ratarata
Simp.
baku
Ragam
(S2)

X1
7
1
11
11
7
11
3
1
2
21
1
11
10

X2
26
29
56
31
52
55
71
31
54
47
40
66
68

X3
6
15
8
8
6
9
17
22
18
4
23
9
8

X4
60
52
20
47
33
22
6
44
22
26
34
12
12

Y
78,5
74,3
104,3
87,6
95,9
109,2
102,7
72,5
93,1
115,9
83,8
113,3
109,4

7,4615

48,1538

11,7692

30,0000

95,4231

5,8824

15,5609

6,4051

16,7382

15,0437

34,6026

242,1416

41,0253

208,1673

226,3129

Adapun hasil analisis yang diperoleh dengan menggunakan Soft-ware Microstat

dikemukakan seperti hasil sebagai berikut ini.
Regression Analysis
Analisis Regresi Pembuatan batu bata merah bahan ukiran
Jumlah pengerajin batu bata yang diteliti: 13
Banyaknya vriabel X dan Y: 5
Tabel 6.2 Analisis Regresi Model Penuh Y = f(X1 , X2 , X3 , X4)
No.
1
2
3
4
Variabel terikat

Variabel
bebas
X1
X2
X3
X4
Y

Rata-rata
7,4615
48,1538
11,7692
30,0000
95,4231

Standar
Deviasi
5,8224
15,5609
6,4051
16,7382
15,0437

Tabel 6.3 Hasil Analisis Regresi

Variabel
X1
X2
X3
X4
Konstata

Koefisien
regresi
1,5511
0,5102
0,1019
- 0,1441
62,4054

Std. error Y.
2=
Koef. Deterninasi (R )
R2 terkoreksi
Mutiple R

Standar
error bi
0,7448
0,7238
0,7547
0,7091
=
=
=
=

t-stat.
(DB = 10)
2,083
0,705
0,135
- 0,203

2,4460
0,9824
0,9736
0,9911.

145

PDF created with pdfFactory Pro trial version www.pdffactory.com

Peluang.
t
0,07082
0,50090
0,89592
0,84407

R2
Parsial
0,3516
0,0585
0,0023
0,0051

Tabel 6.4 Hasil Analisis Varians

SK
Regresi
Residu
Total

JK

DB

KT

F Hit

pF

2667,8994
47,8636
2716,7631

4
8
12

666,9749
5,9830

111,479

0,000

Dari hasil analisis Tabel 6.3 dapat dibangun persamaan regresi linier berganda
sebagai pendugaan bagi model [6.7] sebagai berikut.
[6.8]

= 62,4054 + 1,5511 X1 + 0,5102 X2 + 0,1019 X3 - 0,1441 X4

Dari hasil analisis terlihat bahwa meskipun besaran R2 sangat tinggi, dan juga uji
terhadap persamaan regresi dalam analisis ragam bersifat sangat nyata (p0,01)
secara statistika, namun tidak ada satu pun koefisien regresi parsial yang bersifat
nyata pada taraf nyata = 0,05.
Apakah dengan demikian, boleh disimpulkan bahwa variabel-variabel bebas tidak
berpengaruh terhadap variabel respons Y?. Tentu saja tidak.
Kasus penelitian ini menarik untuk ditunjukkan secara statistika bahwa telah terjadi
multikolinieritas di antara variabel-variabel bebas X, sehingga mengakibatkan
masalah yang serius dalam pendugaan parameter model regresi dan interprestasinya.
Menghadapi kasus semacam ini, maka jelas model persamaan regresi [6.8] tersebut
diatas tidak dapat diandalkan untuk menerangkan hubungan kausal-efek yang terjadi
sesungguhnya, dalam sistem pembuatan batubata tersebut.
Nilai R2 yang tinggi dan uji F atau uji simultan atau uji varians persamaan regresi
berganda yang sangat nyata (p0,01) secara statistika, namun uji koefisien regresi bi
secara parsial menunjukkan tidak ada satupun koefisien regresi yang bersifat
nyata (p>0,05) secara statistika, merupakan indikasi yang sangat kuat bahwa telah
terjadi kasus multikoliniearitas dalam data pembuatan batu bata merah tersebut.
Bagaimana mengatasinya masalah tersebut di atas, sehingga didapatkan kesimpulan
yang dapat diandalkan baik secara riil maupun secara statistika?. Banyak cara untuk
mengatasi kasus semacam ini, namun dalam kesempatan ini hanya dibahas peranan
analisis jejak atau analiis lintas atau path analysis dalam mengungkapkan pengaruh
yang sesungguhnya dalam model hubungan kausal tersebut di atas; sebagaimana
disfesifikasikan dalam model persamaan [6.7].
Oleh karena persamaan regresi sebagai penduga bagi model hubungan kausal
pada persamaan [6.7] telah diperoleh sebagaimana ditunjukkan dalam model
persamaan [6.8], maka koefisien lintas Ci dapat ditentukan berdasarkan rumus [6.3]
sebagai berikut:
C i = bi
C 1 = b1
C 2 = b2
C 3 = b3
C 4 = b4

S Xi
SY

S X1
SY
S X2
SY
S X3
SY

SX 4
SY

di mana

i = 1, 2, 3, dan 4.

= (1,5511) (5,8824/15,0437) = 0,6065

= (0,5102) (15,5609/15,0437) = 0,5277
= (0,1019) (6,4051/15,0437) = 0,0434
= (0,1441) (16,7382/15,0437) = - 0,1603

146

PDF created with pdfFactory Pro trial version www.pdffactory.com

Pada sisi lain, dapat pula ditentukan koefisien lintas terhadap model hubungan kausal
persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam variabel
korelasi antar variabel bebas. Untuk kasus empat buah variabel bebas yang
mempengaruhi variabel respons persamaan [6.7], maka gugus persamaan simultan
dapat dibangun sebagai berikut (lihat persamaan 6.4).
Pada sisi lain dapat pula ditentukan koefisien lintas terhadap model hubungan kausal
pada persamaan [6.7] dengan jalan membangun gugus persamaan simultan dalam
variabel koefisien korelasi antar-variabel bebas X yang berada dalam model.
Untuk kasus empat buah variabel yang mempengaruhi respon pada persamaan [6.7],
maka gugus persamaan simultan dapat dibangun sebagai berikut.
C1 r11
C1 r21
C1 r31
C1 r41

[6.9]

+
+
+
+

C2 r12
C2 r22
C2 r32
C2 r42

+
+
+
+

C3 r13
C3 r23
C3 r33
C3 r43

+
+
+
+

C4 r14
C4 r24
C4 r34
C4 r44

=
=
=
=

r1Y
r2Y
r3Y
r4Y

Dengan jalan mengerjakan analisis korelasi sederhana terhadap data dalam Tabel 6.1
di atas; dengan menggunakan persamaan umum untuk analisis koefisien korelasi
linier sederhana seperti:
[6.10]

rXY =

[{n X

n X i Yi X i
2
i

Yi

( X i ) }{n Yi 2 ( Yi ) 2 }
2

Dari perhitungan koefisien korelasi dapat diperoleh hasil seperti berikut yang dapat
dibuat dengan susunan matriksnya.
rij
r12
r13
r14

=
=
=
=

rX1X1
rX1X2
rX1X3
rX1X4

=
=
=
=

1,00
r21 = rX2X1 = 0,2286
r31 = rX3X1 = - 0,8242
r41 = rX4X1 = - 0,2454

r22 = rX2X2 = 1,00

r23 = rX2X3 = r32 = rX3X2 = - 0,1392
r24 = rX2X4 = r42 = rX4X2 = - 0,9230
r33 = rX3X3 = 1,00
r34 = rX3X4 = r43 = rX4X3 = 0,0295
r44 = rX4X4 = 1,00
r1Y
r2Y
r3Y
r4Y

=
=
=
=

rX1Y
rX2Y
rX3Y
rX4Y

= 0,7307
= 0,8163
= - 0,5347
= 0,8213

Dengan mensubstitusikan nilai-nilai koefisien korelasi yang diperoleh ke dalam sistem

persamaan [6.9], maka diperoleh sistem persamaan simultan sebagai berikut
1,0000 C1
0,2286 C1
- 0,8241 C1
- 0,2454 C1

+
+
-

0,2286 C2
1,0000 C2
0,1392 C2
0,9730 C2

- 0,8241 C3
- 0,1392 C3
+ 1,0000 C3
+ 0,0295 C3

147

PDF created with pdfFactory Pro trial version www.pdffactory.com

- 0,2454 C4 = 0,7307
- 0,9730 C4 = 0,8163
+ 0,0295 C4 = -0,5347
+ 1,0000 C4 = -0,8213

Sistem persamaan di atas dapat pula ditulis dalam bentuk matrik sebagai berikut:
1,0000
0,2286
- 0,8241
- 0,2454

[6.11]

+
+
-

0,2286
1,0000
0,1392
0,9730

- 0,8241
- 0,1392
+ 1,0000
+ 0,0295

- 0,2454
- 0,9730
+ 0,0295
+ 1,0000

RX

C1
C2
C3
C4

=
=
=
=

0,7307
0,8163
-0,5347
-0,8213

RY

Dengan sistem matriks kebalikan dari persamaan (6.11) dapat pula ditulis dalam
bentuk matriks sebagai berikut:

C1

38,7145

C2
C3
C4

94,7925

42,1353

100,4907

0,7307

0,6051

94,7925 256,4594 105,8623 269,6741

0,8163

= 0,5248

42,1353 105,8623

-0,5347

0,0418

-0 ,8213

- 0,1634

47,1571 111,9528

100,4907 269,6741 111,9528

284,7507

Catatan: Terdapat sedikit perbedaan hasil koefisien lintas yang ditentukan berdasarkan
persamaan [6.3] dan persamaan [6.6] hanya semata-mata karena adanya
proses pembulatan dalam perhitungan. Untuk pembahasan lebih lanjut akan
dipergunakan hasil yang diperoleh berdasarkan persamaan [6.3].

Berdasarkan koefisien lintasn yang diperoleh maka dapat ditentukan pengaruh

langsung dan tidak langsung dari variabel-variabel bebas X terhadap variabel respons
Y, sebagai berikut di bawah ini.
1. Penentuan Pengaruh Variabel Z1 (X1 dibakukan) terhadap Variabel Respons Y.
1).
2).
3).
4).

Pengaruh langsung Z1 terhadap Y

Pengaruh tidak langsung Z1 melalui Z2
Pengaruh tidak langsung Z1 melalui Z3
Pengaruh tidak langsung Z1 melalui Z4
Pengaruh total

= r1Y =

=
=
=
=

C1
= 0,6066.
C2 r12 = 0,1206.
C3 r12 = - 0,0358.
C4 r14 = 0,0394.

rX1Y = rZ1Y = 0,7366.

2. Penentuan Pengaruh Variabel Z2 (X2 dibakukan) terhadap Variabel Respons Y.

1).
2).
3).
4).

Pengaruh langsung Z2 terhadap Y

Pengaruh tidak langsung Z2 melalui Z1
Pengaruh tidak langsung Z2 melalui Z3
Pengaruh tidak langsung Z2 melalui Z4
Pengaruh total

= r2Y =

=
=
=
=

C2
= 0,5276.
C1 r21 = 0,1386.
C3 r23 = - 0,0060.
C4 r24 = 0,1560.

rX2Y = rZ2Y = 0,8163.

3. Penentuan Pengaruh Variabel Z3 (X3 dibakukan) terhadap Variabel Respons Y.

1).
2).
3).
4).

Pengaruh langsung Z3 terhadap Y

Pengaruh tidak langsung Z3 melalui Z1
Pengaruh tidak langsung Z3 melalui Z2
Pengaruh tidak langsung Z3 melalui Z4
Pengaruh total

= r3Y =

=
=
=
=

C3
= 0,0434.
C1 r31 = - 0,4998.
C2 r32 = - 0,0736.
C4 r34 = - 0,0048.

rX3Y = rZ3Y = - 0,5346.

148

PDF created with pdfFactory Pro trial version www.pdffactory.com

4. Penentuan Pengaruh Variabel Z4 (X4 dibakukan) terhadap Variabel Respons Y.

1).
2).
3).
4).

Pengaruh langsung Z4 terhadap Y

Pengaruh tidak langsung Z4 melalui Z1
Pengaruh tidak langsung Z4 melalui Z2
Pengaruh tidak langsung Z4 melalui Z3
Pengaruh total

= r3Y =

=
=
=
=

C4
= - 0,1603.
C1 r41 = - 0,1488.
C2 r42 = - 0,5136.
C4 r43 = - 0,0013.

rX3Y = rZ3Y = - 0,8213.

5. Penentuan Pengaruh Sisa (Residual) terhadap Variabel Respons Y.

C S2 = 1

Ci riy
i =1

= 1 - {(0,6065)(0,7306) + (0,5277)(0,8163) + (0,0434)(- 0,5347) +

(- 0,1603)(- 0,8213) = 0,0176
CS =

0,0176 = 0,1327

Berdasarkan analisis lintas tampak bahwa dua variabel bebas yang memiliki
pengaruh langsung terbesar yaitu variabel X1 dan X2. Pengaruh variabel langsung X1
terhadap Y adalah sebesar 0,6065 dapat diinterpretasikan bahwa setiap kenaikan
satu simpangan baku dalam nilai X1 secara rata-rata akan meningkatkan nilai Y
sebesar 0,6065 simpanan baku.
Demikian pula interpretasi tentang pengaruh langsung dari variabel X2, X3, dan X4
terhadap variabel respons Y.
Besaran CS2 = 0,0176 dapat diinterpretasikan babwa analisis lintas tidak menjelaskan
keragaman total dari variabel Y sebesar 0,0176 atau 1,76%. Dengan demikian
analisis lintas berhasil menjelaskan keragaman total dari Y sebesar 1 CS2 =
2
1 - 0,0176 = 0,9824 atau 98,24%, yang ternyata sama dengan besaran R dari
persamaan regresi berganda [6.8].
Berdasarkan kenyataan ini, maka dapat dikemukakan bahwa sifat hubungan antara
R2 dan CS2 sebagai berikut yaitu di bawah ini.
2

Koefisien determinasi = R = 1 - C S2 , sehingga

Koefisien non determinasi = 1 R2 = CS2
Pengaruh langsung, pengaruh tidak langsung, dan pengaruh total dari keempat
variabel bebas yang dibakukan terhadap variabel respons Y dapat ditunjukkan secara
lebih jelas dalam Tabel Tabel 6.5 beikut ini.

149

PDF created with pdfFactory Pro trial version www.pdffactory.com

Tabel 6.5 Pengaruh Langsung, Tidak Langsung, dan Pengaruh Total

Variabel
bebas
dibakukan

Pengaruh
langsung

Pengaruh tidak langsung

melalui variabel
Z1
Z2
Z3

Pengaruh
total

Z1

0,6065

0,1206

- 0,0358

0,0394

0,7306

Z2

0,5277

0,1386

- 0,0060

0,1560

0,8163

Z3

0,0434

0,4998

- 0,0735

- 0,0048

- 0,5347

Z4

- 0,1603

0,1488

- 0,5135

0,0013

- 0,8213

Z4

Keterangan:
1.

Koefisien lintas adalah serupa dengan koefisien beta atau koefisien regresi variable baku,
sehingga pengaruh langsung yang ditunjukkan dalam analisis lintas dapat langsung
dibandingkan untuk mengetahui peranan dari setiap variabel bebas Xi dalam
mempengaruhi variabel tak bebas (respons) Y.

2.

Berdasarkan sifat di atas maka variabel bebas Y yang belum dibakukan akan dibakukan
dalam analisis lintas sehingga koefisien lintas Ci yang diperoleh dapat diperbandingkan.

Secara geometrik dapat dibangun diagram lintas untuk hubungan kausal dari model
regresi [6.7] seperti tampak dalam gambar di bawah ini.
Z1
C1 = 10,6065
C2 = 0,5277

r12 = 0,2280
Z2

r13 = - 0,8241
r23 = - 0,1392

Y
Cs = 0,1327
(E) = Sisa

C3 = 0,0434
C4 = - 0,1603

Z3

r14 = 0,2280

r24 = - 0,9730
r34 = 0,0295

Z4

Diagram Lintas untuk Model Regresi dengan Empat Variabel Bebas

Berdasarkan analisis lintas diketahui bahwa variabel bebas yang memiliki pengaruh
langsung terbesar terhadap variabel respons Y adalah variabel Z1 dan Z2 dengan
masing-masing memiliki koefisien lintas terbesar C1 = 10,6065 dan C2 = 0,5277;
sedangkan variabel bebas Z3 dan Z4 memiliki pengaruh langsung yang sangat kecil
yaitu sebesar C3 = 0,0434 dan C4 = - 0,1603.
Selanjutnya, dari pernyataan tersebut di atas dapat dijelaskan bahwa seandainya
diperkenankan untuk memodifikasi model hubungan kausal efek di atas melalui
seleksi variabel berdasarkan pertimbangan statistika dengan teori trimming yaitu
membuah variabel yang tidak signifikan dan apabila hal ini diperkenankan juga oleh
teori dan konsep dalam arti bahwa seleksi variabel tidak menyalahi teori dan konsep
yang ada, maka dapat dirumuskan persamaan regresi "terbaik" dengan membuang
atau mengeliminir atau mengeluarkan variabel X3 dan X4, dan berdasarkan alasan
tersebut di atas mempunyai pengaruh yang sangat kecil terhadap variabel bebas Y.

150

PDF created with pdfFactory Pro trial version www.pdffactory.com

Dengan demikian berlandaskan pada informasi dari analisis lintas di atas

dapat dirumuskan model hubungan kausal efek berdasarkan fungsi yang baru yaitu:
Y = f (X1, X2), karena memang diketahui bahwa variabel bebas X1 dan X2 yang
memiliki pengaruh langsung terbesar terhadap variabel respons Y.
Apabila dilanjutkan membangun model regresi "terbaik" yang hanya melibatkan dua
buah variabel yang memiliki pengaruh langsung terbesar terhadap variabel respons Y.
Model hubungan kausal itu adalah sebagai berikut.
[6.12]

Y = 0 + 1X1 + 2X2 +

Analisis selanjutnya, dengan menggunakan bantuan komputer terhadap model

regresi [6.12] menghasilkan output berikut.
Hasil Analisis Regresi
Judul: Analisis Path
Banyaknya sampel: 13
Jumlah variabels: 5
Tabel 6.6 Analisis Deskriptif Fungsi Y = f(X1; X2)
Indeks
1
2
Var Terikat

Nama
X1
X2
Y

Rata-rata
7,4615
48,1538
95,4231

Std. deviasi
5,8224
15,5609
15,0437

t-stat.
(DB = 10)

Peluang
t

R2
parsial

12,105

0,0000

0,9361

14,442

0,0000

0,9543

Tabel 6.7 Analisis Regresi

Variabel

Koefisien
regresi

X1

1,4683

Standar
error
0,1213

X2

0,6623

0,0459

Konstanta

52,8773

Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R

=
=
=
=

2,4063
0,9787
0,9744
0,9893.

Dari hasil analisis komputer Tabel 6.7 di atas tampak bahwa model regresi [6.12]
memberikan hasil yang sangat memuaskan, di mana model tersebut memiliki besaran
2
R yang tinggi, uji persamaan regresi bersifat sangat nyata secara statistika, serta
yang terpenting lagi adalah kedua variabel bebas X1 dan X2 masing-masing telah
bersifat sangat nyata secara statistika berdasarkan uji koefisien regresi secara parsial.
Keadaan ini mengindikasikan bahwa benar telah terjadi multikolinieritas dalam model
regresi dengan empat variabel bebas X1, X2, X3, dan X4 pada model regresi [6.7],
karena dengan mengeluarkan variabel-variabel X3 dan X4 yang tadinya bersifat tidak
nyata secara statistika ketika diuji secara parsial telah menjadi nyata secara statistika.
Berdasarkan kenyataan ini, maka model hubungan kausal yang tepat untuk
menerangkan kasus percobaan semen portland adalah persamaan regresi "terbaik"
berikut:
[6.13]

52,5773 + 1,4683 X1 + 0,6623 X2

151

PDF created with pdfFactory Pro trial version www.pdffactory.com

dengan R = 0,9787

Selanjutnya, analisis lintas dapat dilakukan terhadap model regresi [6.11]. Oleh
karena persamaan regresi untuk model hubungan kausal yang dirumuskan telah
diperoleh, maka koefisien lintas dapat dihitung serupa dengan koefisien beta () atau
koefisien regresi baku menggunakan persamaan [6.3].
Dengan menggunakan rumus [6.3] maka dapat dihitung koefisien lintas untuk model
hubungan kausal [6.11], sebagai berikut.
S Xi

C i = bi

SY

di mana i = 1, 2.

S X1

C1 = b1

SY

= (1,4683) (5,8824/15,0437) = 0,5741

S X2

C2 = b2

SY

= (0,6623) (15,5609/15,0437) = 0,6851

Selanjutnya, dapat dibuat perhitungan tentang pengaruh langsung dan tidak langsung
dari setiap variabel bebas yang dibakukan (Zi) terhadap variabel respons Y, sebagai
berikut di bawah ini.
1. Penentuan Pengaruh Variabel Z1 (X1 dibakukan) terhadap Variabel Respons Y.
1). Pengaruh langsung Z1 terhadap Y
2). Pengaruh tidak langsung Z1 melalui Z2
Pengaruh total

= r1Y =

= C1
=
= C2 r12 =

0,5741.
0,1566.

rX1Y = rZ1Y = 0,7306.

2. Penentuan Pengaruh Variabel Z2 (X2 dibakukan) terhadap Variabel Respons Y.

1). Pengaruh langsung Z2 terhadap Y
2). Pengaruh tidak langsung Z2 melalui Z1
Pengaruh total

= r2Y =

= C2
=
= C1 r21 =

0,6851.
0,1312.

rX2Y = rZ2Y = 0,8163.

3. Penentuan Pengaruh Sisa (Residual) terhadap Variabel Respons Y.

C S2 = 1

C r
2

i iY

i =1

= 1 - {(0,5741)(0,7306) + (0,6851)(0,8163)
= 0,021
CS =

0,0213

= 0,1459.
Besaran koefisien lintas Ci sebesar 0,5741 dapat diinterpretasikan apabila variabel
bebas X meningkat nilainya sebesar satu simpanan baku, maka nilai dari variabel
respons Y akan meningkat secara rata-rata sebesar 0,5741 simpanan baku.
Demikian pula, koefisien lintas C2 nilainya sebesar 0,6851 dapat diintepretasikan
apabila variabel X1 dibuat konstan, maka setiap peningkatan nilai X2 sebesar satu
simpangan baku akan meningkatkan nilai Y secara rata-rata sebasar 0,6851
simpangan baku.

152

PDF created with pdfFactory Pro trial version www.pdffactory.com

Besaran C S2 sebesar 0,0213 dapat diinterpretasikan sebagai model analisis lintas

tidak mampu menjelaskan pengaruh-pengaruh lain diluar pengaruh variabel bebas
yang dibakukan Z1 dan Z2 sebesar 0,0213 atau sebesar 2,13%.
Dengan kata lain, pengaruh sisa yang tidak dapat dijelaskan oleh model adalah
sebesar 0,0213 atau 2,13%. Hal ini berarti model analisis lintas mampu menjelaskan
total keragaman dalam Y sebesar 1 - C2S = 1 0,0213 = 0,9787 atau 97,87%.
2
Bandingkan hasil ini dengan R = 0,9787 dalam persamaan regresi [6.12] yang
ternyata adalah sama.
Pengaruh langsung dan tidak langsung dari setiap variabel bebas dalam model
ditunjukkan dalam Tabel 6.8 di bawah ini.
Tabel 6.8 Hasil Analisis Lintas dari Model Dua Peubah Bebas
Variabel bebas
yang dibakukan
Z1

Pengaruh
langsung
0,5741

Pengaruh
tidak langsung
0,1565

Pengaruh
total
0,7306

Z2

0,6851

0,1386

0,8163

Diagram lintas untuk model hubungan kausal untuk persamaan [6.11] ditunjukkan
dalam gambar di bawah ini.
Z1
C1 = 0,5741

r14 = 0,2286

Y
CS = 0,1459
(E) = Sisa

C2 = - 0,6851
Z2

Diagram Lintas untuk Model Regresi dengan Dua Variabel Bebas

Dari uraian tersebut di atas, tentang analisis lintas yang didapatkan tampak bahwa
informasi yang diperoleh berdasarkan analisis lintas lebih komprehensif, di mana
selain mampu menjelaskan pengaruh langsung dan tidak langsung dari suatu variabel
bebas Xi terhadap variabel respons Y, juga dapat dipergunakan sebagai landasan
pemilihan model regresi "terbaik" dalam pengertian bahwa variabel-variabel bebas X
yang tidak berperanan penting dalam model dapat dikeluarkan dari model. Dengan
demikian akan diperoleh persamaan regresi "terbaik" yang hanya terdiri dari variabelvariabel bebas X penting yang dapat menjelaskan variabel bebas Y.
Tampak dari uraian di atas, bahwa persamaan regresi yang dibangun
berdasarkan informasi dari analisis lintas, di mana persamaan regresi yang
diterangkan dari dua variabel hasil eliminasi, ternyata memiliki keandalan yang lebih
tinggi dan secara teoritik jauh lebih baik daripada persamaan regresi yang terdiri dari
empat variabel bebas asal.

153

PDF created with pdfFactory Pro trial version www.pdffactory.com

Ingat bahwa dalam persamaan regresi dengan empat variabel bebas X, tidak ada
satupun koefisien regresi yang nyata secara statistika, sedangkan dalam persamaan
regresi yang terdiri dari dua variabel bebas X yang telah dieliminasi memiliki koefisien
regresi yang nyata secara statistika.
Dalam hal ini, dapat ditunjukkan bahwa seleksi variabel untuk menghasilkan
persamaan regresi terbaik berdasarkan informasi dari analisis lintas ternyata memiliki
tingkat ketepatan yang sama dengan analisis regresi bertatar (stepwise regression)
dalam memirlih persamaan regresi terbaik.
Berdasarkan analisis regrasi bertatar (stepwise regression) juga diperoleh bahwa
persamaan regresi terbaik adalah persamaan regresi yang terdiri dari dua variabel X1
dan X2. Analisis regresi bertatar dengan menggunakan bantuan komputer
memberikan hasil seperti yang ditunjukkan berikut ini.
Hasil Analisis Regresi
Judul: Analisis Path
Banyaknya sampel: 13
Jumlah variabels: 5
Tabel 6.9 Pemilihan Persamaan Terbaik Berdasarkan Regresi Bertatar
Indeks
1
2
3
4
Variabel terikat
F to enter = 3;

Variabel
X1
X2
X3
X4
Y

Rata-rata
7,4615
48,1538
11,7692
30,0000
95,4231

Std. deviasi
5,8224
15,5609
6,4051
16,7382
15,0437

F to remove = 3; dan Tolerance = 0,001

Step 1. Variabel X4 dalam persamaan

Tabel 6.10 Hasil Analisis Regresi

X4

Koefisien
regresi
- 0,7382

Const.

117,5679

Variabel

Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R

=
=
=
=

Standar
error
0,1546

t-stat
(DB = 10)
22,799

Peluang
0,00058

8,9639
0,6745
0,6722
0,9893.

Tabel 6.11 Analisis Ragam Regresi

SK

JK

DB

KT

F-Hit

Regression

1831,8962

1381,8962

22,799

Residual

883,8669

11

80,3515

Total

2715,7631

12

154

PDF created with pdfFactory Pro trial version www.pdffactory.com

pF
-04

5,762 E

Tabel 6.12 Variabel yang Tidak Ada dalam Persamaan

2

Name

R parsial

Tolerance

F to enter

X1

0,9154

0,9398

108,224

X2

0,0170

0,0534

0,172

X3

0,8112

0,9991

40,295

Peluang F
-06

1,105 E
0,6867

8,375 E-05

Step 2. Variabel X1 dimasukan setelah X4

Tabel 6.13

Hasil Analisis Regresi

X1

Koefisien
regresi
1,4400

Standar
error
0,1384

t-stat
(DB = 12)
108,224

X4

- 0,6140

0,0486

159,295

Const.

103,0974

Variabel

Std. error Y.
2=
Koef. Deterninasi (R )
2
R terkoreksi
Mutiple R

Tabel 6.14

=
=
=
=

0,000

R
parsial
0,9154

0,0000

0,9409

Peluang

2,7343
0,9725
0,9625
0,8986.

Analisis Keragaman Regresi

SK

JK

DB

KT

F-Hit

pF

Regression

2641,0010

1320,5005

176,627

1,581 E-08

Residual

74,7621

10

7,4762

Total

2715,7631

12

Tabel 6.15

Variabel yang Tidak Ada dalam Persamaan

Name

R2 parsial

Tolerance

F to enter

Prob

X2

0,3583

0,0532

5,026

0,0517

X3

0,3200

0,2891

4,236

0,0697

Step 3 Variabel X2 yang dimasukan setelah X4 dan X1

Tabel 6.16
Variabel
X1
X2
X4
Const.

Hasil Analisis Regresi

Koefisien
regresi
1,4519
0,4161
- 0,2365
71,64834

Std. error Y.
Koef. Deterninasi (R2=)
R2 terkoreksi
Mutiple R

=
=
=
=

Standar
error
0,1170
0,1856
0,1733

t-stat
(DB = 1,9)
154,008
5,026
1,863

2,3087
0,9823
0,9764
0,9911.

155

PDF created with pdfFactory Pro trial version www.pdffactory.com

Peluang
0,0000
0,5169
0,20540

R
parsial
0,9448
0,3583
0,1715

Tabel 6.17

Hasil Analisis Varians

SK

JK

DB

KT

F-Hit

pF

Regression
Residual
Total

2667,9703
47,9727
2715,7631

3
9
12

889,2634
5,3303

166,832

3,323 E-08

Tabel 6.18 Variabel yang Tidak Ada dalam Persamaan

2

Name

Parsial r

Tolerance

F to enter

Prob

X3

0,0023

0,0213

0,018

0,8959

Step 4 Variabel X2 dikeluarkan

Tabel 6.19

Hasil Analisis Regresi

2

Variabel

Koefisien
regresi

Standar
error

F Hitung
(DB = 1,9)

Peluang

R
parsial

X1

1,4683

0,1213

146,523

0,0000

0,9361

X2

0,6623

0,0459

208,582

0,0000

0,9543

Const.

52,5773

Std. error Y.
Koef. Deterninasi (R2=)
R2 terkoreksi
Mutiple R

Tabel 6.20

=
=
=
=

2,4063
0,9787
0,9744
0,9893.

Hasil Analisis Varians

Source

Sun of
squares

D.F

Mean of
squares

F ratio

Prob

Regression

2657,8586

1328,9293

229,504

4,407 E-09

Residual

57,9045

10

5,7904

Total

2715,7631

12

Tabel 6.21 Variabel yang Tidak Ada dalam Persamaan

2

Name

Parsial r

Tolerance

F to enter

Prob

X3

0,1691

0,3183

1,832

0,2089

X4

0,1715

0,0528

1,863

0,2054

156

PDF created with pdfFactory Pro trial version www.pdffactory.com