Pelatihan

Analisis Data Statistik

Dr. Yadi Supriyadi, DEA

1

PENDAHULUAN

Analisis Data
Analisis data yang sering digunakan dalam bidang sosial :
Keterkaitan (Hubungan) antar variabel
Simetris :
Korelasi antar variabel
Asimetris :
Analisis Regresi
Path Analysis (Analisis Jalur)
Structural Equation Modeling (SEM)
(Pemodelan Persamaan Struktural)

Contoh Hipotesis

Citra merek berpengaruh positif terhadap ekuitas merek

Sikap merek berpengaruh positif terhadap ekuitas
merek
Sikap merek berpengaruh positif terhadap citra merek
Citra merek berpengaruh positif terhadap kepuasan
Sikap merek berpengaruh positif terhadap kepuasan
Kepuasan berpengaruh terhadap loyalitas

Contoh hipotesis

IMPLEMENTASI KEBIJAKAN PENANGGULANGAN

KEMISKINAN BERPENGARUH TERHADAP KUALITAS
HIDUP MASYARAKAT MISKIN
Budaya Organisasi berpengaruh terhadap Perilaku
Pejabat Publik

Korelasi dan Kausasi

Korelasi dan kausasi sering disalah artikan
Hubungan Korelasi
Suatu phenomena bentuk hubungan disebut bentuk
hubungan korelasi bila perubahan dari nilai-nilai atau
skor suatu variabel beriringan searah atau bertolak
belakang dengan perubahan nilai-nilai atau skor
variabel lainnya.
Hubungan tergolong hubungan simetris
Tidak ada variabel yang menjadi variabel sebab
maupun akibat
6

Korelasi dan Kausasi

Hubungan kausalitas
Perubahan dari suatu variabel
(penyebab/cause) akan menghasilkan
perubahan variabel lain (akibat/the effect)
Hubungan tergolong hubungan asimetris

Analisis Regresi
Menganalisis keterkaitan antara variabel
bebas dan variabel tak bebas
Keberadaan hubungan statistik antara
variabel tak bebas (Y) dengan variabel
bebas (X) tidak mengandung arti bahwa Y
sebagai akibat dari X
Dalam analisis regresi, hubungan antar
variabel tidak bersifat kausal
8

Analisis Hubungan Kausal

Metode analisis data :
Path Analysis (Analisis Jalur)
Analisis jalur dengan variabel laten yang disebut
Structural Equation Modeling (SEM)

SEM
Structural Equation Modeling

10

SEM
SEM dibentuk dari :
artikulasi Analisis Jalur dari Sewall Wright
formalisasi analisis faktor konfirmatori dari
K.G. Jreskog
pengembangan software oleh K.G.
Jreskog dan Dag Srbom, Peter Bentler,
Bengt Muten dan James Arbukle.
11

Mengapa SEM
Hipotesis penelitian dalam bentuk hubungan
kausalitas dari beberapa konstruk (constructs)
Konstruk tersebut tidak bisa diukur secara
langsung
Konstruk diukur melalui indikator-indikator
Konstruk dikenal dengan variabel laten
Indikator-indikator disebut sebagai variabel
manifest dari konstruk.

12

SEM
SEM menguji hubungan kausal teoritis
antar variabel laten yang mempunyai
variabel-variabel terobservasi sebagai
indikator-indikatornya.
Analisis Jalur (Path Analysis) dan Analisis
Faktor Konfirmatori (CFA) merupakan
kasus khusus dari SEM.
13

Pengaruh Langsung dan Tidak Langsung

Pengaruh langsung (direct effects) : sebuah variabel
secara langsung menjadi sebab terjadinya variabel lain.
Pengaruh tak langsung (indirect effects) : sebuah variabel
Sebab mempengaruhi variabel lain melalui mediasi
variabel ketiga (variabel intervening).
Pengaruh total adalah penjumlahan pengaruh langsung
dengan pengaruh tak langsung

14

Contoh:
(1) Kualitas PT mempengaruhi prestasi mahasiswa.
(2) Prestasi mahasiswa mempengaruhi posisi di tempat kerja
(3) Kualitas PT mempengaruhi posisi di tempat kerja

Kualitas
PT

Posisi

Prestasi

15

Dalam Contoh ini hanya terdapat pengaruh langsung

X1

X3
X2
X1 berpengaruh terhadap X3
X2 berpengaruh terhadap X3
Tidak terdapat pengaruh tak langsung
16

Terminologi
Notasi Dasar
V

Observed Variables

Latent/Faktor

Error (obs vars)

Disturbance
(Latent Vars)

Notasi Klasik LISREL

x

Exogeneous (ksi)
Endogeneous (eta)

(delta)
(epsilon)
(zeta)

17

Terminologi
Pengaruh hubungan struktural dan non struktural
Directional :
Pengaruh structural/kausal
Non-Directional :
Variansi atau kovariansi
Non-Structural/non kausal
18

Variabel-variabel
Variabel laten merupakan konsep abstrak.
Contoh: perilaku orang, sikap, perasaan,
motivasi.
Variabel laten (unobserved /construct/factor)
Variabel laten diamati melalui variabel teramati
(observed variable) disebut Variabel manifest
atau indikator
Variabel laten eksogen (penyebab)
Variabel laten endogen (akibat)

19

Ilustrasi
Kepuasan memberi pengaruh terhadap loyalitas
Kepuasan dan loyalitas merupakan dua konstruk yang
perlu diukur, tetapi sulit untuk mengukurnya secara
langsung, sehingga dibutuhkan beberapa variabel
manifest (indikator) untuk mereflesikan kedua konstruk
ini.

20

Ilustrasi (lanjutan)
Pengukuran hasil pengamatan dikenal sebagai ukuran
tidak perfect dari variabel laten (konstruk).

Kepuasan

Loyalitas

V1

V2

V1

Error

Error

Error

V2

Error

21

Ilustrasi (lanjutan)
Hubungan kausal : Kepuasan berpengaruh terhadap Loyalitas
Error

Loyalitas

Kepua
san

V1

V2

V1

V2

Error

Error

Error

Error

Kepuasan merupakan variabel eksogen

Loyalitas sebagai variabel endogen
22

Indikator Reflektif vs Indikator Formatif

F
V1

F
V2

Reflektif

V1

V2

Formatif

23

Indikator Reflektif vs Indikator Formatif

Indikator reflektif
Variabel-variabel teramati dipandang sebagai
indikator-indikator yang dipengaruhi oleh
konsep yang sama dan yang mendasarinya
(yaitu variabel laten)

Indikator formatif
Indikator-indikator yang membentuk atau
menyebabkan adanya penciptaan atau
perubahan di dalam sebuah variabel laten
24

Contoh Indikator Formatif

F
Tingkat Sosial
Ekonomi

V1

V2

V3

Pendapatan
Keluarga

Pendapatan Ibu

Pendapatan
Bapak

25

Proses dari SEM

Proses SEM adalah sebagai berikut :

Model conceptualization Konseptualisasi model

Parameter Identification Identifikasi Parameter
Parameter Estimation Penaksiran Parameter
Data-model fit assessment-Kecocokan Model
Possible model modification Modifikasi Model

26

Model conceptualization
Model-model yang dihipotesiskan harus memiliki
landasan teori.
SEM pada hakikatnya tidak ditujukan untuk membuat
hubungan kausalitas, tetapi digunakan sebagai
pembenaran adanya hubungan kausalitas secara
empiris dengan menggunakan data yang diobservasi.
SEM helps to interpret a priori specified, theory-derived,
hypothesized causal relations it does not generate
them.
27

Model conceptualization (lanjutan)

Tetapkanlah jumlah indikator-indikator yang cukup untuk
variabel laten. Sebagai acuan two might be fine, three is
better, four is best, and anything more is gravy (Kenny,
1979)
Spesifikasikan hubungan antara setiap variabel laten
dengan indikator-indikator yang terkait dalam model
persamaan pengukuran.
Spesifikasikan hubungan kausal antara variabel laten
dalam model persamaan struktural .
Bangunlah diagram jalur yang merepresentasikan
secara grafik persamaan-persamaan struktural yang
dibentuk dari teori dan dinyatakan dalam hipotesis
28

Parameter Identification
Tahap ini menyangkut kepada masalah
identifikasi model yang mengarah pada
pertanyaan apakah model tersebut memiliki
cukup informasi untuk mendapatkan solusi atau
penyelesaian yang unik terhadap parameterparameter yang akan diestimasi dalam model.
Atau dengan kata lain apakah tersedia cukup
informasi varians/kovarians observasi untuk
menaksir parameter-parameter?
29

Parameter Identification (lanjutan)

Terdapat tiga kemungkinan status dari identifikasi model :
Model just-identified : mempunyai banyak parameter
yang akan ditaksir sama dengan banyak informasi dalam
matriks varians-kovarians. Secara empiris dapat
dipecahkan (empirically solvable).
Model under-identified : mengandung lebih banyak
parameter yang akan ditaksir dibandingkan dengan
informasi dalam matriks varians-kovarians.
Model over-identified : mengandung lebih sedikit
parameter yang akan ditaksir dibandingkan dengan
informasi dalam matriks varians-kovarians.

30

Parameter Identification (lanjutan)

p( p + 1)
df =
t
2
p = banyaknya indikator
t = banyaknya parameter yang akan ditaksir
(Semua jalur termasuk varians kovarians dari
semua variabel eksogen dan juga error)

Syarat perlu untuk identifikasi : df 0

31

Parameter Estimation
Teknik penaksiran secara iteratif digunakan
untuk mendapatkan taksiran parameter dalam
SEM.
Terdapat sejumlah teknik penaksiran, yang
memerlukan asumsi multivariat normal dan
dipandang sebagai teknik sampel besar

32

Parameter Estimation (lanjutan)

Metode-metode penaksiran yang
memerlukan asumsi multivariat normal

Maksimum Likelihood paling banyak digunakan

Unweighted Least Squares,
Generalized Least Squares,
Reweighted Least Squares.

33

Parameter Estimation (lanjutan)

Metode penaksiran yang tidak memerlukan
asumsi multivariat normal :
Asymptotically Distribution Free (ADF) yang
memerlukan sampel yang besar.
Metode Robust yang dikembangkan oleh Satora dan
Bentler (1994). Metode ini memerlukan sampel yang
jauh lebih sedikit dari ADF. Sekarang metode ini
merupakan prosedur yang direkomendasikan untuk
menganalisis data non-normal.
34

Data-model fit assessment

Suatu model fit dengan data jika matriks
kovarians model dengan matriks kovarians data
adalah identik. Ukuran-ukuran statistik yang
berkaitan dengan kecocokan model dengan
data didasarkan kepada selisih kedua matriks
tersebut.

35

Data-model fit assessment

(lanjutan)
Absolutes Fit Measures (cocok secara
absolut)
Incremental Fit Measures (lebih baik
relatif terhadap model-model lain)
Parsimonious Fit Measures (lebih
sederhana relatif terhadap model-model
alternatif)
36

Indeks Kecocokan Data-Model

(Absolut)
Chi-kuadrat p-value > 0,05
Goodness of-Fit Indices (GFI) 0.90 (0.95)
(Mueller & Hancock)

Standardized Root Mean Squared

Residual (SRMR) 0.08
(Hu & Bentler)

37

Indeks Kecocokan Data-Model

(Incremental)
Normed Fit Index (NFI) 0,90 (0,95)
(Mueller & Hancock)

Non-Normed Fit Index (NNFI) 0,90* (0,95**)

(*Hair ; ** Hu & Bentler)

Comparative Fit Index (CFI) 0,95

(Hu & Bentler)
38

Indeks Kecocokan Data-Model

(Parsimoni)
Adjusted Goodness of Fit (AGFI) 0,9 (0,95)
(Mueller & Hancock)

Root Mean Square Error of Approximation

(RMSEA) 0.06
(Hu & Bentler)

39

Analisis Jalur
Analisis Jalur adalah kasus khusus dari SEM

40

Analisis Jalur / Path Analysis

Path analysis allows for the statistical testing of theoretical
causal structures among measured variables.
A special characteristic of path analysis models is that they do
not contain latent variables.
Analisis jalur digunakan untuk menguji secara statistik struktur
hubungan kausalitas antar variabel-variabel yang terukur.
Dalam analisis jalur semua variabel harus termasuk
variabel terukur (variabel observable)
Variabel terukur (dapat diamati secara langsung)

41

Ilustrasi
The effects of some variables on television viewing.
Hours Working = Average weekly working hours;
Education = Number ofcompleted school years;
Income=Yearly gross income in dollars;
Television Viewing= Average daily number of hours spent
watching television.
Variabel-variabel terukur Analisis Jalur

42

Model analisis jalur

43

Contoh
o Studi dari McDonald & Clelland (1984)
Penelitian tentang sikap pekerja tekstil terhadap
serikat kerja.
o Variabel-variabel yang diamati :
Logaritm of years in textile mill (pengalaman kerja di pabrik
tekstil) = V1
Age (usia) = V2.
Deference to managers (perbedaan pendapat dengan
manajer) = V3
Support for labor activism (dukungan terhadap aktivitas
buruh) = V4
Sentiment toward union (sikap terhadap serikat kerja)= V5
44

Hipotesis

V2 berpengaruh terhadap V3
V2 berpengaruh terhadap V4
V3 berpengaruh terhadap V4
V1 berpengaruh terhadap V5
V3 berpengaruh terhadap V4
V4 berpengaruh terhadap V5

45

Konseptualisasi model
Diagram Jalur
p51

V1

V5

r21

p54

p42

V2

V4
p32

p53

p43

V3

3
46

Daftar Pustaka

Diamantopolous, A., Siguaw, J.A. (2000). Introducing LISREL. A Guide for

the Unimited, Sage Publications. Ltd, London
Joreskog, K., Sorbom, D. (1993) LISREL 8: Structural Equation Modeling
with the SIMPLIS Command Language, SSI, Chicago
Maruyama, G.M. (1998). Basics of Structural Equation Modeling. SAGE
Publications, Inc.
Mueller, R.O., Hancock, G.R. Structural Equation Modeling. A First Course
utilizing the SIMPLIS command language. SSI Scientific software
international.
Raykov, T., Marcoulides, G.A. (2006). A First Course in Structural Equation
Modeling, Second Edition. Lawrence Erlbaum Associates, Inc.
Wijanto, S.H. (2008). Structural Equation Modeling dengan LISREL 8.8.
Graha Ilmu.

47

48