ANALISIS JALUR

A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan peramalan/ pendugaan nilai Y atas dasar nilai-nilai X1, X2, …., Xi, pola hubungan yang sesuai adalah pola hubungan yang mengikuti Model Regresi, sedangkan untuk menganalisis pola hubungan kausal antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung, secara serempak atau mandiri beberapa variabel penyebab terhadap sebuah variabel akibat, maka pola yang tepat adalah Model Analisis Jalur Analisis jalur (Path Analysis) dikembangkan oleh Sewall Wright (1934). Path analysis digunakan apabila secara teori kita yakin berhadapan dengan masalah yang berhubungan sebab akibat. Tujuannya adalah menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab, terhadap variabel lainnya yang merupakan variabel akibat. Sebelum melakukan analisis, hendaknya diperhatikan beberapa asumsi sebagai berikut: (1) Hubungan antar variabel haruslah linier dan aditif. (2) Semua variabel residu tak punya korelasi satu sama lain. (3) Pola hubungan antar variabel adalah rekursif atau hubungan yang tidak melibatkan arah pengaruh yang timbal balik. (4) Tingkat pengukuran semua variabel sekurang-kurangnya adalah interval (Harun Al Rasyid, 2005). Beberapa istilah dan definisi dalam Path Analysis: (1) Dalam Path Analysis, kita hanya menggunakan sebuah lambang variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainya, kita menggunakan subscript (indeks). Contoh : X1, X2, X3 …. Xk. (2) Kita membedakan dua jenis variabel, yaitu variabel yang menjadi pengaruh (exogenous variable), dan variabel yang dipengaruhi (endogenous variable). (3) Lambang hubungan langsung dari eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubugan terstruktur antar variabel (Harun Al Rasyid, 2005). Secara matematik analisis jalur mengikuti pola Model Struktural yang ditentukan dengan seperangkat persamaan : Y1 = F1 (Xa, …, Xq ; A11, … , A1k) Y2 = F2 (Xa, …, Xq ; A21, … , A2k) … … … Yp = Fp (Xa, …, Xq ; Ap1, … , Apk) yang mengisyaratkan hubungan kausal dari X1, X2, …., Xq ke Y1, Y2, …., Yp. Apabila setiap variabel Y secara unique keadaanya ditentukan (disebabkan)

1

X2 adalah variabel endogenus (endogenous variable). masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak diukur. di luar X1. Gambar 1 Diagram Jalur Yang Menyatakan Hubungan Kausal Dari X1 Sebagai Penyebab Ke X2 Sebagai Akibat X1 X2 ε Keterangan: X1 adalah variabel eksogenus (exogenous variable). yang merupakan gabungan dari: (1) Variabel lain. (2) Variabel lain. untuk itu selanjutnya variabel penyebab akan kita sebut sebagai variabel eksogenus.1 menyatakan bahwa X2 dipengaruhi secara langsung oleh X1. tetapi di luar X1. disarankan untuk terlebih dahulu menggambarkan secara diagramatik struktur hubungan kausal antara variabel penyebab dengan variabel akibat. Gambar 6. maka persamaan di atas dinamakan persamaan struktural. Gambar 1 merupakan diagram jalur yang paling sederhana. di luar X1.oleh seperangkat variabel X. tetapi tidak dimasukan dalam model. DIAGRAM JALUR DAN PERSAMAAN STRUKTURAL Pada saat akan melakukan analisis jalur. dan (4) Komponen yang sifatnya tidak menentu (random component). yang mungkin mempengaruhi X2 tetapi belum teridentifikasi oleh teori. dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir tertentu. yang mungkin mempengaruhi X2 dan telah teridentifikasi oleh teori. sebagai akibat. Selanjutnya tanda anak panah satu arah menggambarkan pengaruh langsung dari variabel eksogenus terhadap variabel endogenus. Penyebab penyebab lain itu dinyatakan oleh ε. dan ε adalah variabel residu (residual variable). Diagram ini disebut Diagram Jalur (Path Diagram). dan modelnya disebut model struktural. (3) Kekeliruan pengukuran (error of measurement). 2 . Persamaan struktural yang dimilik oleh gambar 1 adalah X2 = ρ x2 x1 X1 + ε. B.

yaitu X1. sub-struktur yang menyatakan hubungan kausal dari X1 dan X2 ke X3. X2. serta kedua. X2 dengan X4 dan X3 dengan X4 adalah hubungan kausal. Gambar 3 Hubungan kausal dari X1. X2 dengan X3 dan X1 dengan X3 masing-masing adalah hubungan korelasional. Pada sub-struktur pertama X1 dan X2 merupakan variabel eksogenus. Pada sub-struktur 3 . dan X3.Gambar 2 Diagram jalur yang menyatakan hubungan kausal dari X1. teradapat dua buah substruktur. Bentuk persamaan strukturalnya adalah : X4 = p x4 x1 X1 + p x4 x2 X2 + p x4 x3 X3 + ε. sedangkan hubungan antara X1 dengan X2. X2. X2 ke X3 dan dari X3 ke X4 X1 X3 X2 X4 ε1 ε2 Perhatikan bahwa pada gambar 3 di atas. Pertama. panah tersebut menyatakan hubungan korelasional. X3 sebagai variabel endogenus dan ε1 sebagai variabel residu. Persamaan struktural untuk gambar 3 adalah: X3 = p x3 x1 X1 + p x3 x2 X2 + ε1 dan X4 = p x 4 x3 X3 + ε2. Perhatikan panah dua arah. Pada diagram di atas juga mengisyaratkan bahwa hubungan antara X1 dengan X4. X3 ke X4 X1 X2 X4 X3 ε Gambar 2 menunjukkan bahwa diagram jalur tersebut terdapat tiga buah variabel eksogenus. sebuah variabel endogenus (X4) serta sebuah variabel residu ε. sub-struktur yang mengisyaratkan hubungan kausal dari X3 ke X4.

Berdasarkan contoh-contoh diagram jalur di atas. X4 sebagai variabel endogenus dan ε2 sebagai variabel residu. Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah: 1. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi r x1 x2 . dinyatakan oleh besarnya nilai numerik koefisien jalur (path coefficient) dari eksogenus ke endogenus. makin kompleks diagram jalurnya. X2 ke X3 X1 r x1 x2 X2 p x3 x2 p x3 x1 X3 p x3ε ε Hubungan antara X1 dan X2 adalah hubungan korelasional. masing-masing dinyatakan oleh besarnya nilai numerik koefisien jalur p x3 x1 dan p x3 x2 . KOEFISIEN JALUR Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel endogenus tertentu. dan dari X2 ke X3. Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi hipotetik yang diajukan. 4 . Koefisien jalur p x3ε menggambarkan besarnya pengaruh langsung variabel residu (implicit exogenous variable) terhadap X3. maka kita dapat memberikan kesimpulan bahwa makin kompleks sebuah hubungan struktural. Besarnya pengaruh langsung dari X1 ke X3. lengkap dengan persamaan strukturalnya. C. Di sini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur.kedua. dan makin banyak pula substruktur yang membangun diagram jalur tersebut. X3 merupakan variabel eksogenus. Gambar 4 Hubungan kausal dari X1. sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya. Hubungan X1 dan X2 ke X3 adalah hubungan kausal.

.. Alasan penggunaan teknik koefisien korelasi dari Karl Pearson ini adalah karena variabel-variabel yang hendak dicari korelasinya memiliki skala pengukuran interval.. Menghitung matriks korelasi antar variabel. rx1xk   1 .    C kk   5.. C2 k   R1-1 =   .   1  Formula untuk menghitung koefisen korelasi yang dicari adalah menggunakan Product Moment Coefficient dari Karl Pearson. Formulanya : rxy = N ∑ XY − (∑ X ). dimana i = 1. rx2 xk  R=    1 .. N ∑ Y 2 − (∑ Y ) 2 ][ ] 3.. .. rx 2 xu   1 . melalui rumus : 5 ... dengan rumus : X1 X2 … Xk C11 C12 .(∑ Y ) [N ∑ X 2 − (∑ X ) 2 .... Menghitung semua koefisien jalur p x u xi .. dan sebuah (selalu hanya sebuah) variabel endogenus Xu yang dinyatakan oleh persamaan : Xu = p x u x1 x1 + p x u x 2 x2 + … + p x u x k xk + ε. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus. Menghitung matriks invers korelasi variabel eksogenus. … k... rx1 xu  .2...    1   4. C1k   C22 . X1 X2 … Xk 1 rx1x2 . Identifikasikan sub-struktur dan persamaan yang akan dihitung koefisien jalurnya. X1 X2 … Xu 1 rx1 x 2 R = 1     .2.... Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun sub-struktur tersebut.

. ρ xu x1  ρ   xu x2  =  . ρ xu xk )  rxu x1  r   xu x2   .   . bisa juga berupa pengaruh tidak langsung.. yang terdiri dari satu variabel eksogen dan satu variabel endogen (perhatikan Gambar 6..... x k ) adalah koefisien determinasi total X1. … Xk terhadap Xu atau besarnya pengaruh variabel eksogenus secara bersama-sama (gabungan) terhadap variabel endogenus. X2... 6 ..     ρ xu xk    C11 C12 . Sementara besarnya koefisien jalur untuk model analisis jalur sederhana. pengaruh tidak langsung serta pengaruh total variabel eksogenus terhadap variabel endogenus secara parsial. Menghitung besarnya pengaruh langsung. .. BESARNYA PENGARUH VARIABEL EKSOGEN TERHADAP VARIABEL ENDOGEN Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih variabel eksogenus.     Ckk  rxu xk     Catatan : Contoh di atas merupakan model analisis jalur kompleks.1). sehingga langkahlangkah perhitungan untuk mencari koefisien jalurnya dapat mengikuti pola di atas.    rxu xk    Dimana : R2 xu ( x1 .. C1k   rxu x1     C22 . C2 k  rxu x2     . yaitu melalui variabel eksogen yang lainnya.... D.. dapat dilakukan dengan rumus : Besarnya pengaruh langsung variabel eksogenus terhadap variabel endogenus = p x u xi x p xu x i Besarnya pengaruh tidak langsung variabel eksogenus terhadap variabel endogenus = p x u xi x r x1 x2 x p xu x i Besarnya pengaruh total variabel eksogenus terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pangaruh tidak langsung = [p x u xi x p x u xi ] + [p xu x i x r x1 x2 x p xu x i ] Selanjutnya pengaruh bersama-sama (simultan) variabel eksogenus terhadap variabel endogenus dapat dihitung dengan menggunakan rumus: R 2 xu ( x1 . x2 ... Pengaruh secara sendiri-sendiri (partial). bisa berupa pengaruh langsung. x2 .. dapat secara sendiri-sendiri maupun secara bersama-sama... nilainya sama dengan besarnya koefisien korelasi antara kedua variabel tersebut (p xu x i = r xu x i ).. xk ) = ρ xu x1 ( ρx x u 2 .

. k 2. … k k = Banyaknya variabel eksogenus dalam substruktur yang sedang diuji 7 . … k k = Banyaknya variabel eksogenous dalam substruktur yang sedang diuji t = Mengikuti tabel distribusi t. baik secara sendiri-sendiri maupun secara bersama-sama. … ) Xk dengan variabel endogenus Xu. xk ) ) dimana : i = 1. X2. yaitu : Untuk menguji setiap koefisien jalur : t= px u xi (1 − R xu ( x1 x 2 .2. x2 . Untuk menguji koefisien jalur secara keseluruhan/bersama-sama : F= (n − k − 1)( R 2 xu ( x1 .. xk ) )Cii n − k −1 2 dimana: i = 1. dapat dilakukan dengan langkah kerja berikut : 1.. Gunakan statistik uji yang tepat. artinya terdapat pengaruh variabel eksogenus (Xu) terhadap variabel endogenus (Xi). xk ) ) k (1 − R 2 xu ( x1 . 2.. Ho : p xu xi = 0..2. ρ xu x k adalah koefisien jalur ) x u x1 rxu x 2 . PENGUJIAN KOEFISIEN JALUR Menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah dihitung. E. serta menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus.. artinya tidak terdapat pengaruh variabel eksogenus (Xu) terhadap variabel endogenus (Xi)..(ρ (r x u x1 ρx u x2 . x2 .. rxu x k adalah koefisien korelasi variabel eksogenus X1.. (t0 > ttabel (n-k-1)). dengan derajat bebas = n – k – 1 Kriteria pengujian : Ditolak H0 jika nilai hitung t lebih besar dari nilai tabel t. … .... Nyatakan hipotesis statistik (hipotesis operasional) yang akan diuji. dimana u dan i = 1. H1 : p xu xi ≠ 0.

(F0 > Ftabel (k.t = Mengikuti tabel distribusi F Snedecor. apakah perlu trimming atau tidak. Ambil kesimpulan. xk ) )(Cii + C jj − 2Cij ) n − k −1 Kriteria pengujian : Ditolak H0 jika nilai hitung t lebih besar dari nilai tabel t. t= p xu x i − p xu x j (1 − R 2 xu ( x1 x2 . maka perhitungan harus diulang dengan menghilangkan jalur yang menurut pengujian tidak bermakna (no significant).. 8 . Apabila terjadi trimming. (t0 > ttabel (n-k1)). n-k-1)). Untuk menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus. dengan derajat bebas (degrees of freedom) k dan n – k – 1 Kriteria pengujian : Ditolak H0 jika nilai hitung F lebih besar dari nilai tabel F. 3..

Sign up to vote on this title
UsefulNot useful