Anda di halaman 1dari 21

Pengujian Hipotesis Asosiatif

A. Pengertian Pengujian Hipotesis Asosiatif


Hipotesis asosiatif merupakan dugaan tentang adanya hubungan antar variable
dalam populasi yang akan diuji melalui hubungan antar variable dalam sampel yang
diambil dari populasi tersebut. Jadi menguji hipotesis asosiatif adalah menguji
koefisiensi korelasi yang ada pada sampel untuk diberlakukan pada seluruh populasi
dimana sampel diambil. Bila penelitian dilakuakan pada seluruh populasi maka tidak
diperlukanpengujian signifikansi terhadap koefisien korelasi yang ditemukan. Hal ini
berarti peneliti tidak merumuskan dan menguji instrument statistic.
Terdapat tiga macam bentuk hubungan antar variable, yaitu hubunagn simetris,
hubungan sebab akibat (kausal) dan hubungan interaktif (saling mempengaruhi). Untuk
mencari hubuangan antara dua variable atau lebih dilakuakn dengan menghitung korelasi
antar variable yang akan dicari hubungannya. Korelasi merupakan angka yang
menunjukkan arah dan kuatnya hubungan antar dua variable atau lebih. Arah dinyatakan
dalam bentuk hubungan positif atau negative, sedangkan kuatnya hubungan dinyatakan
dalam besarnya koefisien korelasi.
Hubungan dua variable atau lebih dikatakan hubungan positif, bila nilai suatu
variable ditingkatkan, maka akan meningkatkan nilai variable yang lain, dan sebaliknya
nila satu variable diturunkan maka akan menurunkan nilai variable yang lain. Hubungan
dua variable atau lebih dikatakan hubungan negative, bila nilai satu variable dinaikkan
maka akan menurunkan nilai variable yang lain, dan juga sebaliknya bila nilai satu
variable diturunkan, maka akan menaikkan nilai variable yang lain.
Kuatnya hubungan antar variable dinyatakan dalam koefisien korelasi. Koefisien
korelasi positif terbesar = 1 dan koefisien korelasi negative terbesar = -1, sedangkan
yang terkeceil adalah 0. Bila hubungan antar dua variable atau lebih itu mempunyai
koefisien korelasi = 1 atau -1, maka hubungan tersebut sempurna. Dalam arti kejadian-
kejadian pada variable yang satu akan dapat dijelaskan atau diprediksikan oleh variable
yang lain tanpa terjadi kesalahan (error). Semakin kecil koefisien korelasi, maka akan
semakin besar error untuk membuat prediksi. Sebagai contoh, bila hubungan bunyinya
burung Prenjak mempunyai koefisien korelasi sebesar 1, maka akan dapat diramalkan
setiap ada bunyi burung Prenjak maka akan dipastikan aka nada tamu. tetapi kalau
koefisien korelasinya kurang dari satu, setiap ada bunyi burung Prenjak belum tentu ada
tamu, apalagi koefisien korelasinya mendekati 0.
Terdapat bermacam-macam teknik Statistik Korelasi yang dapat digunakan untuk
menguji hipotesis asosiatif. Koefisien mana yang akan dipakai tergantung pada jenis data
yang akan dianalisis. Berikut ini dikemukakan berbagai teknik statistic korelasi yang
digunakan untuk menguji hipotesis asosiatif. Untuk data nominal dan ordinal digunakan
statistic nonparametris dan untuk data interval dan ratio digunakan statistic parametris.
KORELASI PARSIAL DAN KAUSALITAS
Disini akan dipelajari bagaimana mengukur keeratan hubungan antara Y dengan
X2 sedangkan X1 dikontrol, atau korelasi parsial. Pengaruh variable yang dikontrol, disini
X1, dikeluarkan. Yaitu, hitung X2 = X2 (b2X1 + a2) dan Y = Y (b1X1 + a1), tetapi
harga-harga a dan b disini dicari melalui regresi linear. Setelah hasilnya diperoleh
diperlukan regresi X2 dengan Y :
Y = b3X2 + a3
Korelasi yang sejalan dengan kecocokan ini adalah korelasi parsial X 2 dengan Y
sedangkan X1 dibuat konstan.
A. Suatu Contoh Korelasi Parsial
Perhatikan kembali kaitan antara heterogenitas dan mobilitas, sementara integrasi
dibuat konstan. Langkah pertama ialah mengeluarkan pengaruh linear integrasi dari
mobilitas dan heterogenitas, dimana kecocokan regresi linear adalah :
Y = -1,831X1 + 45,98 atau Mobilitas = -1,831 (integrasi) + 45,98
Sisa dari kecocokan ini, atau Y = Y (-1,831X 1 + 45,98) disajikan pada table 2.1. Juga
kita keluarkan pengaruh linear integrasi dari log heterogenitas.
TABEL 1. Bilangan yang diperlukan untuk menghitung korelasi parsial
X1 = Integrasi, X2 = Log Heterogenitas, Y = Mobilitas
X1 Y Y = Y bX1 a X2 X2 = X2 - bX1 - a
19.0 15.0 3.809 1.31 -0.0002
16.4 13.6 -2.352 1.34 0.0328
15.8 17.6 0.550 1.24 -0.0665
15.2 14.7 -3.449 1.35 0.0442
14.2 19.4 -0.580 1.03 -0.2746
14.6 18.6 -1.746 1.60 0.2956
13.8 35.1 14.388 1.03 -0.2741
13.0 15.8 -6.377 1.37 0.0668
12.7 21.6 -1.126 1.28 -0.0229
12.0 12.1 -11.908 1.66 0.3580
11.3 22.1 -3.190 1.31 0.0088
10.9 31.2 5.178 1.25 -0.0508
9.6 38.9 10.498 1.09 -0.2092
8.8 23.1 -6.767 1.47 0.1717
7.2 35.8 3.003 1.21 -0.0864
Y ' = -0.069 X 2 ' 0.0068
(Y ' ) 2
628.3785 (X 2 ' ) 2 0.461886
X 2 'Y ' 13.1394
; rx1x2 = 0.02; rx1y = -0.64; rx2y = -0.60
Dengan menggunakan rumus-rumus regresi linear baku, diperoleh :
X2 = 0.00117X1 + 1.288
Heterogenitas = 0.00117 (Integrasi) + 1.288
Sisanya, X2 = X2 0.00117X1 1.288, diterakan pada table di atas.
Seterusnya kita gambarkan Y dan X2 pada table dibawah, yang menunjukkan kaitan
antara heterogenitas dan mobilitas bila integrasi dibuat konstan.
TABEL 2. Heterogenitas dan Mobilitas, Integrasi Dikontrol
20

15

10

-5

-10
-0.3 -0.2 -0.1 0 0.1 0.2 0.3

Gambar ini mirip sekali dengan gambar cara eksplorasi yang sejajar, table 1.7. Kedua
gambar dihasilkan dengan cara yang sama : pengaruh linear dalam Y dan X 2 dicari lalu
dikeluarkan, kemudian sisa digambarkan untuk menunjukkan bagaimana kemungkinan
kaitan Y dan X2 dengan keluarnya X1.
Kita teruskan dengan analisa konfirmasi dan mengukur eratnya kecocokan antara
heterogenitas dan mobilitas, sedangkan integrasi dikontrol, dengan menghitung korelasi
X2 dan Y :
N X 2 'Y ' ( X 2 ' )( Y ' )
[ N ( X 2 ' ) 2 ( X 2 ' ) 2 ][ N (Y ' ) 2 ( Y ' ) 2 ]
rYX2 =
15(13.1394) (0.0068)( 0.069)
= [15(0.461886) 0.00004624][15(628.3785) 0.004761]
= -0.77
Dengan membuat integrasi konstan dinamakan korelasi parsial mobilitas dan
heterogenitas. Lebih mudah menyatakan eratnya korelasi parsial ini dalam r2, kuadrat
korelasi, disini (-0.77)2 = 0.59, yang berarti bahwa heterogenitas menyebabkan 59% dari
variable pada mobilitas bila integrasi dikontrol. Bagian yang tidak dijelaskan, yaitu 1
0.59 = 0.41, berkorespondensi dengan nisbah dq pada cara eksplorasi sebesar :
dq Y ' '
0.60
dq Y '
Kedua pendekatan menunjukkan bahwa sesudah pengaruh integrasi dikeluarkan,
heterogenitas banyak menambah pengertian kita tentang mobilitas.
Perlu dicatat bahwa juga pada analisa konfirmasi, kaitan antara
heterogenitas dan mobilitas lebih erat sesudah integrasi dikontrol. Tanpa pengontrolan,
korelasi ordonol log heterogenitas dan mobilitas adalah -0.60. Jadi, heterogenitas
hanya menjelaskan 36% variasi mobilitas, sesudah pengontrolan integrasi heterogenitas
menjelaskan 59% variasi pada mobilitas, jadi lebih dari setengahnya.
Perlu ditegaskan kembali bahwa pengontrolan suatu variable tidak
selalu mempererat kaitan antara 2 variabel. Kadang-kadang akan melemahkan,
menghilangkan kaitan lainnya, atau tak mempengaruhinya, atau membalikkan arah
kaitannya : setiap hal dapat terjadi. Satu-satunya jalan ialah mencoba serta melihatnya
sendiri, control X1 dan ambillah X2 dan Y.
B. Menghitung Langsung Korelasi Parsial
Mengontrol suatu variable sangat berguna karena itu sebaiknya kita dapat
mengerjakannya dengan cepat. Rumus sederhana untuk menghitung korelasi parsial :
rX 2Y (rX 2 X 1 )( rYX 1 )
1 r 2 X 2 X 1 1 r 2YX 1
Korelasi parsial = rX2Y.X1 =
Notasi : rX2Y.X1 : korelasi parsial X2 dengan Y sedangkan X1 dikontrol
rX2Y (rX2X1)(rYX1) :
Menggabungkan korelasi korelasi sederhana, dimulai dengan r untuk
X2 dan Y, korelasi sebelum X1 dikontrol; kemudian dikeluarkan
(dikurangi) korelasi X1 dengan Y dan X2 (rX2X1 dan rYX1).

(1 r 2 X 2 X 1 ) (1 r 2YX 1 ) :
1 r2 menyatakan bagian variable terikat yang tak diterangkan : jadi
disini terdapat bagian X2 dab Y yang tak diterangkan oleh X1.
Dalam contoh diatas,
0.60 (0.02)( 0.64)
rX2Y.X1 = 1 0.0004 1 0.41
0.59
= (1)(0.77)
= -0.77
Harganya sama dengan harga korelasi X2 dan Y yang perhitungannya lebih panjang,
tetapi secara numerik identik.
C. Pengujian Kesignifikanan Korelasi Parsial

r 2 X 2Y . X 1
N 3
1 r 2
F1, N-3 =
X 2 Y . X 1

Dihitung hasil bagi (nisbah) variansi yang dijelaskan dengan yang tak dijelaskan (parsial
r kuadrat dibagi 1 kurang parsial r kuadrat) dan dikalikan dengan derajat kebebasan (N-
3). Derajat kebebasannya menjadi 1 dan N-3 bukan 1 dan N-2 (korelasi sederhana),
karena digunakan satu variable lagi (kita control X1).
Pada contoh tadi, kuadrat korelasi parsial antara heterogenitas dan mobilitas bila
integrasi dikontrol adalah :
0.59

1 1 .59
r2X2Y.X1 = 0.59 jadi F1, 12 = (12)

= 17.268
Yang signifikan melampaui taraf 1%. Jadi pengaruh heterogenitas nyata atas mobilitas,
integrasi dikontrol. Seperti korelasi sederhana, korelasi parsial simetris : tak dapat
ditentukan apakah heterogenitas yang variable bebas dan mobilitas variable tak bebas,
ataupun sebaliknya. Sering diamati bahwa korelasi yang besar antara X dan Y tidak
berarti bahwa X penyebab Y.
D. Variabel Yang Berkaitan dan Hubungan Kausal
Apakah Anda tahu bahwa kecepatan membaca dan panjang jempol
berkorelasi positif dalam populasi dan korelasinya pun cukup erat? Apakah itu berarti
bahwa keduanya berkaitan secara kausal? Ada kaitan antara kedua variable tadi, tapi
bukan kausal. Orang-orang yang bertubuh kecil biasanya bertubuh kecil pula, umumnya
anak-anak, dan anak-anak biasanya membaca lebih lambat daripada orang dewasa.
Dengan meningkatnya umur, jempol pun bertambah panjang begitupun kecepatan
membaca. Karena itu, bila umur dikontrol mka korelasi antara panjang jempol dan
kecepatan membaca akan hilang. Situasi ini digambarkan dengan diagram kecil dimana
hubungan kausal dinyatakan dengan anak panah. Tanda plus pada anak panah
menunjukkan hubungannya positif dan tanda minus bila negatif.,
+ Panjang Jempol

Umur
Kecepatan Membaca
+

Umur berkaitan secara kausal baik dengan panjang jempol maupun kecepatan membaca.
Panjang jempol tidaklah mempunyai kaitan kausal dengan kecepatan membaca (tidak
ada anak panah di antaranya). Akan tetapi panjang jempol dan kecepatan membaca
berkorelasi positif karena keduanya berkaitan dengan umur. Korelasi seperti ini disebut
korelasi maya : suatu korelasi antara dua variable dimana yang satu tidak punya
pengaruh atas yang lainnya, tetapi berkaitan akibat pengaruh yang dialami bersama dari
variable dan variable-variabel lainnya. Hubungan maya ini dapat dikenali bila punya
informasi mengenai variabel yang maya itu; kontrollah variable tersebut dan lihat apakah
korelasinya menjadi kecil.
Contoh lain : Pengeluaran perkapita untuk minuman keras menurut waktu
berkaitan erat secara positif dengan rata-rata gaji pendeta. Seolah-olah jalan mencegah
agar orang-orang tidak mabuk ialah dengan membiarkan para pendeta miskin. Rasanya
ini tidak benar, karena itu kita anggap bahwa penghasilan pendeta tak berkaitan secara
kausal dengan pengeluaran untuk alkohol. Tetapi, mungkin ada hubungan kausal dalam
arah yang berlawanan : kenaikan pengeluaran untuk alkohol mungkin menimbulkan
masalah sosial yang lebih besar sehingga permintaan bantuan pendeta bertambah besar
pula. Tetapi kemungkinan yang terbesar ialah inipun merupakan korelasi maya.
Barangkali hubungannya sebagai berikut :
+ Pengeluaran per jiwa untuk alkohol

PNB per jiwa

+ Gaji pendeta

Bila PNB per jiwa dikontrol maka korelasi antara gaji pendeta dan pengeluaran untuk
alkohol mestinya menjadi kecil.
E. Korelasi Parsial dan Kausalitas: Suatu Contoh
Lihat contoh dari World Handbook, diperoleh tingkat kematian per 1000
penduduk berkaitan terbalik dengan urbanisasi (r = -0.33). Urbanisasi didefinisikan
sebagai persentase penduduk yang tinggal di suatu kemungkinan yang penduduknya
lebih dari 20000 orang. Banyak cara korelasi yang kausal mempunyai arti, misalnya
biasanya di daerah perkotaaan lebih banyak dokter dan rumah sakit, kebersihan lebih
baik, dll, tetapi inipun aspek variable lainnya, kekayaan umum. Bagaimana korelasi PNB
per jiwa dengan variable lainnya.
PNB Tingkat kematian Urbanisasi
per jiwa (per 1000)
PNB per jiwa 1,0
Tingkat kematian -0,41 1,0
Urbanisasi 0,71 -0,33 1,0
Cara penulisan dalam bentuk matriks korelasi ini menyatakan korelasi antar variable,
memudahkan bila banyak variable yang terlibat.
Suatu model dimana kekayaan umum merupakan penyebab meningkatnya
urbanisasi dan turunnya tingkat kematian, yaitu :
+ Urbanisasi (U)

PNB per jiwa (P)

- Tingkat kematian (K)

Bila model ini benar, maka korelasi antara urbanisasi dengan tingkat kematian haruslah
nol bila PNB per jiwa dikontrol. Dengan memasukkan harga-harganya diperoleh :
0.33 (0.41)( 0.71)
rUK.P = 1 (0,41)2 1 (0,71)2 = -0.06

Harganya kecil sekali, mendukung kuat bagi model di atas. Akan tetapi, dari segi
konsepsi masih mungkin model alternatifnya yang berlaku; kekayaan dapat menjadi
penyebab urbanisasi seperti pada model sebelumnya, tetapi kesehatan mungkin lebih
terjamin di kota. Maka modelnya akan menjadi :
+ -
PNG per jiwa Urbanisasi Tingkat kematian

0.41 (0.71)( 0.33)


rPK.U = 1 0.712 1 (0.33)2 = -0.27
Jelas terlihat bahwa model yang pertama lebih dapat diterima daripada yang kedua.
F. Cara Eksplorasi dan Konfirmasi
Pengontrolan X1 pada Y dan X2 membersihkan kotoran-kotorannya sehingga
hubungan X2 dengan Y bertambah jelas. Cara eksplorasi dan konfirmasi persis sama,
kecuali macam kecocokan liniernya (eksplorasi atau konfirmasi) yang dipakai.
Bila kaitan yang dikontrol antara Y dan X 2 tersebut diperiksa, maka kelihatan
bahwa bagian dari Y yang tak diterangkan oleh X2 adalah :
dq Y "
dq Y '
dalam analisa eksplorasi, dan adalah :
1 r2X2Y.X1
dalam analisa konfirmasi.
ANALISIS JALUR (PATH ANALYSIS)
A. Analisis Jalur
Analisis Jalur (Path Analysis) dikembangkan oleh Sewall Wright (1934) dengan
tujuan menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai
variabel penyebab, terhadap seperangkat variabel lainnya yang merupakan variabel
akibat.
Secara matematik Analisis Jalur mengikuti pola Model Struktural.
1. Diagram Jalur dan Persamaan Struktural
Pada saat akan melakukan Analisis Jalur, disarankan untuk terlebih dahulu
menggambarkan secara diagramatik struktur hubungan kausal antara variabel-
penyebab dengan variabel-akibat. Diagram ini disebut Diagram Jalur (Path Analysis),
dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir
tertentu.
Dalam pembicaraan kita selanjutnya, kita akan menggunakan sebuah lambang saja,
yaitu X, baik sebagai variabel-penyebab maupun variabel-akibat, yang dibedakan oleh
indeksnya (subscript).

Gambar 1. Diagram Jalur yang menyatakan hubungan kausal dari X1, sebagai

penyebab, ke X2, sebagai akibat

X1 : Variabel Eksogenus (Exogenous Variable)

Untuk selanjutnya variabel-penyebab akan kita sebut sebagai Variabel


Eksogenus.
X2 : Varibel Endogenus (Endogenous Variable)
: Variabel Residu (Residual Variable), yang merupakan gabungan dari
1) Variabel lain, diluar X1, yang mungkin mempengaruhi X2 dan telah
terindentifikasi oleh teori, tetapi tidak dimasukkan ke dalam model.
2) Variabel lain, diluar X1, yang mungkin mempengaruhi X2, tetapi belum
terindentifikasi oleh teori
3) Kekeliruan pengukuran (error of measurement)
4) Komponen yang sifatnya tak menentu (random component)
Gambar 1. menyatakan bahwa X2 dipengaruhi secara langsung oleh X1, tetapi

diluar X1 masih banyak penyebab-penyebab lain itu dinyatakan oleh .

Gambar 1. merupakan diagram jalur yang paling sederhana, yang dinyatakan oleh
persamaan :
X2 = pX2X1 x1 +

(anak satu arah) menggambarkan pengaruh langsung dari variabel


eksogenus terhadap variapanah bel endogenus. Perhatikan bahwa panah yang kita
gunakan menunjukkan satu arah dari eksogenus ke endogenus.

Gambar 2. Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3, ke X4

Gambar 2. mengisyaratkan bahwa hubungan antara X1 dengan X4, X2 dengan

X4, dan X3 dengan X4, adalah hubungan kausal, sedangkan hubungan antara X1

dengan X2, X1 dengan X3, dan X2 dengan X3 masing-masing adalah hubungan


korelasional.

perhatikan bahwa panah dua arah menyatakan hubungan korelasional.


Perhatikan pula bahwa pada diagram jalur di atas terdapat tiga buah variabel eksogenus,
yaitu X1, X2, dan X3, sebuah variabel endogenus, X4, dan sebuah variabel residu .
Gambar 3. Hubungan kausal dari X1 dan X2 ke X3 dan dari X3 ke X4

Perhatikan bahwa pada gambar 3. terdapat dua buah sub-struktur. Pertama sub-
strktur yang menyatakan hubungan kausal dari X1 dan X2 ke X3 dan sub-struktur

kedua mengisyaratkan hubungan kausal dari X3 ke X4. persamaan untuk gambar 3.

pada sub-struktur pertama, X1 dan X2 merupakan variabel eksogenus, X3 sebagai

endogenus dan 1, sebagai variabel residu. Pada sub-struktur kedua, X3 merupakan

eksogenus, X4 endogenus dan 2 sebagai residu.

Makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan
makin banyak pula sub- struktur yang membangun diagram jalur tersebut.
2. Koefisien Jalur (Path Coefficient)
Besarnya pengaruh langsung (relative) dari suatu variabel eksogenus ke variabel
endogenus tertentu, dinyatakan oleh besarnya nilai nomerik Koefisien Jalur (Path
Coefficient) dari eksogenus tersebut ke endogenusnya.

Gambar 4. Hubungan kausal dari X1 dan X2 ke X3


Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan

hubungan tersebut dinyatakan oleh besarnya koefisien korelasi Px1x2

Hubungan X1 dan X2 ke X3 adalah hubungan kausal. Besarnya pengaruh langsung

(relatif) dari X1 ke X3 dan X2 ke X3, masing-masing, dinyatakan oleh besarnya


nilai numerik koefisien jalur Px3x1 dan Px3x2.
Koefisien jalur Px1 menggambarkan besarnya pengaruh langsung (relatif) variabel

residu (terhadap X3
3. Menghitung Koefisien Jalur.
Untuk model Struktur Rekursit (model yang tidak melibatkan arah pengaruh yang
timbal-balik). Penghitungan koefisien jalur bisa dilakukan melalui metode
kuadrat terkecil (Least Squares) yang telah kita ketahui dalam analisis regresi.
Langkah-langkah yang disarankan untuk diikuti adalah sebagai berikut,
1) Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi
hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Disini kita harus
bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur,
sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan
apa yang menjadi variabel endogenusnya.
2) Hitung Matriks Korelasi antar variabel

3) Identifikasikan sub-struktur dan persamaan yang akan dihitung koefisien


jalurnya. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k
buah variabel eksogenus, dan sebuah (selalu hanya sebuah) variabel endogenus Xu
yang dinayatakan oleh persamaan,

4. Theory Trimming
Oleh karena data yang kita gunakan untuk menguji proposisi hipotetik yang kita
kemukakan dalam penelitian dasarnya adalah sampel berukuran n, maka sebelum kita
menarik kesimpulan mengenai hubungan kausal yang digambarkan oleh diagram jalur,
kita perlu menguji kebermaknaan (test of significance) setiap koefisien jalur yang
telah kita hitung. Pengujian seperti ini disebut Theory Trimming.
Langkah kerja pengujian
1) Nyatakan Hipotesis Statistik
u i
(Hipotesis Operasional) yang akan diuji.

Perhatikan bahwa arah pengujian secara statistik (satu arah, atau dua arah)
tergantung kepada proposisi hipotetik yang diajukan.
2) Gunakan Statistik Uji

i = 1, 2, ..., k
k = banyaknya variabel eksogenus dalam sub
struktur yang sedang diuji
ti = menguji distribusi t-student, dengan drajat bebas n-k-2.
3) Hitung nilai-p (p-value)
4) Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming,
maka penghitungan harus diulang dengan menghilangkan jalur yang menurut
pengujian tidak bermakna (nonsignificant).
5. Menguji Perbedaan Besarnya Koefisien Jalur Dalam Sebuah Sub
Struktur.
Mungkin pada suatu saat kita ingin memperoleh keterangan mana yang lebih besar
pengaruhnya terhadap Xu , apakah Xi , atau Xj , untuk i j. Pengujian seperti ini
biasanya post hoc.
Langkah Kerja
1) Tentukan koefisien jalur yang akan diuji perbedaannya. Tentukan

Hipotesis Statistik yang akan diuji

Perhatikan bahwa arah pengujian ditentukan oleh kerangka pikir tertentu mengenai
keadaan besarnya pengaruh masing-masing variabel eksogenus terhadap endogenus.

2) Gunakan Statistik Uji

t mengikuti distribusi t-Student dengan derajat bebas n-k-1


3) Hitung nilai-p (p-value)
4) Ambil kesimpulan
6. Pengaruh Langsung dan Pengaruh Taklangsung
Hubungan antara variabel yang digambarkan oleh diagram jalur bisa
mengisyaratkan beberapa keadaan.
Pengaruh Langsung
Pengaruh langsung Xi ke Xu ditujukkan oleh panah satu arah dari Xi ke Xu. pada

gambar 5 panah satu arah dari X1 ke X3 (atau dari X2 ke X3) menggambarkan

pengaruh langsung X1 ke X3 (atau X2 ke X3). Pada gambar 4 pengaruh

langsung X1 ke X3 ditunjukkan oleh Px3x1 dan pengaruh langsung dari X2 ke X3

dinyatakan oleh Px3x2


Pengaruh Taklangsung
Pengaruh tak langsung dari Xi ke Xu ditunjukkan oleh panah satu arah dari Xi ke Xt
3 1

dan panah satu arah dari Xt ke Xu. Pada gambar 3 pengaruh taklangsung dari X1 ke

X4 adalah panah satu arah dari X1 ke X3 dan dari X3 ke X4. Pengaruh taklangsung

dari X1 ke X4 ditunjukkan dari X1 ke X4 ditunjukkan oleh (Px3x1 X Px4x3)


7. Asumsi yang Mendasari Analisis Jalur
Pada saat melakukan analisis jalur seperti yang kita bicarakan di atas, hendaknya
diperhatikan beberapa asumsi di bawah ini.
1) Hubungan antara variabel haruslah linear dan aditif.
2) Semua variabel residu tak punya korelasi satu sama lain
3) Pola hubungan antar variabel adalah rekursif.
4) Tingkat pengukuran semua variabel sekurang- kurangnya interval.
B. APLIKASI ANALISIS JALUR
PROPOSISI :
Antara Achievement Motivation, Self Esteem, dan Verbal Intelligent terhadap
hubungan korelatif.
Achievement Motivation, Self Esteem, dan Verbal Intelligent secara
bersama-sama mempengaruhi Performance.
Achievement Motivation, Verbal Intelligent, dan Performance secara
bersama-sama mempengaruhi Job Satisfaction.
DATA :
X1 = Achievement Motivation

X2 = Self Esteem

X3 = Verbal Intelligent

X4 = Performance

X5 = Job Satisfaction

N = 204
Sumber : Dillon, W.R., and Goldstein, M. (1984) Multivariate Analysis. Methods and
Applications John Wiley & Sons. New York. P436
ANALISIS :
1. Diagram Jalur

Gambar . Hubungan Struktur Antara X1, X2, X3, X4 dan X5

Diagram Jalur tersebut terdiri dari dua buah sub-struktur dengan persamaan struktural:

2. Sub-Struktur 1
Persamaan struktur untuk sub-struktur-1 dinyatakan oleh

Pada sub-struktur-1 terdapat tiga buah variabel eksogen X1, X2, dan X3, dan sebuah

variabel endogen X4.

1) Matrik korelasi antar variabel eksogen :

2) Matrik Invers untuk R1

3) Menghitung Koefisien Jalur


4) Menghitung Koefisien Determinasi Total dari X1, X2, X3, terhadap X4 dan

koefisien jalur dari variabel residu ke X4.


Pengujian Koefisien Jalur Untuk Sub-Struktur-1

5) Ada Theoty Trimming


Variabel X1 dikeluarkan dari model. Persamaan struktur untuk sub-struktur-1
menjadi

Perhitungan diulang
3. Sub-Struktur-2
Untuk sub-struktur-2 persamaan strukturnya adalah,

Dalam persamaan ini terdapat tiga buah variabel eksogen


X1, X3, dan X4, dan sebuah variabel endogen X5

1) Matriks korelasi antar eksogen

2) Inversi untuk R3

3) Koefisien Jalur

4) Koefisien Determinasi Total


5) Pengujian Koefisien Jalur Untuk Sub-Struktur-2

6) Ada Theoty Trimming


Variabel X3 dihilangkan dari model. Persamaan struktural untuk sub-struktur-2
menjadi

Perhitungan diulang
4. Proposisi yang diterima diperhatikan oleh diagram jalur sebagai berikut

5. Menguji Perbedaan Besarnya Pengaruh Langsung dari X1 ke

X5 dan dari X4 ke X5

Pengujian ini sifatnya Post Hoc