MAKALAH

ANALISIS REGRESI DAN ANALISIS JALUR

Dosen Pengampuh : Dr. Ismet Sulila, S.E, M.Si

KELOMPOK VIII
Novriyanti Pateda (941420077)
Alfisander Walangadi (941420037)

UNIVERSITAS NEGERI GORONTALO

FAKULTAS ILMU SOSIAL
PRODI ILMU ADMINISTRASI PUBLIK
TAHUN 2022
 KATA PENGANTAR

Puji syukur kami ucapkan kehadirat Allah SWT atas segala rahmat-Nya
sehingga makalah ini dapat tersusun sampai dengan selesai. Tidak lupa
kami mengucapkan terima kasih terhadap bantuan dari pihak yang telah
berkontribusi dengan memberikan sumbangan baik pikiran maupun
materinya.

Penulis sangat berharap semoga makalah ini dapat menambah

pengetahuan dan pengalaman bagi pembaca. Bahkan kami berharap
lebih jauh lagi agar makalah ini bisa pembaca praktekkan dalam
kehidupan sehari-hari.

Bagi kami sebagai penyusun merasa bahwa masih banyak kekurangan

dalam penyusunan makalah ini karena keterbatasan pengetahuan dan
pengalaman Kami. Untuk itu kami sangat mengharapkan kritik dan
saran yang membangun dari pembaca demi kesempurnaan makalah ini.
 DAFTAR ISI

KATA PENGANTAR.....................................................................................(2)
DAFTAR ISI....................................................................................................(3)
BAB I PENDAHULUAN................................................................................(4)
1.1 LATAR BELAKANG...........................................................................(4)
1.2 RUMUSAN MASALAH.......................................................................(5)
1.3 TUJUAN PEMBAHASAN...................................................................(5)
BAB II PEMBAHASAN.................................................................................(6)
A. Regresi Linear Sederhana.........................................................................(6)
B. Regresi Ganda............................................................................................(9)
C. Analisis Jalur (Path Analysis)....................................................................(17)
BAB III PENUTUP.........................................................................................(22)
A. KESIMPULAN...........................................................................................(22)

DAFTAR PUSTAKA......................................................................................(23)
 BAB I
PENDAHULUAN

1.1 LATAR BELAKANG

Analisis regresi merupakan suatu cara yang dapat digunakan untuk mengetahui
hubungan sebuah variabel tak bebas dengan satu atau lebih variabel bebas. Analisis
regresi dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang
bermakna tentang hubungan ketergantungan variabel terhadap variabel lainnya.
Berdasarkan jumlah variabel bebas, analisis regresi linier dibagi menjadi dua
macam yaitu, analisis regresi linier sederhana dan analisis regresi linier berganda.
Model regresi dapat diperoleh dengan melakukan estimasi terhadap parameter
modelnya. Untuk menduga nilai parameter regresi ini biasanya digunakan Metode
Kuadrat Terkecil (MKT). Metode MKT ini diterapkan jika asumsi-asumsi berikut
terpenuhi, yaitu asumsi ragam berdistribusi normal, tidak terjadi multikolinieritas,
kehomogenan ragam sisaan dan tidak autokorelasi. Semua asumsi harus terpenuhi
supaya didapatkan penduga parameter yang bersifat BLUE (Best Linier Unbiased
Estimator). Jika terjadi masalah multikolinearitas, maka metode kuadrat terkecil
bukan solusi yang terbaik, karena pendugaan koefisien regresi yang dihasilkan
tidak stabil dan variansi koefisien regresi menjadi sangat besar. Oleh karena itu
diperlukan suatu metode pendugaan alternatif yang memberikan pendugaan yang
lebih baik. Salah satu metode untuk mengatasi masalah multikolinearitas yaitu
metode regresi ridge, dengan regresi ridge maka koefisien regresi yang dihasilkan
lebih stabil dan variansi koefisien regresi lebih kecil. Pada dasarnya metode ini
merupakan modifikasi dari metode kuadrat terkecil. Asumsi yang harus dipenuhi
pada metode ini adalah matriks korelasi dari variabel bebas dapat diinverskan
dengan menggunakan metode regresi ridge sehingga nilai dugaan koefisien
regresi mudah untuk diperoleh.

Analisis jalur (Path Analysis) merupakan pengembangan statistik regresi,

sehingga analisis regresi dapat dikatakan sebagai bentuk khusus analisis jalur.
Analisis jalur digunakan untuk melukiskan dan menguji model hubungan antar
variabel yang berbentuk sebab akibat. Bagaimana sejarah perkembangan analisis
jalur? Teknik analisis jalur, yang dikembangkan oleh Sewal Wright di tahun 1934,
sebenarnya merupakan pengembangan korelasi yang diuraikan menjadi beberapa
interpretasi akibat yang ditimbulkannya. Lebih lanjut, analisis jalur mempunyai
kedekatan dengan regresi berganda, atau dengan kata lain, regresi berganda
merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai modal
sebab akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa
analisis jalur memungkinkan penggunaan dapat menguji proposisi teoritis
mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel.
Memanipulasi variabel maksudnya memberi perlakuan (treatment) terhadap
variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah
beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan
yang lainnya.

1.2 RUMUSAN MASALAH

1. Apa Definisi Regresi Linear Sederhana
2. Apa Definisi Regresi Ganda
3. Apa Definisi Analisis Jalur (Path Analysis)
1.3 TUJUAN PEMBAHASAN
1. Untuk mengetahui tentang Regeresi Linear sederhana
2. Untuk mengetahui Regeresi Ganda
3. Untuk mengetahui Analisis Jalur (Path Analysis)
 BAB II
PEMBAHASAN

A. REGERESI LINEAR SEDERHANA

Istilah regresi pertama kali dalam konsep statistik digunakan oleh SirFrancis
Galton pada tahun 1886 di mana yang bersangkutan melakukan kajian yang
menunjukkan bahwa tinggi badan anak-anak yang dilahirkan dari para orang tua
yang tinggi cenderung bergerak (regress) ke arah ketinggian rata-rata populasi
secara keseluruhan. Galton memperkenalkan kata regresi (regression) sebagai
nama proses umum untuk memprediksi satu variabel, yaitu tinggi badan anak
dengan menggunakan variabel lain, yaitu tinggi badan orang tua. Sehingga dapat
disimpulkan bahwa regresi linear sederhana (RLS) merupakan alat statistik yang
digunakan untuk mengetahui pengaruh antara satu variabel bebas terhadap satu
variabel terikat. Variabel bebas dapat pula disebut dengan istilah prediktor atau
variabel independen (x) dan variabel terikat sering disebut dengan istilah kriterium
atau variabel dependen (y)
Penerapan regresi linear sederhana dapat ditemukan secara luas di berbagai bidang
seperti bidang pertanian, ekonomi, medis dan pendidikan. Contoh penggunaan
regresi linear sederhana di berbagai bidang, antara lain:
1. Pengaruh jumlah pupuk terhadap produksi pertanian
2. Pengaruh daya beli masyarakat terhadap hasil penjualan saham
3. Pengaruh penghasil terhadap tingkat inflansi
4. Pengaruh citra perusahaan terhadap minat beli pelanggan
5. Pengaruh rokok terhadap kanker paru-paru
6. Pengaruh lamanya belajar terhadap nilai ujian
7. Pengaruh IQ terhadap IPK
8. Pengaruh berat badan terhadap tekanan darah

Analisis regresi sederhana bertujuan untuk mengetahui pengaruh dari suatu

variabel terhadap variabel lainnya. Pada analisis regresi suatu variabel yang
mempengaruhi disebut variabel bebas atau independent variable, sedangkan
variabel yang dipengaruhi disebut variabel terkait atau dependent variable. Jika
persamaan regresi hanya terdapat satu variabel bebas dengan satu variabel terkait,
maka disebut dengan persamaan regresi sederhana. Jika variabel bebasnya lebih
dari satu, maka disebut dengan persamaan regresi berganda. Pada regresi
sederhana kita dapat mengetahui berapa besar perubahan dari variabel bebas dapat
mempengaruhi suatu variabel terkait.
Analisis Regresi Liniear Sederhana adalah analisis regresi linear yang hanya
melibatkan dua variabel, yaitu satu variabel independen dan satu variabel
dependen. Disebut linear sederhana karena variabel dependen diasumsikan
berhubungan linear dalam parameter dan linear dengan variabel independen.

Variabel yang mempengaruhi disebut dengan berbagai istilah: variabel independen,

variabel bebas, variabel penjelas, variabel eksplanatorik, atau variabel X karena
dalam grafik sering digambar sebagai absis atau sumbu X). Variabel yang
dipengaruhi dikenal sebagai variabel dependen, variabel terikat, atau variabel Y.
Kedua variabel ini dapat merupakan variabel acak (random), namun variabel yang
dipengaruhi harus selalu variabel acak. Analisis regresi adalah salah satu analisis
yang luas pemakaiannya. Analisis regresi digunakan untuk melakukan prediksi dan
ramalan.

Analisis regresi juga dapat digunakan untuk memahami variabel – variabel bebas
mana saja yang dapat berhubungan dengan variabel terikat, serta untuk mengetahui
bentuk hubungan tersebut. Tujuan analisis regresi untuk mendapatkan pola
hubungan secara matematis dari variabel X dan variabel Y, dan untuk mengetahui
besarnya perubahan variabel X terhadap variabel Y, serta untuk memprediksi
variabel Y jika nilai variabel X diketahui. Prinsip dasar pada persamaan regresi
sederhana adalah bahwa antara variabel dependen (Y) dengan variable
independennya (Y) harus memiliki sifat hubungan sebab akibat atau hubungan
kausalitas, berdasarkan teori, dari hasil penelitian sebelumnya, atau juga yang
didasarkan dari penjelasan logis tertentu.

Analisis regresi linier sederhana adalah hubungan secara linear antara satu variabel
independen (X) dengan variabel dependen (Y). Analisis regresi sederhana dapat
digunakan untuk mengetahui arah dari hubungan antara variabel bebas dengan
variabel terikat, apakah memiliki hubungan positif atau negatif serta untuk
memprediksi nilai dari variabel terikat apabila nilai variabel bebas mengalami
kenaikan ataupun penurunan. Pada regresi sederhana biasanya data yang
digunakan memiliki skala interval atau rasio.

Persamaan Regresi Linear Sederhana : Ȳ = a+ bX

Keterangan : Ȳ = regresi (dibaca Y topi)

a = konstanta

b = koefisien regresi

Y = variabel dependen / variabel terikat/ variabel tak bebas (kejadian)

X = variabel independen/ variabel bebas/ variabel prediktor

(penyebab)

Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima mahasiswa
dipengaruhi dengan jarak tempuh dari rumah ke kampus. Apabila didasarkan dari
penjelasan logis maka semakin dekat jarak rumah dengan kampus maka akan
semakin kecil nilai uang saku mahasiswa, sebaliknya apabila semakin jauh jarak
tempuh dari rumah ke kampus maka akan semakin besar jumlah uang saku
mahasiswa, sehingga jarak tempuh dari rumah ke kampus (variabel X) akan
mempengaruhi nilai uang saku mahasiswa (variabel Y) secara positif.

Secara umum terdapat 4 (empat) tahap yang dilakukan dalam analisis regresi
dalam rangka memperoleh model yang baik, yaitu:
1. Identifikasi Model
Pada tahap ini dilakukan perumusan model secara umum termasuk pemilihan
variabel baik variabel independen maupun variabel dependen terhadap
permasalahan yang harus dipecahkan, serta menspesialisasikan hubungan
fungsional antar variabel (pilihan model sementara). Cara mudah yang dapat
dilakukan adalah dengan melihat diagram sebar (scatter diagram).
2. Estimasi /Penaksiran parameter
Langkah kedua adalah melakukan estimasi terhadap parameter-parameter dalam
model sementara. Ada dua metode yang biasa digunakan, yaitu metode kuadrat
terkecil dan metode maksimum likelihood.
 3. Pengujian (Diagnostik Checking)
Pada tahap ini dilakukan pengujian-pengujian terhadap hasil-hasil, diantaranya uji
hipotesis terhadap koefisien-koefisien regresi. Jika hasil yang diperoleh tidak
sesuai yang diharapkan (tidak signifikan) maka tahapan analisis harus dimulai lagi
dari tahap pertama.
4. Penerapan
Tahap terakhir ini merupakan tujuan utama dari analisis regresi, yaitu melakukan
prediksi (perkiraan) yang dapat dipercaya, sehingga dapat dijadikan sebagai dasar
dalam pengambilan keputusan. Kemungkinan kesalahan adalah penggunaan yang
tidak pada tempatnya.

B. REGRESI GANDA
1. PENGERTIAN REGRESI GANDA

Regresi Linier Ganda (Multivariate Linear Regression) adalah analisis yang

dilakukan apabila satu variabel dependen Y perlu dijelaskan oleh lebih dari satu
variabel independen X. Dalam ilmu sosial (pendidikan) jarang terjadi adanya
hubungan antara dua variabel saja. Sebagian besar satu variabel mempunyai
hubungan dengan banyak variabel sehingga dalam analisis statistik pun hendaknya
digunakan alat statistik yang bisa mencakup hubungan banyak variabel. Apabila
kita jumpai satu variabel terikat yang dipengaruhi oleh beberapa variabel bebas
dalam mempengaruhi variabel terikat itu bermacam-macam, sehingga bentuk
hubungannyapun berbeda.

Dalam kajian ilmu sosial maupun kependidikan sering terjad sifat hubungan
berjenjang. Ini berarti bahwa variabel bebas dalam mempengaruhi variabel terikat
tidak terjadi secara langsung, tetapi melalui variavel lain. Variabel lain
menjembatani pengaruh variabel bebas terhadap variabel terikat tersebut dengan
variabel antara. Disamping itu, antar variabel bebas itu sendiri mempunyai pola
hubungan yang tidak tetap artinya bisa benar-benar bebas, berkorelasi tetapi tidak
signifikan, mempunyai hubungan yang tidak erat.
Pola hubungan-hubungan regresi ganda yang akan dibahas pada makalah ini
diantaranya:
1.  Masing-masing variabel bebas berdiri sendiri dalam mempengaruhi variabel
terikat. Dalam kondisi ini antar variabel bebas tidak terdapat hubungan yang
 signifikan. Jika kondisi ini yang dijumpai, maka hasil perhitungan kuadrat
koefisien merupakan jumlah sumbangan/kontribusi variabel bebas terhadap
variabel terikat. Besarnya kontribusi total variabel bebas terhadap variabel terikat
merupakan jumlah kontribusi masing-masing variabel bebas terhadap variabel
terikat.
2.  Masing-masing variabel bebas tidak berdiri sendiri-sendir, tetapi antar mereka
mempunyai kebebasan dalam mempengaruhi variabel terikat. Walaupun unsure
kebersamaan tetapi masih adasifat mandirinya dalam memberikan kontribusi
terhadap variabel terikat. Kalau sifat mandirinya variabel tersebut tidak ada, maka
dengan menghilangkan variabel bebas tersebut tidak akan mempengaruhi besarnya
kontribusi. Hal ini disebabkan oleh karena kontribusi variabel bebas yang tidak
mempunyai sifat mandiri telah diwakili oleh variabel bebas lainnya. Jika korelasi
antar variabel bebas sangat besar, maka sifat mandiri variabel bebas dalam
memberikan kontribusi terhadap variabel terikat sangat kecil, demikian pula
sebaliknya.
3.  Variabel bebas dalam mempengaruhi variabel terikat tidak langsung, sehingga ada
variabel antara yang menjembatani hubungan antara variabel bebas dan variabel
terikat. Dalam kasus ini peneliti hendaknya hati-hati, karena tanpa memperhatikan
variabel antara dapat memberikan keputusan yang salah dan tidak rasional. Kalau
variabel antara dilibatkan dalam analisis, maka analisisnya berjenjang. Mula-mula
menganalisis hubungan antara variabel bebas dengan variabel antara, baru
kemudian mencari hubungan variabel antara dengan variabel terikatnya.

2. REGRESI GANDA LINEAR

Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel
independen X, maka kita perlu membuat model yang sesuai dengan tujuan studi.
Model tersebut adalah regresi linier ganda (Multivariate Linear Regression). Selain
berguna untuk dapat menjelaskan hubungan p variabel X secara bersama terhadap
variabel Y, dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan
tentang peranan atau kontribusi relatif setiap variabel X terhadap variabel Y.
Analisis regresi ganda mempunyai langkah yang sama dengan analisis regresi
sederhana, hanya di sini analisisnya lebih kompleks, karena melibatkan banyak
variabel bebas. Di samping itu, analisis regresi ganda lebih banyak didasarkan pada
asumsi, karena pengujian tentang terpenuhi tidaknya asumsi masih sukar
 dilakukan. Sampai saat ini yang baru dapat dikembangkan secara mantap adalah
model linier, dan pengujian linieritas pada regresi ganda terlalu sukar dilakukan
sampai saat ini, lebih-lebih jika varabel bebasnya lebih dari 4 (empat). Oleh karena
itu, linieritas dalam regresi ganda terpaksa diasumsikan saja, sehingga jika bentuk
garis hubungan itu tidak linier maka hasilnya bisa menyesatkan. Oleh karena itu,
perlu hati-hati dalam menggunakan hasil analisis regresi ganda.
Bentuk persamaan regresi ganda :
1.      Dua variabel bebas
Untuk menghitung koefisien regresinya menggunakan persamaan:
2.      Tiga variabel bebas
Untuk menghitung koefisien regresinya menggunakan persamaan:
3.      K buah variabel bebas
Untuk menghitung koefisien regresinya menggunakan persamaan sebanyak k+1
buah.
Selain langkah di atas sebenarnya koefisien regresi dapat dihitung dengan langkah
lain, yaitu jika kita mendasarkan perhitungan pada simpangan masing-masing nilai
variabel dengan nlai rata-ratanya. Apabila kita member notasi X (huruf besar)
untuk nilai asli dan nilai simpangan dengan x (huruf kecil), maka persamaan
regresi ganda yang disesuaikan adalah:
1.  Dua variabel bebas
Nilai b dapat dihitung dengan persamaan:
Untuk menghitung koefisien regresi menggunakan persamaan
Untuk menghitung koefisien regresi menggunakan persamaan
Untuk menghitung koefisien regresi menggunakan persamaan
2.  Tiga variabel bebas
Untuk menghitung koefisien regresi menggunakan persamaan
Untuk menghitung koefisien regresi menggunakan persamaan
3.  K buah variabel bebas
Untuk menghitung koefisien regresi menggunakan persamaan
Untuk menghitung koefisien regresi menggunakan persamaan
Dengan perhitungan simpangan masing-masing (Y taksiran) akan dapat dihitung
besarnya variasi taksiran. Variasi taksiran ini akan memberi gambaran kepada
peneliti/pemakai tentang akurat tidaknya persamaan regresi ganda digunakan
sebagai alat prediksi. Apabila ternyata nilai variasi ini rendah/kecil maka
 persamaan regresi itu digunakan untuk melakukan prediksi dengan baik, demikian
pila sebaliknya.
Variasi taksiran dapat dihitung dengan menggunakan rumus:
Keterangan:
k adalah banyaknya variabel bebas

3. SIGNIFIKANSI KOEFISIEN REGRESI GANDA

A.    Pengujian Signifikansi Persamaan Regresi

Pengujian disini menggunakan F tes, yang merupakan hasil bagi MSb/a
(regresi) dengan MS sisa. Pengujian disini kita dasarkan pada asumsi bahwa
persamaan regresi ganda yang diperoleh aalah linier. Asumsi ini digunakan karena
keterbatasan kemampuan melakukan pengujian linieritas pada regresi ganda (lebih-
lebih jika melibatkan x lebih dari 2). Oleh karena itu, pengujiannya bisa dihitung
dari nilai simpangan masng-masing rata-ratanya.
1.  Sum of Square b/a
Dihitung dengan rumus:
Dimana: Sedangkan derajat kebebasan adakah k (banyanya variabel bebas)
2.  Means square b/a
Means square b/a merupakan hasil bagi SS dengan derajat kebebasanya
3.  Sum of Square Sisa
Dihitung dengan rumus:
Dimana derajat kebebasan sisa sebesar n-k-1.
4.  Means Square Sisa
Dihitung dengan rumus:
Setelah masing-masing means square yang dibutuhkan dalam perhitungan F tes
diperoleh, maka langkah selanjutnya adalah mencari F, sedangkan F hitung dapat
diperoleh dengan rumus:
Jika F hitung lebih besar daripada F tabel maka hipotesis nol yang menyatakan
bahwa regresi linier ganda tak signifikan ditolak. Ini berarti bahwa persamaan
regresi linier ganda yang diperoleh dapat digunakan untuk melakukan presiksi nilai
Y jika diketahui nilai X1 dan X2, pada populasi di mana data sampel diambil.
B.      Pengujian Signifikansi Regresi Ganda
Walaupun persamaan regresi linier ganda telah terbukti signifikan, tetapi
masih bisa dipersoalkan tentang kontribusi masing-masing variabel bebas terhadap
variabel terikat. Untuk itu perlu pengujian koefisien regresi, dalam hal ini akan
diuji koefisien b dengan menggunakan t tes. Pengujian disini akan melibatkan
simpangan baku taksiran, jumlah kuadrat simpangan nilai X yang diuji
koefisiennya dengan rata-ratanya, dan korelasi X yang diuji koefisiennya dengan X
lainnya.
Nilai t dapat diperoleh dengan menggunakan rumus:
Keterangan:
adalah koefisien regresi ke k
adalah simpangan baku koefisien b yang ke k
Simpangan baku koefisien b dapat dihitung dengan rumus:
Jika nilai t hitung lebih besar dari t tabel maka koefisien regresi signifikan.

4. KOEFISIEN KORELASI
Untuk mengetahui besarnya kontribusi variabel bebas terhadap variabel terikatnya
diperlukan perhitungan koefisien korelasi. Dalam regresi linier sederhana,
koefisien korelasi merupakan kuadrat korelasi antara X dan Y, tetapi dalam regresi
linier ganda koefisien korelasi merupakan sumbangan/kontribusi bersama dari
seluruh variabel bebas terhadap variabel terikatnya. Mengingat variabel bebas satu
dengan vaiabel bebasyang lain berkemungkinan besar tidak mandiri (masih ada
hubungan walaupun kecil), maka kontribusi seluruh variabel bebas terhadap
variabel terikatnya.
Koefisien korelasi regresi linier ganda dapat dihitung dengan rumus:
Keterangan:
adalah simpangan bakutaksiran Y untk nilai-nilai X
adalah simpangan baku Y
Apabila kita telah memperoleh nilai korelasi baik yang sederhana antar variabel,
maka koefisien korelasinya lebih mudah dihitung dengan rumus:
Apabila korelasi yang diketahui terbatas pada korelasi sederhana, maka koefisien
korelasi regres ganda akan lebih mudah dihitung dengan rumus:
Setela korelasi regresi linier ganda diperoleh, langkah selanjutnya adalah menguji
signifikansi koefisien korelasi tersebut. Apabila koefisien korelasi tersebut
memang signifikan, barulah dapat digunakan untuk menyatakan besarnya
kontribusi bersama dari variabel bebas terhadap variabel terikatnya. Pengujian
koefisien korelasi regresi linier ganda menggunakan F tes, sedangkan F hitung
diperoleh dengan rumus:
Apabila rencana penelitian melibatkan banyak variabel bebas, maka kontribusi
bersama variabel bebas terhadap variabel terikat dimungkinkan semakin besar
(tentunya dengan syarat bahwa antar variabel bebas tersebut benar-benar
independen).

5. KORELASI PARSIAL

Untuk mengetahui besarnya kontribusi masing-masing variabel bebas

terhadap variabel terikat dengan mempertimbangkan hubungan variabel bebas
lainnya, baik terhadap variabel terikat maupun variabel bebas yang dicari
kontribusinya, diperlukan analisis tersendiri. Apabila yang dihadapi adalah regresi
dengan dua variabel bebas, maka akan diperoleh korelasi parsial sebanyak dua
buah.
Korelasi parsial yang pertama menyatakan hubungan antara variabel bebas
pertama dengan variabel terikat dengan menghilangkan pengaruh (hubungan)
variabel bebas kedua dengan variabel bebas pertama dan pengaruh variabel kedua
dengan variabel terikatnya. Korelasi parsial yang kedua menyatakan hubungan
antara variabel bebas kedua dengan variabel terikat dengan menghilangkan
pengaruh (hubungan) variabel bebas pertama dengan variabel bebas kedua dan
pengaruh variabel pertama dengan variabel terikatnya. Dengan jalan
menghilangkan pengaruh tersebut maka kontribusi variabel pertama dan kedua
terhadap variabel terikatnya merupakan kontribusi yang mendekati murni.
Pada saat menghitung korelasi ganda antara beberapa variabel bebas terhadap
variabel terikat, unsure kebersamaan antar variabel bebas telah masuk. Oleh
karenanya kita tidak memperoleh informasi yang tepat (mendekati tepat) tentang
besarnya kontribusi masing-masing. Hal ini sering dijumpai pada penelitian sosial,
termasukdi dalamnya penelitian pendidikan, karena perubahan yang terjadi pada
variabel terikat tidak semata-mata dipengaruhi oleh satu dua variabel bebas. Di
samping masing-masing variabel bebas tidak benar-benar berdiri sendiri dalam
mempengaruhi variabel terikat. Unsure kebersamaan mungkin lebih banyak dari
pada unsure mandiri dalam mempengaruhi variabel terikat tersebut. Oleh
karenanya pemakai statistik hendaknya hati-hati dalam mendeskripsikanhasil
analisis statistik. Jika dianggap kurang bisa mengemukakan maksud atau tujuan
penelitian maka analisis perlu dilanjutkan.
Mengingat kita telah membahas korelasi sederhana dan korelasi ganda, maka
perhitungan pada korelasi parsial tidak akan menyulitkan. Jika regresi ganda yang
dihadapi mempunyai dua variabel bebas (X1) dan (X2), maka aka nada dua
koefisien korelasi parsial yang dapat dihitung dengan rumus:
Sebelum kita menggunakan koefisien korelasi parsial sebagai dasar interpretas
perlu dilakukan uji signifikansi koefisien korelasi parsial dengan F tes. Sedangkan
F hitung yang berkaitan dengan koefisien korelasi parsial, dihitung untuk masing-
masing koefisien korelasi. Untuk mencari F pada pengujian signifikansi koefisien
korelasi parsial antara variabel terikat dengan variabel bebas pertama dipakai
rumus:
Sedangkan F hitung untuk koefisien korelasi parsial antara variabel terikat dengan
variabel bebas kedua dicari dengan rumus.

6. BEBERAPA HAL YANG PERLU DIINGAT PADA REGRESI

GANDA
Sebelum menggunakan analisis regresi ganda, kita perlu melakukan control
terhadap beberapa kondisi yang berkaitan dengan data yang dimiliki. Disamping
itu juga harus mengambil ancang-ancang dalam melakukan deskripsi. Hal ini
disebabkan karena analisis regresi ganda menuntut adanya beberapa syarat serta
karena analisis regresi ganda mengandung keterbatasan dalam analisisnya.
Beberapa syarat yang harus dipenuhi dalam regresi ganda adalah:
1. Sampel harus diambil secara acak (random) dari populasi yang berdistribusi
normal.
2. Oleh karena sampel diambil dari populasi yang berdistribusi normal, maka
sampel juga harus berdistribusi normal. Normalitas dapat diatasi dengan
mengambil sampel banyak. Di samping itu, normalitas dapat diuji dengan
normalitas (misalnya dengan liliefors)
3. Data variabel terikat harus berskala interval atau skala ratio sedangkan skala
untuk variabel bebas tidak harus interval atau ratio tetapi bisa juga untuk data yang
berskala lebih rendah. Jika variabel bebas berskala di bawah interval, maka perlu
cara lain. Dalam hal ini data variabel bebas diubah dengan system coding
(pemberian tanda tertentu). Pembahasan di sini terbatas pada analisis dengan
variabel berskala interval atau ratio.
4. Antara variabel bebas dengan variabel terikat mempunyai hubungan secara
teoritis, dan melalui perhitungan korelasi sederhana dapat diuji signifikansi
hubungan tertentu. Jika ternyata antara variabel bebas dengan variabel terikat tidak
mempunyai hubungan sederhana yang signifikan maka korelasi gandapun tidak
akan signifikan.
5. Persamaan regresi harus linier. Mengingat pengujian linieritas untuk regresi
ganda sukar dilakukan maka sejauh ini linieritas untuk regresi ganda hanya di
asumsikan. Oleh karena itu, perlu tindakan hati-hati dalam melakukan deskripsi
atas hasil analisisnya karena semua perhitungan didasarkan pada asumsi, dan tidak
dilakukan pengujian tentang linieritas.
Dalam regresi ganda besarnya kontribusi bersama tergantungan pada urutan
masuknya variabel bebas dalam perhitungan. Hal ini berarti bahwa besar kecilnya
kontribusi bersama variabel bebas terhadap variabel terikat akan berubah-ubah jika
urutan memasukkan data variabel bebas dalam perhitungan diubah-ubah (posisi
variabel bebas berubah akan mengubah besarnya kontribusi bersama walaupun
data sama untuk setiap responden). Besarnya variabel bebas yang dominan
(mempunyai hubungan/korelasi sederhana paling besar) akan masuk dalam
perhitungan lebih dahulu. Baru kemudian diikuti oleh variabel bebas berikutnya.
Apabila model yang dikembangkan didasarkan oleh teori yang kuat (berkaitan
dengan urutan kontribusi X terhadap Y), maka perhitungan korelasi ganda
sebaiknya didasarkan pada urutan menurut teori. Perhitungan manual yang
dilakukan di atas berdasarkan urutan yang telah ditetapkan lebih dulu.
 C. ANALISIS JALUR

1. PENGERTIAN ANALISIS JALUR

Analisis Jalur (Path Analysis) adalah bagian dari model regresi yang dapat
digunakan untuk menganalisis hubungan sebab akibat antar satu variable dengan
variable lainnya. Sistem hubungan sebab akibat tersebut menyangkut dua jenis
variable, yaitu bariabel bebas atau yang lebih dikenal dengan variable eksogen
yang biasa disimbolkan dengan huruf x1, x2, variabel terikat atau variabel yang
dipengaruhi, yang dikenal dengan variabel endogen yang biasa disimbolkan
dengan huruf x Analisis jalur digunakan untuk menganalisis pola hubungan antara
variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak
langsung seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen).
Melalui analisis jalur ini akan dapat ditemukan jalur mana yang paling tepat dan
singkat suatu variabel eksogen menuju variabel endogen yang terkait.
Dalam analisis jalur pengaruh variabel eksogen terhadap variabel endogen
dapat berupa pengaruh langsung dan tidak langsung (direct & indirect effect), atau
dengan kata lain analisis jalur memperhitungkan adanya pengaruh langsung dan
tidak langsung. Berbeda dengan model regresi biasa dimana pengaruh variable
independen terhadap variabel dependen hanya berbentuk pengaruh langsung.
Selain itu, analisis jalur merupakan suatu metode yang digunakan pada
model kausal yang telah dirumuskan peneliti atas dasar pertimbangan-
pertimbangan teoritis dan pengetahuan tertentu. Dengan kata lain analisis jalur
memiliki kegunaan untuk mengecek dan menguji model kausal yang diteorikan
dan bukan menurunkan teori kausal tersebut.
Defenisi lain mengatakan “Analisis jalur merupakan pengembangan langsung
bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat
kepentingan (magnitude) dan signifikasi (significance) hubungan sebab akibat
hipotetikal dalam seperangkat variabel” (Paul Webley 1997 dikutip oleh Sarwono,
2007.
 2. KARAKTERISTIK ANALYSIS JALUR

Merujuk pendapat yang dikemukakan oleh Land, ching heisi, Maruyama,

Schumaker, dan Lomax, Joreskog (dakam Kusnendi, 2008: 147-148), karakteristik
analisis jalur adalah metode analisis dat amultivariat dependensi yang digunakan
untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar kajian teori
tertentu dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung
seperangkat variabel penyebab terhadap variabel akibat. Menguji hipotesis
hubungan asimetris yang dibangun atas kajian teori tertentu artinya yang diuji
adalah model yang menjelaskan hubungan kausal antarvariabel yang dibangun atas
kajian teori-teori tertentu. Hubungan kausal tersebut secara eksplisit dirumuskan
dalam bentuk hipotesis direksional, baik positif maupun negatif.

3. SYARAT-SYARAT PENGGUNAAN ANALYSIS JALUR

Beberapa syarat penggunaan analisis jalur adalah sebagai berikut:

1. Hubungan sebab akibat (landasan teoris).
2. Hubungan antar variabel haruslah linier dan aditif.
3. Semua variabel residu tak punya korelasi satu sama lain.
4. Pola hubungan antar variabel adalah rekursif atau hubungan yang tidak
melibatkan arahpengaruh yang timbal balik.
5. Tingkat pengukuran semua variabel sekurang-kurangnya adalah interval.
6. Terdapat masukan korelasi yang sesuai. Sama halnya menurut Supardi (2013),
sifat atau syarat yang harus dipenuhi dalam analisis jalur, anatar lain:
a) Data masing-masing variabel merupakan data interval/ rasio.
b) Hubungan antara dua variabel adalah linier dan aditif.
c) Hubungan antara setiap dua variabel bersifat rekursif (satu arah)
d) Variabel sisa (residu) tidak berkorelasi dengan sesamanya dan tidak juga
dengan variabel dalam sistem: rxe= rex= 0 dan juga re1.e2= re2.e1= 0

4. PRINSIP-PRINSIP ANALISIS JALUR

Prinsip yang mendasari path analysis sebagai berikut:

1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier,
adaptif dan bersifat normal
2. Hanya system aliran kausal ke satu arah, artiya tidak ada arah kausalitas yang
berbalik
3. Variabel terikat (endogen) minimal dalam skala ukur interval dan rasio
4. Menggunakan sampel probability sampling, yaitu Teknik pengambilan sampel
untuk memberikan peluang yang sama pada setiap anggota populasi untuk
dipilih menjadi anggota sampel
5. Observed variable diukur tanpa kesalahan (instrument pengukuran valid dan
reliable) artinya variabel yang diteliti dapat diobservasi secara langsung, dan
6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar
berdasarkan teori-teori dan konsep-konsep yang relevan, artinya model teori
yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu
yangmampu menjelaskan hubungan kausalitas antar variabel yang diteliti.

5. MANFAAT ANALISIS JALUR

Manfaat lain dari model analisis jalur adalah untuk:

1. Penjelasan (explanation) terhadap fenomena yang dipelajari atau permasalahan
yang diteliti,
2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan
prediksi dengan analisis jalur ini bersifat kualitatif,
3. Faktor diterminan, yaitu penentuan variabel bebas (X) mana yang berpengaruh
dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri
mekanisme (jalur-jalur) pengaruh variabel bebas (X) terhadap variabel terikat
(Y).

6. KEUNTUNGAN DAN KELEMAHAN ANALISIS JALUR

Menurut Sarwono (2012), keuntungan menggunakan analisis jalur diantaranya:

1. Kemampuan menguji model keseluruhan dan parameter-parameter individual.
2. Kemampuan pemodelan beberapa variabel mediator/perantara.
3. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat
semua kemungkinan hubungan sebab akibat pada semua variabel dalam model.
4. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat
sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan
pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal
association), seperti komponen semu (spurious).
Kelemahan menggunakan analisis jalur diantaranya:
1. Tidak dapat mengurangi dampak kesalahan pengukuran.
2. Analisis jalur hanya mempunyai variabel-variabel yang dapat diobservasi secara
langsung.
3. Analisis jalur tidak mempunyai indikator-indikator suatu variabel laten.
4. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka
semua asumsi dalam rumus ini harus diikuti.
5. Sebab akibat dalam model hanya bersifat searah (one direction), tidak boleh
bersifat timbal balik (reciprocal).

7. MODEL ANALISIS

a) Model Korelasi
Model korelasi yang sering digunakan dan dipakai oleh peneliti dan mahasiswa
yaitu Korelasi Pearson Product Moment(r). Kegunaan korelasi untuk
mengetahui derajat hubungan antar variabel eksogen dengan variabel endogen.
b) Model Regresi
Regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang
paling mungkin terjadi dimasa yang akan datang berdasarkan informasi masa
lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil. Kegunaan
regresi dalam penelitian salah satunya adalah untuk meramalkan (memprediksi)
variabel endogen (Y) apabila variabel eksogen (X) diketahui. Regresi sederhana
dapat dianalisis karena didasari oleh hubungan fugsional atau hubungan sebab
akibat (kausal) variabel eksogen (X) terhadap variabel endogen (Y). Karena ada
perbedaan yang mendasar dari analisis korelasi dan analisis regresi. Setiap ada
analisis regresi otmatis ada analisis korelasinya, tetapi sebaliknya analisis
korelasi belum tentu diujii regresi atau diteruskan dengan analisis regresi.
c) Model Persamaan Struktur
Model persamaan struktur yaitu apabila setiap variabel endogen (Y) secara unik
keadaannya ditentukan oleh seperangkat variabel eksogen (X). Gambar yang
memperlihatkan struktur hubungan kausal antar variabel disebut diagram jalur
(Path Analysis). Koefisien jalur menunjukkan pengaruh langsung variabel
eksogen k terhadap variabel endogen i. Sedangkan e I menunjukkan variabel
atau faktor residual yang fungsinya menjelaskan pengaruh variabel lain yang
telah teridentifikasi oleh teori. Sebuah diagram jalur, tanda panah berujung
ganda menunjukkan hubungan korelasional dan tanda panah satu arah
menunjukkan hubungan kausal atau pengaruh langsung dari variabel eksogen
(X) terhadap variabel endogen (Y).
 BAB III
PENUTUP

A. KESIMPULAN
Analisis regresi linear sederhana adalah analisis regresi yang hanya melibatkan
dua variabel, yaitu 1 (satu) variabel dependen atau variabel tergantung dan 1 (satu)
variabel independen atau bebas. Pada analisis regresi sederhana, hubungan antara
variabel bersifat linier, dimana perubahan pada variabel X akan diikuti oleh
perubahan pada variabel Y secara tetap. Selain itu, analisis regresi linear sederhana
bertujuan untuk forecast atau memprediksi nilai Y. Model regresi linear sederhana
yang baik harus memenuhi asumsi eksogenitas, linearitas, autokorelasi, dan varians
error.
Analisis regresi linear berganda atau multiple regression adalah analisis regresi
yang melibatkan lebih dari dua variabel, yaitu 1 (satu) variabel dependen atau
variabel terikat, dan lebih dari 1 (satu) variabel independen atau bebas. Model ini
disebut linear berganda, karena beberapa variabel independen ini akan berpengaruh
pada variabel dependen.
Analisis jalur adalah bagian dari model regresi yang dapat digunakan untuk
menganalisis hubungan sebab akibat antar satu variable dengan variable lainnya.
Analisis jalur bermanfaat untuk memberikan penjelasan (explanation) terhadap
fenomena yang dipelajari atau permasalahan yang diteliti, memprediksi nilai
variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan
analisis jalur ini bersifat kualitatif, dan menentukan faktor diterminan, yaitu
penentuan variabel bebas (X) mana yang berpengaruh dominan terhadap variabel
terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur)
pengaruh variabel bebas (X) terhadap variabel terikat (Y).
 DAFTAR PUSTAKA

Irianto, Agus 2010. Statistika Konsep Dasar, Aplikasi, dan Pengembangannya.

Jakarta: Prenada Media Group
Sudjana. 1996 Metode Statistika Bandung. Tarsito.
Tim Penyusun 2006. Statistika Dasar (Metode Statistika). Bengkulu Universitas
Bengkulu

Ghozali, I. (2016) Aplikasi Analisis MultivarieteDengan Program IBM SPSS 23.

Edisi 8. Semarang: Badan Penerbit Universitas Diponegoro.
(Maruyama, Riduwan & Engkos, 2012:1).
(Sudjana, 2003: 293). (Paul Webley 1997 dikutip oleh Sarwono, 2007).