PEMODELAN SIMPAL KAUSAL

Disusun Oleh:

Musdalifah tahang tarro 2103B032

Muhammad Jabal Nur 2103B019

BISNIS DIGITAL

SEKOLAH ILMU EKONOMI STIE AMKOP MAKASSAR

2023
KATA PENGANTAR
Puji dan syukur senantiasa terucap atas kehadirat Allah SWT. Tuhan Yang Maha Esa
atas segala limpahan rahmat dan karunia-Nya sehingga makalah ini dengan judul
“PEMODELAN SIMPAL KAUSAL” dapat selesai tepat pada waktunya.

Adapun tujuan dari makalah ini adalah untuk mempelajari dan memperdalam ilmu
dalam Mata Kuliah System Thinking pada jurusan Bisnis Digital, STIE Amkop Makassar.

Pada kesempatan ini, penyusun hendak menyampaikan terima kasih yang mendalam
kepada semua pihak yang telah memberikan dukungan moril maupun materiil sehingga
makalah ini dapat selesai. Ucapan terima kasih ini penulis tujukan kepada:

1. Ibu Tri Desi Lestari,S.KOM.,MM selaku dosen mata kuliah System Thinking yang telah
mendidik dan memberikan bimbingan.

2. Kedua Orang Tua dan Keluarga yang telah memberikan do’a dan dukungan yang penuh
selama proses penyusunan makalah ini.

3. Teman-teman sejawat yang bersama-sama berjuang dan saling mendukung dan

mendo’akan.

Meskipun telah berusaha menyelesaikan makalah ini sebaik mungkin, penulis

menyadari bahwa makalah ini masih ada kekurangan. Oleh karena itu, penulis mengharapkan
kritik dan saran yang membangun dari para pembaca. Akhir kata, penulis berharap semoga
makalah ini berguna bagi para pembaca dan pihak-pihak lain yang berkepentingan.

Makassar, 15 JUNE 2023

Tim Penyusun
BAB I

PENDAHULUAN

1.1 Latar Belakang

Pemodelan simpul kausal berkaitan dengan upaya untuk memahami dan menganalisis
hubungan sebab-akibat antara variabel dalam suatu sistem kompleks. Pemodelan ini sangat
berguna dalam berbagai bidang, termasuk ilmu sosial, ilmu lingkungan, ekonomi, dan ilmu
kesehatan.

Salah satu tujuan utama dari pemodelan simpul kausal adalah untuk mengungkapkan
bagaimana perubahan dalam satu variabel dapat mempengaruhi variabel lainnya dalam suatu
jaringan kompleks. Dengan memahami hubungan kausal ini, kita dapat memprediksi bagaimana
sistem akan bereaksi terhadap perubahan di dalamnya dan mengidentifikasi faktor-faktor yang
paling penting atau kritis dalam sistem tersebut.

Pemodelan simpul kausal mencoba merepresentasikan hubungan sebab-akibat antara variabel

dalam bentuk grafik, di mana simpul atau node mewakili variabel, dan tepi atau edge
menggambarkan hubungan kausal antara variabel tersebut. Grafik ini memungkinkan kita untuk
secara visual melihat dan menganalisis hubungan antara variabel dan mengidentifikasi jalur
kausal yang mungkin terjadi.

Pemodelan simpul kausal juga memberikan kerangka kerja yang kuat untuk melakukan
analisis dampak dan kebijakan. Dengan memodelkan hubungan kausal antara variabel dalam
suatu sistem, kita dapat memprediksi efek dari berbagai kebijakan atau intervensi, serta
mengevaluasi konsekuensi jangka panjang dari keputusan yang diambil.

Keunggulan pemodelan simpul kausal termasuk kemampuannya untuk mengatasi

kompleksitas sistem dengan memfokuskan pada hubungan sebab-akibat yang penting,
mengidentifikasi efek jangka panjang, dan mempertimbangkan adanya umpan balik atau interaksi
antara variabel-variabel. Selain itu, pemodelan simpul kausal juga dapat membantu mengatasi
masalah asumsi sebab-akibat dalam analisis statistik tradisional.
 Dalam beberapa tahun terakhir, dengan kemajuan teknologi dan komputasi yang pesat,
pemodelan simpul kausal telah menjadi semakin populer dan dapat diterapkan dalam skala yang
lebih besar. Metode-metode seperti Structural Equation Modeling (SEM), Bayesian networks, dan
Causal Bayesian Networks (CBNs) telah digunakan untuk memodelkan simpul kausal dengan
akurasi yang tinggi dan membantu kita memahami sistem yang kompleks dengan lebih baik.
1.2 Rumusan Masalah
1. Bagaimana konsep dasar pemodelan simpal kausal?
2. Bagaimana langkah-langkah dalam pemodelan simpal kausal?
3. Bagaimana teknik analisis dalam pemodelan simpal kausal?

1.3 Tujuan
1. Mengetahui konsep dasar pemodelan simpal kausal
2. Mengetahui langkah-langkah dalam pemodelan simpal kausal
3. Mengetahui teknik analisi dalam pemodelan simpal kausal

BAB II
PEMBAHASAN
2.1 Konsep Dasar Pemodelan Simpal Kausal
A. Definisi simpal kausal
Simpul kausal adalah konsep dalam pemodelan yang mengacu pada unit dasar dalam
jaringan sebab-akibat. Simpul tersebut mewakili variabel atau entitas dalam suatu sistem yang
memiliki kemampuan untuk mempengaruhi atau dipengaruhi oleh variabel lainnya. Dalam
konteks pemodelan simpul kausal, simpul tersebut adalah titik fokus dari analisis kausal dan
menjadi titik masuk atau keluar dari hubungan sebab-akibat.

Definisi simpul kausal dapat bervariasi tergantung pada bidang atau konteks tertentu. Secara
umum, simpul kausal dapat dilihat sebagai suatu unit yang dapat dianalisis secara terpisah
dalam konteks hubungan kausal yang kompleks. Misalnya, dalam pemodelan ekonomi,
simpul kausal dapat mewakili variabel seperti tingkat pengangguran, inflasi, atau
pertumbuhan ekonomi. Dalam pemodelan kesehatan, simpul kausal dapat mewakili variabel
seperti faktor risiko, gejala penyakit, atau intervensi pengobatan.

Penting untuk dicatat bahwa simpul kausal tidak hanya terbatas pada variabel numerik atau
kuantitatif. Simpul kausal juga dapat mewakili variabel kategorikal atau kualitatif, seperti
variabel biner (ya/tidak) atau variabel dengan beberapa kategori. Dalam pemodelan simpul
kausal, yang penting adalah mengidentifikasi hubungan sebab-akibat antara simpul-simpul
ini, baik dalam bentuk hubungan linear maupun non-linear.
Dalam grafik simpul kausal, simpul-simpul ini direpresentasikan sebagai titik atau node
dalam grafik, dan hubungan sebab-akibat antara simpul-simpul tersebut direpresentasikan
oleh tepi atau edge. Simpul kausal memberikan struktur dasar untuk menganalisis sistem
kompleks, mengidentifikasi variabel yang paling penting atau kritis, dan memprediksi efek
dari perubahan pada simpul-simpul tersebut terhadap sistem secara keseluruhan.

Secara keseluruhan, simpul kausal adalah elemen fundamental dalam pemodelan simpul
kausal yang mewakili variabel atau entitas dalam suatu sistem yang memiliki hubungan
sebab-akibat dengan variabel lainnya dalam sistem tersebut.
B. Prinsip Kerja Simpal Kausal
Prinsip kerja simpal kausal didasarkan pada asumsi bahwa perubahan dalam satu
variabel dapat menyebabkan perubahan dalam variabel lainnya. Berikut adalah
beberapa prinsip kerja simpal kausal:

1 Sebab dan Akibat: Prinsip utama simpal kausal adalah bahwa terdapat hubungan
sebab-akibat antara dua variabel. Variabel yang menyebabkan perubahan disebut
sebagai variabel independen atau sebab, sementara variabel yang mengalami
perubahan disebut sebagai variabel dependen atau akibat.

2 Hubungan Tunggal atau Multipel: Simpal kausal dapat melibatkan hubungan yang
sederhana, di mana satu variabel memiliki pengaruh tunggal terhadap variabel
lainnya. Namun, hubungan simpal kausal juga dapat bersifat lebih kompleks, di mana
satu variabel dapat mempengaruhi beberapa variabel lainnya secara simultan.

3 Arah dan Waktu: Simpal kausal memiliki arah dan waktu. Variabel independen
mempengaruhi variabel dependen secara kronologis. Sebab terjadi sebelum akibat
dalam urutan waktu, dan perubahan dalam variabel independen harus terjadi sebelum
perubahan dalam variabel dependen.

4 Korelasi vs. Kausalitas: Penting untuk membedakan antara hubungan kausal dan
korelasi statistik. Korelasi hanya menunjukkan hubungan statistik antara dua variabel
tanpa menunjukkan arah sebab-akibat. Untuk menetapkan hubungan kausal, perlu ada
bukti yang meyakinkan dari desain penelitian yang baik, pengujian hipotesis, dan
eliminasi faktor pengganggu yang mungkin.
 5 Pengujian dan Validasi: Prinsip kerja simpal kausal melibatkan pengujian hipotesis
dan validasi untuk memastikan bahwa hubungan antara variabel independen dan
variabel dependen bersifat signifikan secara statistik. Metode-metode ilmiah dan
analisis data digunakan untuk menentukan apakah ada hubungan sebab-akibat yang
kuat antara variabel-variabel tersebut.

6 Konteks dan Variabel Pengganggu: Simpal kausal juga memperhitungkan konteks

dan variabel pengganggu yang dapat mempengaruhi hubungan antara variabel
independen dan variabel dependen. Penting untuk mengidentifikasi dan
mengendalikan faktor-faktor pengganggu ini dalam analisis untuk mendapatkan
pemahaman yang lebih akurat tentang hubungan simpal kausal yang sebenarnya.

Dalam keseluruhan, prinsip kerja simpal kausal melibatkan pemahaman tentang

hubungan sebab-akibat antara variabel-variabel dan pentingnya menggunakan
metode-metode ilmiah untuk menguji dan memvalidasi hubungan ini. Prinsip ini
membantu memahami bagaimana perubahan dalam satu variabel dapat
mempengaruhi variabel lainnya, memungkinkan penelitian yang lebih mendalam dan
pemahaman yang lebih baik tentang fenomena yang diamati.

C. Manfaat Pemodelan Simpal Kausal

Pemodelan simpal kausal memiliki berbagai manfaat penting, baik dalam konteks
ilmiah maupun praktis. Berikut adalah beberapa manfaat utama dari pemodelan
simpal kausal:

1 Pemahaman yang lebih baik: Pemodelan simpal kausal membantu kita memahami
hubungan sebab-akibat antara peristiwa atau fenomena. Dengan mengidentifikasi
faktor-faktor penyebab, kita dapat memperoleh wawasan yang lebih dalam tentang
bagaimana suatu sistem beroperasi dan bagaimana perubahan pada satu variabel
dapat mempengaruhi variabel lainnya. Hal ini membantu meningkatkan pemahaman
kita tentang dunia di sekitar kita.

2 Prediksi dan pengendalian: Dengan memodelkan simpal kausal, kita dapat

menggunakan pengetahuan tentang hubungan sebab-akibat untuk meramalkan atau
memprediksi hasil yang mungkin terjadi jika suatu peristiwa atau tindakan tertentu
terjadi. Hal ini memungkinkan kita untuk membuat keputusan yang lebih
informasional dan mengambil langkah-langkah yang tepat untuk mencapai hasil yang
diinginkan. Selain itu, pemodelan simpal kausal juga dapat membantu dalam
 merancang intervensi atau kebijakan yang efektif untuk mengendalikan atau
memanfaatkan simpal kausal tersebut.

3 Penelitian ilmiah: Simpal kausal adalah salah satu aspek fundamental dalam
penelitian ilmiah. Dalam berbagai disiplin ilmu, pemodelan simpal kausal
memungkinkan para peneliti untuk menguji hipotesis, menyelidiki dampak dari
perubahan pada variabel tertentu, dan mengidentifikasi faktor-faktor yang
mempengaruhi fenomena yang sedang dipelajari. Pemodelan simpal kausal juga
membantu dalam membangun teori-teori yang lebih solid dan menguji keabsahan dari
hubungan sebab-akibat yang diusulkan.

4 Pengambilan keputusan yang lebih baik: Dalam berbagai konteks, seperti bisnis,
kebijakan publik, atau pengembangan produk, pemodelan simpal kausal dapat
digunakan untuk mendukung pengambilan keputusan yang lebih baik. Dengan
memahami hubungan sebab-akibat, kita dapat mengevaluasi konsekuensi dari
berbagai tindakan atau kebijakan yang diusulkan, memperkirakan dampaknya, dan
membuat keputusan yang lebih terinformasi dan rasional.

5 Perbaikan proses dan efisiensi: Pemodelan simpal kausal dapat membantu

mengidentifikasi faktor-faktor penyebab yang mempengaruhi efisiensi suatu sistem
atau proses. Dengan memahami simpal kausal dalam konteks ini, kita dapat
mengidentifikasi aspek-aspek yang memerlukan perbaikan, mengurangi faktor-faktor
pembatas, dan meningkatkan efisiensi serta kinerja keseluruhan dari sistem atau
proses yang sedang dianalisis.

Secara keseluruhan, pemodelan simpal kausal memberikan kerangka kerja yang kuat
untuk memahami, menganalisis, dan mengendalikan hubungan sebab-akibat dalam
berbagai konteks. Dengan memanfaatkan simpal kausal

2.2 Langkah-langkah dalam pemodelan simpal kausal

A. Identifikasi Variabel Penyebab dan Akibat
Identifikasi variabel penyebab dan akibat adalah langkah penting dalam pemodelan
simpal kausal, karena itu membantu kita memahami hubungan sebab-akibat antara
dua atau lebih variabel.

Variabel independen (penyebab) adalah variabel yang diyakini memiliki pengaruh

atau mempengaruhi variabel dependen (akibat). Variabel dependen adalah variabel
 yang dipengaruhi oleh variabel independen. Identifikasi yang baik membantu kita
memahami bagaimana perubahan dalam variabel independen dapat mempengaruhi
variabel dependen.

Berikut adalah beberapa tips untuk mengidentifikasi variabel penyebab dan akibat:

1. Dengarkan kata kunci: Saat membaca atau mendengarkan tentang suatu topik,
perhatikan kata-kata yang menunjukkan hubungan sebab-akibat seperti
"mengakibatkan," "mempengaruhi," "berdampak pada," "menyebabkan," dan
sejenisnya. Ini dapat membantu mengidentifikasi variabel yang berperan sebagai
penyebab dan akibat.

2. Gunakan logika: Pikirkan tentang hubungan sebab-akibat yang masuk akal. Jika
ada asumsi atau teori yang dapat memprediksi bagaimana suatu variabel dapat
mempengaruhi variabel lainnya, itu mungkin menjadi variabel penyebab dan akibat.

3. Review penelitian sebelumnya: Baca penelitian sebelumnya yang telah dilakukan

tentang topik yang kamu minati. Biasanya, penelitian sebelumnya telah
mengidentifikasi variabel penyebab dan akibat secara lengkap.

4. Gunakan data dan statistik: Menganalisis data dan statistik yang relevan juga dapat
membantu mengidentifikasi variabel yang mempengaruhi variabel lainnya. Misalnya,
jika melihat korelasi positif atau negatif antara dua variabel, itu bisa mengindikasikan
adanya hubungan sebab-akibat.

Identifikasi variabel penyebab dan akibat dapat sedikit rumit tergantung pada topik
yang diteliti dan pendekatan yang digunakan. Namun, dengan penelitian yang baik
dan pemahaman konsep yang kuat, kamu dapat mengidentifikasi variabel dengan
tepat.
B. Pengumpulan Data
Pengumpulan data dalam konteks simpal kausal mengacu pada pengumpulan data
yang diperlukan untuk membangun dan menguji hipotesis sebab-akibat antara
variabel yang terlibat.

Berikut adalah beberapa langkah yang dapat dilakukan dalam pengumpulan data
simpal kausal:
 1. Identifikasi variabel: Pertama-tama, tentukan variabel yang ingin kamu teliti untuk
menjawab pertanyaan sebab-akibat. Identifikasi variabel independen (penyebab) dan
variabel dependen (akibat) yang saling terkait.

2. Merancang studi: Segera setelah identifikasi, perancangan studi diperlukan untuk

mengumpulkan data yang relevan. Pilihlah metode pengumpulan data yang sesuai
dengan variabel yang ingin dikaji, seperti survei, wawancara, atau observasi.

3. Pengumpulan data: Lakukan pengumpulan data sesuai dengan rencana yang telah
dirancang. Pastikan data yang dikumpulkan berkaitan langsung dengan variabel yang
ingin kamu teliti. Jangan lupa untuk mencatat informasi penting dan mengumpulkan
data dengan akurat.

4. Analisis data: Setelah pengumpulan data selesai, langkah selanjutnya adalah

menganalisis data yang dikumpulkan. Gunakan metode statistik, software analisis
data, atau teknik lainnya untuk menguji hubungan sebab-akibat antara variabel.

5. Evaluasi hasil: Terakhir, evaluasi hasil yang diperoleh dari analisis data. Apakah
hipotesis sebab-akibat terbukti atau tidak? Apakah ada hubungan yang signifikan
antara variabel yang diteliti? Evaluasi hasil ini akan membantu dalam penarikan
kesimpulan dan memberikan wawasan yang lebih dalam tentang simpul kausal yang
sedang diteliti.

Metode pengumpulan data yang paling tepat tergantung pada sifat variabel yang ingin
kamu teliti dan pertanyaan penelitian yang ingin kamu jawab.
C. Pengolahan Data
Berikut adalah beberapa langkah dalam pengolahan data simpal kausal:

1. Menyusun data: Pertama-tama, susun data yang telah dikumpulkan secara

sistematis. Pastikan data yang terkumpul sudah terorganisir dengan baik dengan
mengidentifikasi variabel independen dan variabel dependen.

2. Pemeriksaan dan pembersihan data: Proses ini melibatkan pemeriksaan terhadap

setiap data untuk memastikan kelengkapan, keakuratan, dan konsistensi. Jika ada data
yang tidak valid atau outlier, maka pertimbangkan untuk menghilangkannya atau
melakukan koreksi yang sesuai.
 3. Menggambarkan data: Gunakan grafik atau tabel untuk menggambarkan data yang
telah terkumpul. Ini akan membantu kamu untuk lebih memahami pola dan hubungan
antara variabel-variabel yang terlibat. Grafik seperti diagram sebab-akibat atau scatter
plot dapat memberikan gambaran visual yang jelas.

4. Analisis statistik: Gunakan metode statistik yang tepat untuk menganalisis data
simpul kausal. Misalnya, uji regresi linier atau analisis jalur dapat digunakan untuk
mengevaluasi hubungan sebab-akibat antara variabel yang terkait. Hal ini akan
membantu dalam menguji hipotesis yang telah dirumuskan sebelumnya.

5. Interpretasi hasil: Setelah menganalisis data, langkah terakhir adalah

menginterpretasikan hasil yang diperoleh. Apakah terdapat hubungan yang signifikan
antara variabel independen dan dependen? Apakah hipotesis sebab-akibat terbukti
atau tidak? Kemudian, tarik kesimpulan dari hasil tersebut dan diskusikan implikasi
yang dapat diberikan.
D. Penentuan Hubungan Kausal
Berikut adalah beberapa langkah untuk menentukan hubungan kausal dalam simpal
kausal:

1. Rumuskan hipotesis: Mulailah dengan merumuskan hipotesis tentang hubungan

sebab-akibat antara variabel independen dan dependen yang kamu amati. Misalnya,
"Variabel X memiliki pengaruh positif terhadap variabel Y".

2. Analisis statistik: Gunakan metode statistik yang sesuai untuk menganalisis data
dan menguji hubungan kausal yang dihipotesiskan. Misalnya, uji regresi linier dapat
digunakan untuk memeriksa pengaruh variabel independen terhadap variabel
dependen.

3. Evaluasi signifikansi: Selama analisis statistik, perhatikan tingkat signifikansi atau

nilai p-nya. Jika nilai p-nya lebih kecil dari tingkat signifikansi yang telah ditentukan
(biasanya 0,05), maka kita dapat menolak hipotesis nol dan menyimpulkan adanya
hubungan kausal yang signifikan antara variabel yang diamati.

4. Pertimbangkan faktor pengganggu: Penting untuk mempertimbangkan faktor

pengganggu atau variabel confounding yang dapat mempengaruhi hubungan kausal
yang diuji. Misalnya, ada faktor-faktor lain di luar variabel yang diamati yang juga
dapat berkontribusi terhadap perubahan pada variabel dependen.
 5. Analisis lebih lanjut: Jika ditemukan hubungan kausal yang signifikan, langkah
selanjutnya adalah melakukan analisis lebih lanjut untuk memahami lebih dalam
mekanisme dan efek yang terjadi antara variabel yang terlibat. Misalnya,
menggunakan analisis jalur atau metode lainnya untuk melihat seberapa besar
pengaruh antara variabel yang terlibat.

Dalam menentukan hubungan kausal, penting untuk selalu berhati-hati dan menyadari
bahwa korelasi tidak selalu berarti adanya hubungan sebab-akibat. Terkadang ada
faktor-faktor lain yang dapat menghasilkan korelasi yang tidak relevan secara kausal.
E. Verifikasi Model
Verifikasi model bertujuan untuk memastikan bahwa model yang telah dibangun
sesuai dengan data yang kamu amati dan memberikan hasil yang cukup akurat.

Berikut adalah beberapa langkah yang dapat kamu lakukan untuk memverifikasi
model simpal kausal:

1. Uji goodness-of-fit: Gunakan uji goodness-of-fit seperti Chi-square untuk

memeriksa sejauh mana model yang kamu buat cocok dengan data yang ada. Jika
nilai p-nya signifikan, itu menunjukkan bahwa model tersebut tidak
cocok dengan data. Semakin dekat nilai indeks dengan 1 dan semakin kecil nilai
RMSEA, semakin baik model tersebut cocok dengan data.

3. Validitas model: Selain memeriksa kecocokan model, penting juga untuk

memeriksa validitas model tersebut. Apakah hubungan kausal yang kamu dapatkan
konsisten dengan pengetahuan yang ada dalam literatur atau teori sebelumnya?
Apakah hasil yang diberikan oleh model terasa logis dan masuk akal secara intuitif?

4. Sensitivitas analisis: Lakukan analisis sensitivitas dengan melakukan variasi

terhadap parameter model. Apakah hasil yang dihasilkan tetap konsisten dan tidak
bergantung pada nilai parameter yang spesifik? Hal ini akan membuktikan bahwa
model yang kamu buat adalah stabil dan dapat diandalkan.

5. Pertimbangkan alternatif: Selalu pertimbangkan bahwa terdapat kemungkinan

adanya model alternatif yang memberikan penjelasan yang sama baiknya dengan
model yang kamu buat. Jika ada model lain yang mungkin memberikan hasil yang
 setara atau lebih baik, jangan ragu untuk mempertimbangkan dan
membandingkannya.
Teknik analisis dalam pemodelan simpal kasusal cocok dengan data, dan kamu perlu
memperbaiki atau merevisi model.

2.3 2. Uji kecocokan indeks: Selain uji goodness-of-fit, ada juga banyak indeks kecocokan
model lainnya yang dapat digunakan, seperti indeks CFI, TLI, dan RMSEA. Indeks-
indeks ini memberikan informasi tentang seberapa baik model
A. Analisis Regresi
Analisis regresi bisa dikatakan sebagai seperangkat metode penelitian statistik yang
keapkali dipergunakan untuk estimasi hubungan antara variabel dependen satu atau
lebih variabel independen.
Analisis regresi meliputi beberapa variasi, seperti:
a. Analisis regresi linier sederhana
Analisis ini merupakan analisis regresi yang hanya terdiri terdiri dari satu
variabel dependen dan satu variabel independen. Variabel Metode ini adalah
metode pertama yang dipelajari untuk memahami konsep dari regresi sendiri. Di
dalam regresi ini, variabel independen ini akan digunakan untuk menjelaskan
atau memprediksi hasil dari variabel dependen.
b. Analisis regresi linier berganda
Analisis regresi berganda hampir sama dengan analisis regresi linier sederhana,
dimana untuk memprediksi nilai dependen atau yang lebih dikenal dengan
variabel Y memerlukan variabel independen atau yang lebih dikenal dengan
variabel X. Hal yang membedakan antara regresi ini dengan regresi linier
sederhana adalah jumlah variabel yang digunakannya. Di regresi linear berganda,
kita bisa menggunakan mulai dari dua bahkan lebih variabel independen. Namun
bisa jadi tidak semua variabel mempengaruhi variabel Y. Untuk mendapatkan
model terbaik, kita hanya perlu memilih variabel yang berpengaruh ke variabel Y
saja.
c. Analisis regresi linier nonlinier
Analisis regresi ini cukup berbeda jika dibandingkan dengan dua analisis regresi
sebelumnya. Analisis regresi logistik terbilang cukup rumit, karena biasanya
digunakan untuk menentukan probabilitas dari suatu kejadian, seperti ya atau
tidak, hidup atau mati, dan lain sebagainya. Umumnya untuk menggunakan
regresi logistik, variabel dependen nya (variabel Y) akan bersifat kategorik.
Analisis Regresi Logistik kemudian terbagi menjadi analisis regresi logistik biner
dan analisis regresi logistik multinomial.
B. Analisis korelasi
Analisis korelasi adalah metode evaluasi statistik yang dipergunakan untuk
mempelajari kekuatan hubungan antara dua variabel kontinu yang diukur secara
numerik. Misalnya tinggi dan berat, Gaji dan Jarak rumah, dan sebagainya.
Menurut Jonathan Sarwono (2006) analisis korelasional adalah analisis yang
digunakan untuk melihat kuat lemahnya antara variabel bebas dengan tergantung.
Menurut (Sugiyono 2012, 228) Analisis korelasi merupakan teknik untuk mengukur
kekuatan hubungan antara variabel satu dengan lainnya dan juga untuk dapat
mengetahui bentuk hubungan antar variabel. Analisis korelasi adalah metode evaluasi
statistik yang dipergunakan untuk mempelajari kekuatan hubungan antara dua
variabel kontinu yang diukur secara numerik. Misalnya tinggi dan berat, Gaji dan
Jarak rumah, dan sebagainya.

Menurut Jonathan Sarwono (2006) analisis korelasional adalah analisis yang

digunakan untuk melihat kuat lemahnya antara variabel bebas dengan tergantung.

Menurut (Sugiyono 2012, 228) Analisis korelasi merupakan teknik untuk mengukur
kekuatan hubungan antara variabel satu dengan lainnya dan juga untuk dapat
mengetahui bentuk hubungan antar variabel.
Jenis-jenis analisis korelasi
1. Korelasi person
Korelasi Pearson adalah statistik korelasi yang paling banyak digunakan untuk
mengukur tingkat hubungan antara variabel yang berhubungan secara linier
dengan skala minimal interval.
2. Korelasi peringkat kendali
Korelasi peringkat Kendall adalah uji non-parametrik yang mengukur kekuatan
ketergantungan antara dua variabel. Jika kita mempertimbangkan dua sampel, a
dan b, di mana setiap ukuran sampel adalah n, kita tahu bahwa jumlah pasangan
dengan a b adalah n (n-1) / 2.
3. Korelasi spearman
Korelasi spearman adalah tes non-parametrik yang digunakan untuk mengukur
tingkat hubungan antara dua variabel. Uji korelasi peringkat Spearman tidak
membawa asumsi apa pun tentang distribusi data dan merupakan analisis korelasi
yang sesuai ketika variabel diukur pada skala yang setidaknya ordinal.

C. Analisis jalur
 David Garson dari North Carolina State University mendefinisikan path analysis (Analisis jalur)
sebagai Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan
dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan
dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai
penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel
tergantung (pemberi respon) sedangkan yang lain sebagai penyebab. Pembobotan regresi
diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk
semua variabel dan dilakukan juga penghitungan uji keselarasan statistik. Tujuan menggunakan path
analysis diantaranya ialah untuk melihat hubungan antar variabel dengan didasarkan pada model
apriori, mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain yang
dipengaruhinya, menghitung besarnya pengaruh satu variabel independen exogenous atau lebih
terhadap variabel dependen endogenous lainnya.

Persyaratan mutlak yang harus dipenuhi saat kita akan menggunakan path analysis diantaranya:

 Data metrik berskala interval

 Terdapat variabel independen exogenous dan dependen endogenous untuk model regresi
berganda dan variabel perantara untuk model mediasi dan model gabungan mediasi dan
regresi berganda serta model kompleks.
 Ukuran sampel yang memadai, sebaiknya di atas 100 dan idealnya 400 - 1000
 Pola hubungan antar variabel: pola hubungan antar variabel hanya satu arah tidak boleh ada
hubungan timbal balik (reciprocal)
 Hubungan sebab akibat didasarkan pada teori yang sudah ada dengan asumsi sebelumnya
menyatakan bahwa memang terdapat hubungan sebab akibat dalam variabel-variabel yang
sedang kita teliti.

D. Analisis mediasi

Hipotesis mediasi adalah jenis uji statistik yang mengasumsikan bahwa hubungan
antara variabel independen dan dependen dimediasi oleh (atau dijelaskan oleh) variabel
ketiga. Inilah yang dikenal sebagai variabel mediasi. Tujuan dari variabel mediasi adalah
untuk memediasi hubungan secara sempurna sehingga ketika variabel tersebut
ditambahkan ke dalam sebuah model, variabel independen tidak mempengaruhi variabel
dependen.

Peneliti Baron dan Kenny menjabarkan empat langkah yang harus diikuti ketika
menjalankan hipotesis mediasi. Langkah pertama adalah menentukan bahwa variabel
 awal berkorelasi dengan variabel hasil. Hal ini penting karena hal ini menetapkan bahwa
ada efek dari variabel ketiga yang memediasi. Demikian pula, langkah kedua dan ketiga
terkait untuk menentukan bahwa ada korelasi antara variabel awal dan variabel mediator
dan antara variabel hasil dan variabel mediator. Terakhir, langkah terakhir adalah
menetapkan mediasi lengkap di seluruh variabel. Artinya, pengaruh variabel awal
terhadap variabel hasil akan menjadi nol ketika variabel mediasi ditambahkan.

Jika data memenuhi keempat langkah ini, maka menurut para peneliti, data tersebut dapat
diandalkan untuk menguji hipotesis mediasi. Namun, penting untuk dicatat bahwa
terpenuhinya langkah-langkah ini tidak berarti bahwa mediasi telah terjadi, hanya saja
mediasi merupakan salah satu model yang masuk akal yang sesuai dengan data.

E. Analisis moderasi

Tujuan dari Metode Analisis Moderasi ini adalah untuk mengukur kekuatan hubungan,
antar variabel independen dan dependen. Metode ini juga banyak digunakan dalam
berbagai sektor kehidupan.

Karena itulah variabel ini disebut juga sebagai variabel contingency, di mana bila terdapat
variabel moderating maka akan berpengaruh dari variabel independen terhadap variabel
dependen. Begitu juga sebaliknya, bila tidak terdapat variabel moderating, maka
pengaruh variabel independen terhadap variabel dependen tidak terjadi.

Berikut ini adalah contoh variabel moderating yang perlu diketahui.

 Adanya hubungan motivasi dan prestasi belajar yang meningkat. Dalam hal ini peran guru
akan sangat berpengaruh terutama dalam menciptakan lingkungan belajar yang nyaman,
hingga meningkatkan keinginan siswanya untuk belajar.
 Diketahui adanya penelitian yang menjelaskan mengenai banyaknya jumlah buku yang dibaca
oleh seorang anak ternyata mampu meningkatkan kemampuan membacanya. Pada penelitian
ini, variabel independennya adalah jumlah buku dan variabel dependennya adalah
kemampuan membaca. Meski begitu, kecakapan baca tulis orang tuanya pun bisa
memberikan pengaruh antara jumlah buku yang dibaca dan kemampuan membaca anaknya.
 Contoh lainnya adalah jika umur dijadikan sebagai variabel moderator antara gaji (variabel
independen) dan biaya pemeriksaan kesehatan (variabel dependen), maka hubungan antara
gaji dengan biaya pemeriksaan kesehatan akan lebih besar untuk mereka yang umurnya lebih
tua. Sementara untuk yang lebih muda, pastinya nilainya akan lebih rendah.

BAB III
 PENUTUP

3.1. Kesimpulan

DAFTAR PUSTAKA

Mengenal Path Analysis, Salah Satu Penerapan Statistik Param... (dqlab.id)

Mediation Analysis (statisticssolutions.com)

Metode Analisis Moderasi dan Penjelasannya - Jasa Olah Data Statistika Nusagama
(gamastatistika.com)