Path Analysis...

Analisis Jalur (Path Analysis)

Sejarah Analisis Jalur

Teknik analisis jalur, yang dikembangkan oleh Sewal Wright di tahun 1934, sebenarnya merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Lebih lanjut, analisis jalur memiliki kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proporsi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Asumsi dasar model ini ialah beberapa variabel sebenarnya memiliki hubungan yang sangat dekat satu dengan yang lainnya. Dalam perkembangannya saat ini, analisis jalur diperluas dan diperdalam ke dalam bentuk analisis ”Structural Equation Modeling” atau dikenal dengan singkatan SEM.


Pengertian Analisis Jalur

Terdapat beberapa definisi mengenai analisis jalur ini, di antaranya: Analisis jalur adalah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993). Sementara itu, definisi lain mengatakan ”Analisis jalur merupakan pengembangan langsung dari bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul Webley, 1997). David Garson dari North Carolina State University mendefinisikan 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 di mana anak panah tinggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon). Dan yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga perhitungan uji keselarasan statistik.” (David Garson, 2003). Dari definisi-definisi di atas, dapat disimpulkan bahwa sebenarnya analisis jalur merupakan kepanjangan dari analisis regresi berganda.



Prinsip-prinsip Dasar Analisis Jalur

Prinsip-prinsip dasar yang sebaiknya dipenuhi dalam analisis jalur di antaranya adalah:
1.Adanya linieritas (linearity). Hubungan antar variabel bersifat linier.

2.Adanya aditivitas (Additivity). Tidak ada efek-efek interaksi.

3.Data berskala interval. Semua variabel yang diobservasi memiliki data berskala
interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dulu dengan menggunakan MSI.

4.Semua variabel residual (yang tidak diukur) tidak berkorelasi dengan salah satu variabel dalam model.

5.Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan semua variabel endogenous dalam model. Jika dilanggar, maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasi parameter-parameter jalur.

6.Sebaiknya hanya terdapat multikolinieritas yang rendah. Maksud multikolinieritas adalah dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang tinggi maka kita akan mendapatkan standard error yang besar dari koefisien beta yang digunakan untuk menghilangkan varian biasa dalam melakukan analisis korelasi secara parsial.

7.Adanya Rekursivitas. Semua anak panah menunjuk satu arah, tidak boleh terjadi pemutara kembali (looping).

8.Spesifikasi model sangat diperlukan untuk menginterpretasi koefisien-koefisien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefisien jalur akan merefleksikan kovarian bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasikan secara tepat dalam kaitannya dengan akibat langsung dan tidak langsung.

9.Terdapat masukan korelasi yang sesuai. Artinya, jika digunakan matriks korelasi sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel berskala interval. Korelasi Polychoric untuk dua variabel berskala ordinal. Tetrachoric untuk dua variabel dikotomi (berskala nominal). Polyserial untuk satu variabel berskala interval dan lainnya nominal.

10.Terdapat ukuran sampel yang memadai. Untuk memperoleh hasil yang maksimal, sebaiknya digunakan sampel di atas 100.

11.Sampel sama dibutuhkan untuk penghitungan regresi dalam model jalur.



Konsep dan Istilah dalam Analisis Jalur

Dalam analisis jalur dikenal beberapa konsep dan istilah dasar. Di antaranya adalah sebagai berikut:

1.Model Jalur. Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara, dan tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-anak panah tunggal menunjukkan hubungan sebab akibat antara variabel-variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. Anak panah juga menghubungkan residu dengan semua variabel endogenous masing-masing. Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.

2.Jalur Penyebab untuk Suatu Variabel yang Diberikan. Meliputi, pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut. Dan, kedua, jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel yang lain yang memiliki anak panah-anak panah menuju ke variabel yang sudah ada tersebut.

3.Variabel Exogenous. Merupakan semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah berkepala dua yang menghubungkan variabel-variabel tersebut.

4.Variabel Endogenous. Variabel endogenous ialah variabel yang memiliki anak panah-anak panah menuju ke arah variabel tersebut. Variabel yang termasuk di dalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous memiliki anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu model diagram jalur. Adapun variabel tergantung hanya memiliki anak panah yang menuju ke arahnya.

5.Koefisien Jalur/Pembobotan Jalur. Koefisien jalur adalah koefisien regresi standar atau disebut ’beta’ yang menunjukkan pengaruh langsung dari suatu variabel bebas terhadap variabel tak bebas (variabel tergantung) dalam suatu model jalur tertentu.

6.Residu. Mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran.

7.Aturan Multiplikasi Jalur. Nilai dari suatu jalur gabungan adalah hasil semua koefisien jalurnya.

8.Dekomposisi Pengaruh. Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah-anak panah dalam suatu model tertentu. Ini didasarkan pada aturan bahwa dalam suatu sistem linear, pengaruh penyebab total suatu variabel ’i’ terhadap variabel ’j’ adalah jumlah semua nilai jalur dari ’i’ ke ’j’.

9.Signifikansi dan Model Keselarasan dalam Jalur. Untuk melakukan pengujian koefisien-koefisien jalur secara individual, kita dapat menggunakan t standard atau pengujian F dari angka-angka keluaran (output) regresi. Sementara itu, untuk melakukan pengujian model dengan semua jalurnya, kita dapat menggunakan uji keselarasan dari program.

10.Anak Panah dengan Satu Kepala dan Dua Kepala. Jika ingin menggambarkan penyebab maka kita menggunakan anak panah dengan satu kepala yang menunjukkan satu arah. Ada pun untuk menggambarkan korelasi, kita menggunakan anak panah yang melengkung dengan dua kepala yang menunjukkan dua arah. Ada kalanya hubungan sebab akibat menghasilkan angka negatif.