Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
1Activity
0 of .
Results for:
No results containing your search query
P. 1
Pengertian Analisis Jalur

Pengertian Analisis Jalur

Ratings: (0)|Views: 48 |Likes:
Published by ieroelz
panduan dalam analisis jalur
panduan dalam analisis jalur

More info:

Published by: ieroelz on Jun 18, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as TXT, PDF, TXT or read online from Scribd
See more
See less

06/18/2012

pdf

text

original

 
TEORIANALISISJALUR/PATHANALYSIS1.1SejarahAnalisisJalurBagaimanasejarahperkembangan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mempunyaikedekatandenganregresiberganda;atau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yangbahwaanalisisjalurmemungkinkanpenggunadapatmengujiproposisiteoritismengenaihubungansebabdanakibattanpamemanipulasivariabel-variabel.Memanipulasivariabelmaksudnyaialahmemberikanperlakuan(treatment)terhadapvariabel-variabeltertentudalampengukurannya.Asumsidasarmodeliniialahbeberapavariabelsebenarnyamempunyaihubunganyangsangatdekatsatudenganlainnya.Dalamperkembangannyasaatinianalisisjalurdiperluasdandiperdalamkedalambentukanalisis“StructuralEquationModeling”ataudikenaldengansingkatanSEM.1.2PengertianApasebenarnyaanalisisjaluritu?Terdapatbeberapadefinisimengenaianalisisjalurini,diantaranya:“Analisisjalurialahsuatuteknikuntukmenganalisishubungansebabakibatyangtejadipadaregresibergandajikavariabelbebasnyamempengaruhivariabeltergantungtidakhanyasecaralangsungtetapijugasecaratidaklangsung”.(RobertD.Retherford1993).Sedangkandefinisilainmengatakan:“Analisisjalurmerupakanpengembanganlangsungbentukregresibergandadengantujuanuntukmemberikanestimasitingkatkepentingan(magnitude)dansignifikansi(significance)hubungansebabakibathipotetikaldalamseperangakat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dimanaanakpanahtunggalmenunjukkansebagaipenyebab.Regresidikenakanpadamasing-masingvariabeldalamsuatumodelsebagaivariabeltergantung(pemberirespon)sedang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.(DavidGarson,2003).Daridefinisi-definisidiatasdapatdsimpulkanbahwasebenarnyaanalisisjalurmerupakankepanjangandarianalisisregresiberganda.1.3Prinsip-PrinsipDasarPrinsip-prinsipdasaryangsebaiknyadipenuhidalamanalisisjalurdiantaranyaialah:•Adanyalinearitas(Linearity).Hubunganantarvariabelbersifatlinear•Adanyaaditivitas(Additivity).Tidakadaefek-efekinteraksi•Databerskalainterval.Semuavariabelyangdiobservasimempunyaidataberskalainterval(scaledvalues).Jikadatabelumdalambentukskalainterval,sebaiknyadatadiubahdenganmenggunakanmetodesuksesiveinterval(MSI)terlebihdahulu.•Semuavariabelresidual(yangtidakdiukur)tidakberkorelasidengansalahsatuvariabel-variabeldalammodel.•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mengestimasikanparameter-parameterjalur.•Sebaiknyahanyaterdapatmultikoliniearitasyangrendah.Multikolinieritasmaksudnyaduaataulebihvariabelbebas(penyebab)mempunyaihubunganyangsangattinggi.Jikaterjadihubunganyangtinggimakakitaakanmendapatkanstandarerroryangbesardarikoefesienbeta(b)yangdigunakanuntukmenghilangkanvariansbiasadalammelakukananalisiskorelasisecaraparsial.•Adanyarecursivitas.Semuaanakpanahmempunyaisatuarah,tidakbolehterjadipemutarankembali(looping).•Spesifikasimodelbenardiperlukanuntukmenginterpretasikoefesien-koefesienjalur.Kesalahanspesifikasiterjadiketikavariabelpenyebabyangsign
 
ifikandikeluarkandarimodel.Semuakoefesienjalurakanmerefleksikankovariansbersamadengansemuavariabelyangtidakdiukurdantidakakandapatdiinterpretasisecaratepatdalmkaitannyadenganakibatlangsungdantidaklangsung.•Terdapatmasukankorelasiyangsesuai.Artinyajikakitamenggunakanmatrikskorelasisebagaimasukan,makakorelasiPearsondigunakanuntukduavariabelberskalainterval;korelasipolychoricuntukduavariabelberksalaordinal;tetrachoricuntukduavariabeldikotomi(berskalanominal);polyserialuntuksatuvariabelintervaldanlainnyaordinal;danbiserialuntuksatuvariabelberskalaintervaldanlainnyanominal.•Terdapatukuransampelyangmemadai.Jikadalamcontohinihanyadiberikan30sampel,makasebaiknyauntukrisetyangsebenarnyagunakansampleminimal100untukmemperolehhasilanalisisyangsignifikandanlebihakurat.•Sampelsamadibutuhkanuntukpengitunganregresidalammodeljalur.•Asumsianalisijalurmengikutiasumsiumumregresilinear,yaitu:a.Modelregresiharuslayak.KelayakaninidiketahuijikaangkasignifikansipadaANOVAsebesar<0.05b.Predictoryangdigunakansebagaivariablebebasharuslayak.KelayakaninidiketahuijikaangkaStandardErrorofEstimate<StandardDeviationc.Koefesienregresiharussignifikan.PengujiandilakukandenganUjiT.KoefesienregresisignifikanjikaThitung>Ttable(nilaikritis)d.Tidakbolehterjadimultikolinieritas,artinyatidakbolehterjadikorelasiyangsangattinggiatausangatrendahantarvariablebebas.e.Tidakterjadiotokorelasi.TerjadiotokorelasijikaangkaDubindanWatsonsebesar<1dan>31.4Konsep-KonsepdanIstilahDasarDalamanalisisjalurdikenalbeberapakonsepdanistilahdasar.Dengangambarmodeldibawahiniakanditerangkankonsep-konsepdanistilahdasar: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kesalahan(variabelresidue)dengansemuavariabelendogenousmasing-masing.Anakpanahgandamenunjukkankorelasiantarapasanganvariabel-variabelexogenous.Jalurpenyebabuntuksuatuvariabelyangdiberikanmeliputipertamajalur-jalurarahdarianak-anakpanahmenujukevariabeltersebutdankeduajalur-jalurkorelasidarisemuavariabelendogenousyangdikorelasikandenganvariabel-variabelyanglainyangmempunyaianakpanah-anakpanahmenujukevariabelyangsudahadatersebut.Variabelexogenous.Variabel–variabelexogenousdalamsuatumodeljalurialahsemuavariabelyangtidakadapenyebab-penyebabeskplisitnyaataudalamdiagramtidakadaanak-anakpanahyangmenujukearahnya,selainpadabagiankesalahanpengukuran.Jikaantaravariabelexogenousdikorelasikanmakakorelasitersebutditunjukkandengananakpanahdengankepaladuayangmenghubungkanvariabel-variabeltersebut.Variabelendogenous.Variabelendogenousialahvariabelyangmempunyaianak-anakpanahmenujukearahvariabeltersebut.Variabelyangtermasukdidalamnyaialahmencakupsemuavariabelperantaradantergantung.Variabelperantaraendogenousmempunyaianakpanahyangmenujukearahnyadandariarahvariabeltersebutdalamsutaumodeldiagramjalur.Sedangvariabeltergantunghanyamempunyaianakpanahyangmenujukearahnya.Koefesienjalur/pembobotanjalur.Koefesienjaluradalahkoefesienregresistandarataudisebut‘beta’yangmenunjukkanpengaruhlangsungdarisuatuvariabelbebasterhadapvariabeltergantungdalamsuatumodeljalurtertentu.Olehkarenaitu,jikasuatumodelmempunyaiduaataulebihvariabel-variabelpenyebab,makakoefesien-koefesienjalurnyamerupakankoefesien-koefesienregresiparsialyangmengukurbesarnyapengaruhsatuvariabelterhadapvariabellaindalamsuatumodeljalurtertentuyangmengontrolduavariabellainsebelumnyadenganmenggunakandatayangsudahdistandarkanataumatrikskorelasisebagaimasukan.Variabel-variabelexogenousyangdikorelasikan.Jikasemuavariabelexogenousdi
 
korelasikan,makasebagaipenandahubungannyaialahanakpanahdenganduakepalayangdihubungkandiantaravariabel-variabeldengankoefesienkorelasinya.Istilahgangguan.Istilahkesalahanresidualyangsecarateknisdisebutsebagai‘gangguan’atau“residue”mencerminkanadanyavarianyangtidakdapatditerangkanataupengaruhdarisemuavariabelyangtidakterukurditambahdengankesalahanpengukuran.Aturanmultiplikasijalur.Nilaidarisuatujalurgabunganadalahhasilsemuakoefesienjalurnya.Decomposisipengaruh.Koefesien-koefesienjalurdapatdigunakanuntukmenguraikorelasi-korelasidalamsuatumodelkedalam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,makapengaruhpenyebabtotalsuatuvariabel‘i’terhadapvariabel‘j’adalahjumlahsemuanilaijalurdari“i”ke“j”.SignifikansidanModelkeselarasandalamjalur.Untukmelakukanpengujiankoefesien–koefesienjalursecaraindividual,kitadapatmenggunakantstandarataupengujianFdariangka-angkakeluaranregresi.Sedanguntukmelakukanpengujianmodeldengansemuajalurnya,kitadapatmenggunakanujikeselarasandariprogram.Jikasuatumodelsudahbenar,diantaranyamencakupsemuavariabelyangsesuaidanmengeluarkansemuavariabelyangtidaksesuai;makajumlahnilai-nilajalurdariIkejakansamadengankoefesienregresiuntukjyangdiprediksididasarkanpadaI,yaituuntukdatayangsudahdistandarisasidimanakoefesienregresisederhanasamadengankefesienkorelasi;makajumlahsemuakoefesien(standar)akansamadengankoefesienkorelasi.Anakpanahdengansatukepaladanduakepala.Jikainginmenggambarkanpenyebab,makakitamenggunakananakpanahdengansatukepala.Sedanguntukmenggambarkankorelasi,kitamenggunakananakpanahyangmelengkungdenganduakepala.Adakalanyahubungansebabakibatmenghasilkanangkanegatif,untukmenggambarkanhasilyangnegatifdigunakangarisputus-putus.Polahubungan.Dalamanalisijalurtidakdigunakanistilahvariabelbebasataupuntergantung.Sebagaigantinyakitamenggunakanistilahvariabelexogenousdanendogenous.ModelRecursive.Modelpenyebabyangmempunyaisatuarah.Tidakadaarahmembalik(feedbackloop)dantidakadapengaruhsebabakibat(reciprocal).Dalammodelinisatuvariabeltidakdapatberfungsisebagaipenyebabdanakibatdalamwaktuyangbersamaan.ModelNon-recursive.Modelpenyebabdengandisertaiarahyangmembalik(feedbackloop)atauadanyapengaruhsebabakibat(reciprocal).DirectEffect.Pengaruhlangsungyangdapatdilihatdarikoefesienjalurdarisatuvariablekevariablelainnya.IndirectEffect.Urutanjalurmelaluisatuataulebihvariableperantara.1.5TipeModel-modelJalurAdabeberapamodeljalurmulaidariyangpalingsederhanasampaidenganyanglebihrumit,diantaranyaditerangkandibawahini:1.5.1TipeRegresiBergandaModelpertamainisebenarnyamerupakanpengembanganregresibergandadenganmenggunakanduavariabelexogenous,yaituX1danX2dengansatuvariabelendogenousY.Modeldigambarkansebagaiberikut:Contoh:Dalamkasuspengaruhhargadanpromositerhadappenjualan,makaX1adalahvariabelhargadanX2adalahvariabelpromosisedangkanYadalahvariabelpenjualan.Dalamterminologianalisisjalur,variabelhargadanpromosiadalahvariabelexogenousdanvariabelpenjualanadalahvariabelendogenous.1.5.2ModelMediasiModelkeduaadalahmodelmediasiatauperantaradimanavariabelYmemodifikasipengaruhvariabelXterhadapvariabelZ.Modeldigambarkansebagaiberikut:Contoh:Karenamenginginkansuatuproduklakukeras,sebuahperusahaanmenjualprodukde

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->