You are on page 1of 28

Darmawan Soegandar

Berkenalan dengan
Analisis Jalur

2010
PENGANTAR

Buku sederhana ini di buat berawal dari kekesalan,
kekesalan saya sebagai bagian kecil dari dunia
pendidikan. Kekesalan yang kemudian berubah menjadi
kesedihan. Lambat laun kemudian saya sadar, tidak
setiap hal harus sama dengan apa yang kita harapkan.
Jauh sebelum kesedihan itu datang ada sms masuk ke hp
tanggal 9 mei 2009 jam 19:50. “Aku pernah meminta
kepada Allah, setangkai bunga indah dan segar, tapi
yang aku dapat sebuah pohon kaktus berduri... Aku
pernah meminta kepada Allah, seekor binatang mungil
nan elok, tapi yang kudapat seekor ulat bulu yang
menyeramkan... Aku kecewa, marah, protes, betapa tidak
adilnya hidup ini... Tapi seiring berjalannya waktu,
ternyata pohon kaktus itupun berbunga, bahkan
bunganya lebih indah dari yang pernah kuminta. & ulat
bulu itupun tumbuh... Bermetamorfosa menjadi seekor
kupu-kupu yang menawan, itulah janji Allah, semua kan
indah pada waktunya, Allah berikan apa yang kita
butuhkan, bukan apa yang kita inginkan... semoga kita
menjadi golongan orang-orang yang pandai bersyukur...”
sms dari istriku ini kembali menjadi pengetuk di kepala
setiap saya mulai menyimpang, seperti halnya hari-hari
belakangan ini.
Astagfirullah, ya sudah lah niat menyusun buku kecil ini
jadi berubah. Saya niatkan menyusun buku ini berangkat
dari keprihatinan, dan semoga saya tidak perlu prihatin
lagi. Semoga Tuhan memberkati harapan sederhana ini.
Amien.
Bandung, 9 Maret 2010
Darmawan Soegandar

1
DAFTAR ISI
HAL
Pengantar .............................................................................. 1
Daftar Isi ................................................................................ 2
Bab I Pengertian Analisis Jalur ....................................... 3
Bab II Diagram Jalur dan Persamaan Struktural .... 5
Bab III Koefisien Jalur ....................................................... 9
Bab IV Besarnya Pengaruh Variabel Eksogen
terhadap Variabel Endogen ......................................... 14
Bab V Pengujian Koefisien Jalur ................................ 15
Bab VI Contoh Masalah Pada Analis Jalur .............. 18
Daftar Pustaka .................................................................. 27

2
BAB I
PENGERTIAN ANALISIS JALUR

Telaah statistika menyatakan bahwa untuk
tujuan peramalan/ pendugaan nilai Y atas dasar nilai-
nilai X1, X2, …., Xi, pola hubungan yang sesuai adalah
pola hubungan yang mengikuti Model Regresi,
sedangkan untuk menganalisis pola hubungan kausal
antar variabel dengan tujuan untuk mengetahui
pengaruh langsung dan tidak langsung, secara
serempak atau mandiri beberapa variabel penyebab
terhadap sebuah variabel akibat, maka pola yang
tepat adalah Model Analisis Jalur
Analisis jalur (Path Analysis) dikembangkan
oleh Sewall Wright (1934). Path analysis digunakan
apabila secara teori kita yakin berhadapan dengan
masalah yang berhubungan sebab akibat. Tujuannya
adalah menerangkan akibat langsung dan tidak
langsung seperangkat variabel, sebagai variabel
penyebab, terhadap variabel lainnya yang merupakan
variabel akibat.
Sebelum melakukan analisis, hendaknya
diperhatikan beberapa asumsi sebagai berikut: (1)
Hubungan antar variabel haruslah linier dan aditif.
(2) Semua variabel residu tak punya korelasi satu
sama lain. (3) Pola hubungan antar variabel adalah
rekursif atau hubungan yang tidak melibatkan arah
pengaruh yang timbal balik. (4) Tingkat pengukuran
semua variabel sekurang-kurangnya adalah interval
(Harun Al Rasyid, 2005).

3
Beberapa istilah dan definisi dalam Path
Analysis: (1) Dalam Path Analysis, kita hanya
menggunakan sebuah lambang variabel, yaitu X.
Untuk membedakan X yang satu dengan X yang
lainya, kita menggunakan subscript (indeks). Contoh :
X1, X2, X3 …. Xk. (2) Kita membedakan dua jenis
variabel, yaitu variabel yang menjadi pengaruh
(exogenous variable), dan variabel yang dipengaruhi
(endogenous variable). (3) Lambang hubungan
langsung dari eksogen ke endogen adalah panah
bermata satu, yang bersifat recursive atau arah
hubungan yang tidak berbalik/satu arah. (4) Diagram
jalur merupakan diagram atau gambar yang
mensyaratkan hubugan terstruktur antar variabel
(Harun Al Rasyid, 2005).
Secara matematik analisis jalur mengikuti pola
Model Struktural yang ditentukan dengan
seperangkat persamaan :
Y1 = F1 (Xa, …, Xq ; A11, … , A1k)
Y2 = F2 (Xa, …, Xq ; A21, … , A2k)



Yp = Fp (Xa, …, Xq ; Ap1, … , Apk)
yang mengisyaratkan hubungan kausal dari X1, X2, ….,
Xq ke Y1, Y2, …., Yp. Apabila setiap variabel Y secara
unique keadaanya ditentukan (disebabkan) oleh
seperangkat variabel X, maka persamaan di atas
dinamakan persamaan struktural, dan modelnya
disebut model struktural.

4
BAB II
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 Diagram), dan
bentuknya ditentukan oleh proposisi teoritik yang
berasal dari kerangka pikir tertentu.
Gambar 1
Diagram Jalur Yang Menyatakan Hubungan
Kausal Dari X1 Sebagai Penyebab Ke X2 Sebagai
Akibat

X1 X2

ε

Keterangan:
X1 adalah variabel eksogenus (exogenous variable),
untuk itu selanjutnya variabel penyebab akan kita
sebut sebagai variabel eksogenus. X2 adalah variabel
endogenus (endogenous variable), sebagai akibat, dan
ε adalah variabel residu (residual variable), yang
merupakan gabungan dari: (1) Variabel lain, di luar
X1, yang mungkin mempengaruhi X2 dan telah

5
teridentifikasi oleh teori, tetapi tidak dimasukan
dalam model. (2) Variabel lain, di luar X1, yang
mungkin mempengaruhi X2 tetapi belum
teridentifikasi oleh teori. (3) Kekeliruan pengukuran
(error of measurement), dan (4) Komponen yang
sifatnya tidak menentu (random component).
Gambar 1 merupakan diagram jalur yang paling
sederhana. Gambar 1 menyatakan bahwa X2
dipengaruhi secara langsung oleh X1, tetapi di luar X1,
masih banyak penyebab lain yang dalam penelitian
yang sedang dilakukan tidak diukur. Penyebab
penyebab lain itu dinyatakan oleh ε. Persamaan
struktural yang dimilik oleh gambar 1 adalah
X2 = p x2 x1 X1 + ε.

Selanjutnya tanda anak panah satu arah
menggambarkan pengaruh langsung dari variabel
eksogenus terhadap variabel endogenus.
Gambar 2
Diagram jalur yang menyatakan hubungan kausal
dari X1, X2, X3 ke X4

X1

X2 X4

X3
ε

6
Gambar 2 menunjukkan bahwa diagram jalur
tersebut terdapat tiga buah variabel eksogenus, yaitu
X1, X2, dan X3, sebuah variabel endogenus (X4) serta
sebuah variabel residu ε. Pada diagram di atas juga
mengisyaratkan bahwa hubungan antara X1 dengan
X4, X2 dengan X4 dan X3 dengan X4 adalah hubungan
kausal, sedangkan hubungan antara X1 dengan X2, X2
dengan X3 dan X1 dengan X3 masing-masing adalah
hubungan korelasional. Perhatikan panah dua arah,
panah tersebut menyatakan hubungan korelasional.
Bentuk persamaan strukturalnya adalah :
X4 = p x4 x1 X1 + p x4 x2 X2 + p x4 x3 X3 + ε.

Gambar 3
Hubungan kausal dari X1, X2 ke X3 dan dari X3 ke
X4

X1
X3 X4

X2

ε1 ε2

Perhatikan bahwa pada gambar 3 di atas,
teradapat dua buah sub-struktur. Pertama, sub-
struktur yang menyatakan hubungan kausal dari X1
dan X2 ke X3, serta kedua, sub-struktur yang

7
mengisyaratkan hubungan kausal dari X3 ke X4.
Persamaan struktural untuk gambar 3 adalah:
X3 = p x3 x1 X1 + p x 3 x 2 X2 + ε1

dan
X4 = p x 4 x 3 X3 + ε2.

Pada sub-struktur pertama X1 dan X2
merupakan variabel eksogenus, X3 sebagai variabel
endogenus dan ε1 sebagai variabel residu. Pada sub-
struktur kedua, X3 merupakan variabel eksogenus, X4
sebagai variabel endogenus dan ε2 sebagai variabel
residu.
Berdasarkan contoh-contoh diagram jalur di
atas, maka kita dapat memberikan kesimpulan bahwa
makin kompleks sebuah hubungan struktural, makin
kompleks diagram jalurnya, dan makin banyak pula
sub-struktur yang membangun diagram jalur
tersebut.

8
BAB III
KOEFISIEN JALUR

Besarnya pengaruh langsung dari suatu variabel
eksogenus terhadap variabel endogenus tertentu,
dinyatakan oleh besarnya nilai numerik koefisien
jalur (path coefficient) dari eksogenus ke endogenus.
Gambar 4
Hubungan kausal dari X1, X2 ke X3
X1 p x3 x1
r x1x2 X3

X2 p x3 x 2
p x3ε

ε

Hubungan antara X1 dan X2 adalah hubungan
korelasional. Intensitas keeratan hubungan tersebut
dinyatakan oleh besarnya koefisien korelasi r x1x2 .
Hubungan X1 dan X2 ke X3 adalah hubungan kausal.
Besarnya pengaruh langsung dari X1 ke X3, dan dari
X2 ke X3, masing-masing dinyatakan oleh besarnya
nilai numerik koefisien jalur p x3 x1 dan p x3 x2 . Koefisien
jalur p x3ε menggambarkan besarnya pengaruh
langsung variabel residu (implicit exogenous variable)
terhadap X3.
Langkah kerja yang dilakukan untuk
menghitung koefisien jalur adalah:

9
1. Gambarkan dengan jelas diagram jalur yang
mencerminkan proposisi hipotetik yang diajukan,
lengkap dengan persamaan strukturalnya. Di sini
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. Menghitung matriks korelasi antar variabel.
X1 X2 … Xu
1 rx1 x2 ... rx1 xu 
R= 1 ... rx2 xu 

 1 ... 
 
 1 
Formula untuk menghitung koefisen korelasi
yang dicari adalah menggunakan Product Moment
Coefficient dari Karl Pearson. Alasan penggunaan
teknik koefisien korelasi dari Karl Pearson ini
adalah karena variabel-variabel yang hendak
dicari korelasinya memiliki skala pengukuran
interval. Formulanya :
N ∑ XY − (∑ X ).(∑ Y )
rxy =
[N ∑ X 2
][
− (∑ X ) 2 . N ∑ Y 2 − ( ∑ Y ) 2 ]
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

10
(selalu hanya sebuah) variabel endogenus Xu yang
dinyatakan oleh persamaan :
Xu = p x u x1 x1 + p xu x2 x2 + … + p xu xk xk + ε.

Kemudian hitung matriks korelasi antar variabel
eksogenus yang menyusun sub-struktur tersebut.
X1 X2 … Xk
1 rx1x2 ... rx1xk 
 1 ... rx2 xk 
R= 
 1 ... 
 
 1 

4. Menghitung matriks invers korelasi variabel
eksogenus, dengan rumus :
X1 X2 … Xk
C11 C12 ... C1k 
 C 22 ... C 2 k 
R1-1 = 
 ... ... 
 
 C kk 

5. Menghitung semua koefisien jalur p xu x i , dimana i
= 1,2, … k; melalui rumus :
 ρ xu x1  C11 C12 ... C1k   rxu x1 
ρ    
 xu x2  =  C 22 ... C 2 k  rxu x2 
 ...   ... ...   ... 
    
 ρ xu xk   C kk  rxu xk 

11
Catatan :
Contoh di atas merupakan model analisis jalur
kompleks, sehingga langkah-langkah perhitungan
untuk mencari koefisien jalurnya dapat mengikuti
pola di atas. Sementara besarnya koefisien jalur
untuk model analisis jalur sederhana, yang terdiri
dari satu variabel eksogen dan satu variabel endogen
(perhatikan Gambar 1), nilainya sama dengan
besarnya koefisien korelasi antara kedua variabel
tersebut (p xu x i = r xu x i ).

12
BAB IV
BESARNYA PENGARUH VARIABEL EKSOGEN TERHADAP
VARIABEL ENDOGEN

Pengaruh yang diterima oleh sebuah variabel
endogenus dari dua atau lebih variabel eksogenus,
dapat secara sendiri-sendiri maupun secara bersama-
sama. Pengaruh secara sendiri-sendiri (partial), bisa
berupa pengaruh langsung, bisa juga berupa
pengaruh tidak langsung, yaitu melalui variabel
eksogen yang lainnya.
Menghitung besarnya pengaruh langsung,
pengaruh tidak langsung serta pengaruh total
variabel eksogenus terhadap variabel endogenus
secara parsial, dapat dilakukan dengan rumus : 
Besarnya pengaruh langsung variabel eksogenus
terhadap variabel endogenus = p xu x i x p xu x i 
Besarnya pengaruh tidak langsung variabel
eksogenus terhadap variabel endogenus = p xu x i x
r x1x2 x p xu x i 
Besarnya pengaruh total variabel eksogenus
terhadap variabel endogenus adalah penjumlahan
besarnya pengaruh langsung dengan besarnya
pangaruh tidak langsung = [p xu x i x p xu x i ] + [p xu x i x
r x1x2 x p xu x i ]

Selanjutnya pengaruh bersama-sama (simultan)
variabel eksogenus terhadap variabel endogenus
dapat dihitung dengan menggunakan rumus:

13
 rxu x1 
(
R 2 xu ( x1 , x2 ,...xk ) = ρ xu x1 ρx x u 2
... ρ xu xk ) r 
 xu x2 
 ... 
 
rxu xk 
Dimana : 
R2 xu ( x1 , x 2 ... x k ) adalah koefisien determinasi total X1, X2,
… Xk terhadap Xu atau besarnya pengaruh variabel
eksogenus secara bersama-sama (gabungan)
terhadap variabel endogenus. 
(ρ x x ρ x x ... ρ x x ) adalah koefisien jalur
(r )
u 1 u 2 u k 

x u x1 rxu x 2 ... rxu x k adalah koefisien korelasi
variabel eksogenus X1, X2, … Xk dengan variabel
endogenus Xu.

14
BAB V
PENGUJIAN KOEFISIEN JALUR

Menguji kebermaknaan (test of significance)
setiap koefisien jalur yang telah dihitung, baik secara
sendiri-sendiri maupun secara bersama-sama, serta
menguji perbedaan besarnya pengaruh masing-
masing variabel eksogenus terhadap variabel
endogenus, dapat dilakukan dengan langkah kerja
berikut :
1. Nyatakan hipotesis statistik (hipotesis
operasional) yang akan diuji.
Ho : p xu x i = 0, artinya tidak terdapat pengaruh
variabel eksogenus (Xu) terhadap
variabel endogenus (Xi).
H1 : p xu x i ≠ 0, artinya terdapat pengaruh variabel
eksogenus (Xu) terhadap variabel
endogenus (Xi).
dimana u dan i = 1, 2, … , k
2. Gunakan statistik uji yang tepat, yaitu :
 Untuk menguji setiap koefisien jalur :
p xu xi
t=
(1 − R 2 xu ( x1 x2 ...xk ) )Cii
n − k −1
dimana:
i = 1,2, … k

15
k = Banyaknya variabel eksogenous dalam
substruktur yang sedang diuji
t = Mengikuti tabel distribusi t, dengan
derajat bebas = n – k – 1
Kriteria pengujian : Ditolak H0 jika nilai hitung
t lebih besar dari nilai tabel t. (t0 > ttabel (n-k-1)). 

Untuk menguji koefisien jalur secara
keseluruhan/bersama-sama :
(n − k − 1)( R 2 xu ( x1 , x2 ,... xk ) )
F=
k (1 − R 2 xu ( x1 , x2 ,... xk ) )
dimana :
i = 1,2, … k
k = Banyaknya variabel eksogenus dalam
substruktur yang sedang diuji
t = Mengikuti tabel distribusi F Snedecor,
dengan derajat bebas (degrees of
freedom) k dan n – k – 1
Kriteria pengujian : Ditolak H0 jika nilai hitung
F lebih besar dari nilai tabel F. (F0 > Ftabel (k, n-k-
1)). 

Untuk menguji perbedaan besarnya pengaruh
masing-masing variabel eksogenus terhadap
variabel endogenus.
p xu xi − p xu x j
t=
(1 − R 2 xu ( x1 x 2 ... x k ) )(Cii + C jj − 2Cij )
n − k −1

16
Kriteria pengujian :
Ditolak H0 jika nilai hitung t lebih besar dari
nilai tabel t. (t0 > ttabel (n-k-1)).

3. Ambil kesimpulan, apakah perlu trimming atau
tidak. Apabila terjadi trimming, maka perhitungan
harus diulang dengan menghilangkan jalur yang
menurut pengujian tidak bermakna (no
significant).

17
BAB VI
CONTOH ANALISIS JALUR

Menemukan koefisien jalur (besarnya pengaruh
variabel eksogenus (Xu) terhadap variabel endogenus
(Y)). Tentu akan menjadi kesulitan tersendiri bagi
mereka yang tidak memiliki pengetahuan
matematika/kalkulus yang cukup (lihat bab 3).
Dalam SPSS kita bisa menggunakan hasil pengolahan
data pada analysis regresi tabel coefficien.
Bagi anda yang terbiasa dengan penggunaan tabel ini
untuk keperluan membuat persamaan regresi linear
berganda, anda tidak akan terlalu kesulitan. Jadi pada
dasarnya kita bisa menggunakan pengolahan data
pada regresi linear berganda. Misalkan kita lihat tabel
berikut:

Tabel 1.
Dari tabel diatas kita bisa mengatakan bahwa
penelitian ini mengenai pengaruh Akuntabilitas (X1)
dan Transparansi (X2) sebagai variabel eksogenus
terhadap Pengelolaan (Y) sebagai variabel
endogenus.
Maka model analisis jalur yang digunakan adalah
model satu jalur berikut

18
Hubungan kausal dari X1, X2 ke Y
X1 p x3 x1
r x1x2 Y3

X2 p x3 x 2
p yε

ε

Dengan Akuntabilitas (X1), Transparansi (X2) dan
Pengelolaan (Y).

Tabel 2.
Tabel di atas mengatakan bahwa Akuntabilitas (X1)
dan Transparansi (X2) secara bersama-sama
mempengaruhi Pengelolaan (Y) sebesar 59% angka
ini bisa kita baca pada kolom R Square.

Tabel 3.

19
Jumlah responden pada penelitian ini sebanyak 64
orang. Rerata Pengelolaan sebesar 97,45, rerata
Akuntabilitas sebesar 88,52 dan rerata Transparansi
sebesar 84,33. Sedangkan besar standar deviasi
untuk Pengelolaan 9,749; Akuntabilitas 15,211; dan
Transparansi 11,689. Data standar deviasi ini penting
untuk memenuhi syarat kekuatan model dimana
Standard deviasi > Standard Error of The Estimate
(SEE) sedangkan besar SEE model adalah 6,343 (lihat
pada tabel 2).

Tabel 4.
Pada tabel 4 ini bisa kita jadikan alat bantu untuk
menguji signifikansi model. Kita bisa menggunakan 2
cara; 1). Cara pertama bandingkan F tabel dengan F
hitung. Ftabel harus < Fhitung. Untuk df/dk 2 dan 61
kita dapatkan 3,150. Sedangkan pada tabel 4 ini kita
menemukan nilai F hitung sebesar 43,924. Jadi
model, signifikan. 2). Cara berikutnya adalah dengan
melihat nilai sig. nilai sig pada tabel dikatakan
signifikan jika sig.<0,05. Kita lihat bahwa nilai sig. =
0,000 < 0,05 jadi signifikansi terbukti oleh kedua
cara.

20
Tabel 5.
Pada model analisis jalur kita memerlukan nilai
corelasi antara variabel eksogenus. Pada tabel ini kita
bisa melihat bahwa rx1x2 sebesar 0,751.

Tabel 6.
Pada tabel ini kita melihat bahwa pengaruh
Akuntabilitas secara parsial terhadap Pengelolaan
sebesar 65,3% dan pengaruh Transparansi secara
parsial terhadap Pengelolaan sebesar 14,5% (hati-
hati, yang kita baca adalah koefisien yang telah di
standarisasi, bukan yang belum di standarisasi
seperti halnya pada persamaan regresi berganda).
Nilai koefisien ini bisa kita terima karena nilai
signifikansinya terpenuhi nilai t tabel sebesar 1,999
sedangkan t hitung untuk Pengelolaan 8,594, untuk

21
Akuntabilitas 5,261 dan Transparansi 2,169. Jadi
Ftabel < Fhitung terpenuhi. Begitupun nilai sig yang
semuanya sig.<0,05. Sehingga bisa kita tuliskan
persamaan strukturnya sebagai berikut
Y = 0.653 X1 + 0.145 X2 + ε
Dengan ε sebesar 0.410 (angka ini didapat dari 100-
59%) artinya ada 41% variabel lain yang belum di
hitung oleh model ini. Sedangkan ε1 dan ε2 sebesar
0.000 karena tidak ada faktor/indikator lain yang
belum di perhitungkan (caranya gunakan analisis
faktor, lihat di lampiran).
Jadi model hasil penelitian bisa kita gambarkan
sebagai berikut:
Hubungan kausal dari X1, X2 ke Y
.653
X1
.751 Y
.145
X2 .41

ε
.
Sedangkan jika kita bermaksud tujuan penelitian kita
adalah peramalan/ pendugaan nilai Y atas dasar
nilai-nilai X1, X2 bukan untuk mencari pengaruh X1, X2
terhadap Y maka kita dengan tabel yang sama bisa
menuliskan persamaan regresi linear berganda
sebagai berikut;
Y = 50,185 +0,419 X1 +0,121 X2
Jadi jelaslah apa yang di maksudkan pada paragrap
pertama bab I, persamaan struktural berguna untuk

22
menjawab pertanyaan berapa besar pengaruh
Akuntabilitas (X1) dan Transparansi (X2) sebagai
variabel eksogenus terhadap Pengelolaan (Y) sebagai
variabel endogenus. Sedangkan persamaan regresi
linear berganda tidak cocok untuk menjawab
pertanyaan tersebut, karena persamaan regresi
linear berganda ditujukan untuk
meramal/menduga/memprediksi nilai Y jika nilai X
berubah. Ambil contoh untuk pertanyaan sederhana:
bagaimanakah perubahan pada Nilai Tukar Dolar (X1)
dan Kenaikan Tarif Dasar Listrik (X2) mempengaruhi
Tingkat Daya Beli Masyarakat (Y). Maka model
penelitian Hubungan Prediktif dari X1, X2 ke Y
rX1Y
X1
rX1X2 RYX1X2 Y
rX2Y
X2

Bisa kita gunakan persamaan regresi linear berganda
(kita ambil contoh persamaan tadi, kita anggap saja
ada data penelitian yang angka koefisiennya
menunjukkan persamaan:
Y = 50,185 +0,419 X1 +0,121 X2
Maka persamaan ini bisa kita manfaatkan sebagai alat
untuk memprediksi. Persamaan ini mengandung
makna jika tidak terjadi perubahan nilai dolar
terhadap rupiah (X1) dan tidak terjadi perubahan
Tarif Dasar Listrik (X2) maka daya beli masyarakat
sebesar Rp. 50,185. Sedangkan jika nilai dolar naik
sebesar $1 (misalnya pada penelitian ini 1 satuan = 1

23
dolar) sedangkan Tarif Dasar Listrik (X2) tidak
berubah maka besarnya Daya Beli Masyarakat (Y)
sebesar Y = 50,185 + 0,419 = 50,604 dan seterusnya.
Sekarang, bayangkan jika kita akan menggunakan
persamaan linear berganda untuk Akuntabilitas,
Transparansi dan Pengelolaan. Untuk pertanyaan:
apakah persamaan regresi linear berganda;
Y = 50,185 +0,419 X1 +0,121 X2
bisa memberi makna pada pernyataan ‘Jika
Akuntabilitas dan Transparansi bernilai 0 maka besar
Pengelolaan adalah sebesar 50,185’ bisa kita pahami?
Banyak dari kita memaksakan kalimatnya menjadi
“Jika Akuntabilitas dan Transparansi bernilai 0 maka
besar Pengelolaan adalah sebesar 50,185 satuan”
yang menjadi masalah adalah; apa makna “50,185
satuan” padahal tujuan persamaan regresi linear
berganda adalah untuk meramal/menduga pengaruh
variabel independen terhadap variabel dependen?
Kemudian bagai mana kita memaknai kalimat “jika
Akuntabilitas naik sebesar 1 satuan sedangkan
transparansi tidak berubah maka pengelolaan naik
menjadi Y = 50,185 + 0,419 = 50,604 satuan”.
Bagaimana kita memaknai “1 satuan akuntabilitas”?
Seberapa/sebagaimana sebenarnya 1 satuan
akuntabilitas itu?
Jadi jelaslah sudah pengambilan metode analisis
regresi harus sangat hati-hati sehingga tidak
menimbulkan ambigu/bias terhadap makna
penelitian kita! Kesimpulannya jika kita ingin
mengetahui pengaruh varinsi variabel X (X1, X2….Xi)
terhadap Y maka metode analisis yang tepat adalah
analisis Jalur. Sedangkan jika kita ingin mengetahui

24
apa yang terjadi/memprediksi nilai Y jika variabel X
diberikan perlakuan (dimanipulasi oleh peneliti)
maka analis regresi berganda lebih tepat untuk
menyelesaikannya. Yang penting harus diingat adalah
analisis jalur merupakan pengembangan dari analisis
regresi sehingga tabel-tabel analisis regresi berganda
juga bisa dipergunakan untuk melakukan analisi
jalur.

25
Daftar Pustaka

Alexander, Cedell A dkk. (1998). Near-Critical Path
Analysis: A Tool for Parallel Program Optimization.
The University of Southern Mississippi.
Eshima, Nobuki dkk. (2001). Path Analysis With
Logistic Regression Model: Effect Analysis Of Fully
Rescursive Causal System of Categorical Variabel. J.
Japan Statist. Soc. Vol 31 No.1 2001 1-14.
Israels, AZ. (1987). Path Analysis for Mixed
Qualitative and Quantitative Variabel. Martinus
Nijhoff Publishers, Dordrecht Netherlands.
Jackson, Jeffrey L. (2005). Introduction to Structural
Equation Modeling (Path Analysis). SGIM
Precourse.
Lleras, Christy. (2009). Path Analysis. Pennsylvania
State University, University Park, Pennsylvania,
USA.
Muthen, (2010). Chapter 3 Examples: Regression and
Path Analysis www.statmodel.com/download/
usersguide/Chapter3.pdf
Sarwono, Jonathan. (2007). Analisis Jalur untuk Riset
Bisnis. Penerbit Andi, Yogyakarta.
Sarwono, Jonathan. (2009). Statistik Itu Mudah.
Penerbit Andi, Yogyakarta.
Sitepu, Nriwana SK. (1994). Analisis Jalur. Jurusan
Statistik FMIPA UNPAD, Bandung.
Webb, Noreen (2010). Path Analysis. Education 230B,
Linear Statistical Model.
Xue, Qian-Li. (2007). Introduction to Path Analysis,
Statistics for Psychosocial Research II: Structural
Model. Johns Hopkins, School of Public Health.

26
Yiu-Fai Yung. (2008). Structural Equation Modeling
and Path Analysis Using PROC TCALIS in SAS® 9.2.
SAS Institute Inc., Cary NC

27