Darmawan Soegandar

Berkenalan dengan

Analisis Jalur

2010

1

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

2

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

3

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).

4

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.

5

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

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

X1

X2

ε

6

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 = p12xxX1 + 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

X4

ε

X2

X3

7

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 = p14xxX1 + p

24xxX2 + p

34xxX3 + ε.

Gambar 3

Hubungan kausal dari X1, X2 ke X3 dan dari X3 ke

X4

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

X1

X3

ε1

X2

X4

ε2

8

mengisyaratkan hubungan kausal dari X3 ke X4. Persamaan struktural untuk gambar 3 adalah:

X3 = p13 xxX1 + p

23xxX2 + ε1

dan

X4 = p34 xx

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.

9

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

Hubungan antara X1 dan X2 adalah hubungan

korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi r .

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

13xxdan p

23xx. Koefisien

jalur p ε3xmenggambarkan besarnya pengaruh

langsung variabel residu (implicit exogenous variable) terhadap X3.

Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah:

21xx

X1

X3

ε

X2

p13xx

p23xx

p ε3x

r 21xx

10

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.

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 :

[ ][ ]∑ ∑∑ ∑∑ ∑∑

−−

−=

2222 )(.)(

)).((

YYNXXN

YXXYNrxy

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

R =

… Xu X2 X1

1

...1

...1

...1

2

121

u

u

xx

xxxx

r

rr

11

(selalu hanya sebuah) variabel endogenus Xu yang dinyatakan oleh persamaan :

Xu = p1xxu

x1 + p2xxu

x2 + … + pku xx

xk + ε.

Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun sub-struktur tersebut.

4. Menghitung matriks invers korelasi variabel eksogenus, dengan rumus :

5. Menghitung semua koefisien jalur piu xx, dimana i

= 1,2, … k; melalui rumus :

=

ku

u

u

xx

xx

xx

ρ

ρρ

...2

1

kk

k

k

C

CC

CCC

......

...

...

222

11211

ku

u

u

xx

xx

xx

r

r

r

...2

1

R1-1 =

… Xk X2 X1

kk

k

k

C

CC

CCC

......

...

...

222

11211

R =

Xk X2 X1

1

...1

...1

...1

2

121

k

k

xx

xxxx

r

rr

…

12

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

iu xx= r

iu xx).

13

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

iu xx x p

iu xx

� Besarnya pengaruh tidak langsung variabel eksogenus terhadap variabel endogenus = p

iu xx x

r x piu xx

� Besarnya pengaruh total variabel eksogenus terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pangaruh tidak langsung = [p

iu xx x p

iu xx] + [p

iu xx x

r x piu xx]

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

21xx

21xx

14

( )kuuu

ku xxxxxxxxxxR ρρρ ...21

21 ),...,(2 =

ku

u

u

xx

xx

xx

r

r

r

...2

1

Dimana :

���� R2)...,( 21 ku xxxx adalah koefisien determinasi total X1, X2,

… Xk terhadap Xu atau besarnya pengaruh variabel eksogenus secara bersama-sama (gabungan) terhadap variabel endogenus.

���� ( )kuuu xxxxxx ρρρ ...

21 adalah koefisien jalur

���� ( )kuuu xxxxxx rrr ...

21 adalah koefisien korelasi

variabel eksogenus X1, X2, … Xk dengan variabel endogenus Xu.

15

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 : piu xx= 0, artinya tidak terdapat pengaruh

variabel eksogenus (Xu) terhadap variabel endogenus (Xi).

H1 : piu xx≠ 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 :

1

)1( )...(2

21

−−−

=

kn

CR

pt

iixxxx

xx

ku

iu

dimana:

i = 1,2, … k

16

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 :

)1(

))(1(

),...,(2

),...,(2

21

21

ku

ku

xxxx

xxxx

Rk

RknF

−

−−=

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.

1

)2)(1( )...(2

21

−−

−+−

−=

kn

CCCR

ppt

ijjjiixxxx

xxxx

ku

juiu

17

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).

18

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

19

Hubungan kausal dari X1, X2 ke Y

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.

X1

Y3

ε

X2

p13xx

p23xx

p εy

r 21xx

20

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.

21

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

22

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

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

X1

Y

ε .

X2

.653

.145 .41

.751

23

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

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

X1

Y

X2

rX1Y

rX2Y

rX1X2 RYX1X2

24

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

25

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.

26

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.

27

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