P. 1
Berkenalan Dengan Analisis Jalur Disertai Contoh Sederhana Dalam Penelitian Administrasi Bisnis

Berkenalan Dengan Analisis Jalur Disertai Contoh Sederhana Dalam Penelitian Administrasi Bisnis

|Views: 4,780|Likes:
Published by Darmawan Soegandar
analisis regresi linier berganda dan analisis jalur dalam penelitian administrasi bisnis
analisis regresi linier berganda dan analisis jalur dalam penelitian administrasi bisnis

More info:

Published by: Darmawan Soegandar on Oct 14, 2010
Copyright:Attribution Non-commercial

Availability:

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

08/05/2013

pdf

text

original

BERKENALAN DENGAN ANALISIS JALUR

DISERTAI CONTOH SEDERHANA DALAM PENELITIAN ADMINISTRASI BISNIS

The Election of research technique and model are very importance in determining result of a research. Inaccurate election of this matter can result mistake in determining conclusion of research, hereinafter will cause mistake of intake of policy to consumer result of research. This article invite to discuses about comprehending usage of Regression Model and Path Analysis in research of public administration and business administration. Statistical Analyze express that for the purpose of forecasting/ anticipation assess Y on the basis of values of X1, X2 …., Xi, appropriate relation pattern is relation pattern following Regression Model. While to analyze relation pattern of causal between variable as a mean to know indirect and direct influence, simultaneously or self-supporting some cause variable to a variable effect of, hence correct pattern is Path Analysis. Keyword: Regression Model, Path Analysis, Research of business Administration. Oleh Darmawan Pendahuluan Dalam melakukan penelitian terutama dengan tujuan untuk melakukan penelitian skripsi/thesis, seringkali para mahasiswa kebingungan dalam menentukan teknik statistik apa yang tepat. Beberapa diantaranya bahkan kemudian keliru dalam menentukan teknik dan metode statistik yang tepat. Dalam banyak hal, kejadian ini diakibatkan kurangnya pemahaman pembelajar terhadap ilmu statistik. Hal ini akan berakibat pada ketidaktepatan pengambilan kesimpulan pada skripsi/thesis-nya. Kekuranglengkapan pengetahuan tentang statistik tentu bukan alasan para pembelajar ini untuk kemudian menghindari penelitian kuantitatif. Jenis penelitian yang dipilih, baik itu kualitatif ataupun kuantitatif dipilih karena penelitian pembelajar yang bersangkutan memang memerlukan penelitian jenis tersebut untuk mencapai tujuan penelitiannya. Jenis penelitian ini bukanlah berdasarkan jenis keilmuan yang diambil pembelajar semata, tetapi betul-betul dikarenakan memang penelitian kuantitatif dan atau penelitian kualitatiflah yang cocok. Akan sangat berbahaya jika jenis penelitian hanya sekedar ditentukan oleh kekurangpahaman dan jenis keilmuan semata. Dari sekian banyak teknik dalam penelitian kuantitatif, model regresi paling banyak dipergunakan. Model regresi sendiri telah lama berkembang menjadi banyak varian sesuai dengan kebutuhan dan diskusi para ahli statistik, matematik dan praktisi penelitian. Model ini berkembang tentu dalam kurun waktu yang lama. Tetapi sayangnya tidak semua varian model ini sampai keluar dari kelas-kelas jurusan statistik dan matematika. Hal ini kemudian berakibat keterlambatan kelas-kelas non statistik dan matematika memanfaatkan modelmodel baru (yang padahal sudah lama berkembang) pada model regresi. Untuk itulah kemudian penulis menganggap penting untuk mengangkat masalah ini pada penelitian Administrasi Bisnis, disebabkan (menurut penulis) kurangnya diskusi tentang hal ini diangkat dalam pembelajaran metodologi penelitian administrasi publik/bisnis di Lembaga Administrasi Negara – Sekolah Tinggi Ilmu Administrasi LAN Jakarta. 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, maksudnya jika kita ingin mengetahui apa yang akan terjadi pada
1

Y jika nilai-nilai X1, X2, …., Xi diberikan campurtangan atau diperlakuan oleh peneliti. Sehingga model ini bermanfaat untuk memperkirakan apa yang akan terjadi pada variabel Y dalam berbagai kondisi yang mempengaruhinya. 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. Dengan kata lain Analisis jalur bertujuan untuk menjawab apakah ada pengaruh X1, X2, …., Xi terhadap Y? Berapa persentasenya? Sehingga analisis ini sangat cocok untuk penelitian dengan X1, X2, …., Xi dan Y yang berasal dari data kualititif yang di kuantifisir. Contohnya data akuntabilitas, transparansi, efektifitas, efesiensi d.s.t. yang didapat melalui sekala sikap. Sedangkan Model Regresi yang biasa kita kenal bertujuan untuk menjawab apakah ada pengaruh X1, X2, …., Xi terhadap Y? Berapa besar pengaruh X1, X2, …., Xi terhadap Y jika X1, X2, …., Xi diberikan perlakuan oleh peneliti? Sehingga model ini sangat tepat untuk penelitian dengan X1, X2, …., Xi dan Y yang berasal dari data kuantitatif murni. Contohnya harga barang, jumlah barang, besar gaji, banyaknya waktu d.s.t. 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 (X1, X2, …., Xi), terhadap variabel lainnya (Y1, Y2, …., Yi) 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). 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). Pendapat ini kemudian berkembang sesuai kebutuhan, karena hakikat simbol dalam matematika adalah kesepakatan belaka. Jadi selama simbol yang bersangkutan dijelaskan/ disepakati terlebih dahulu pemakaian simbol bukan hal yang urgen. Sehingga digunakan simbol Y seperti halnya model regresi lainnya. Secara matematis 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)

2

yang mengisyaratkan hubungan kausal dari X1, X2, …., Xq ke Y1, Y2, …., Yp. Apabila setiap variabel Y secara unique (tunggal/ hanya satu-satunya) keadaanya ditentukan (disebabkan) oleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural. Tinjauan Teoritis 1. 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. Hal ini mengikuti kesepakatan sebelumnya, bahwa setiap tindakan dan teknik yang diambil haruslah didefinisikan terlebih dahulu. Agar jelas terlihat kesepakatan yang diambil dalam langkah metode penelitian berikutnya. 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 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). Ke empat hal ini lah yang kemudian nanti akan dicantumkan oleh peneliti pada saran dan kesimpulan, Sebagai saran pengembangan penelitian lebih lanjut dalam penelitian berikutnya baik oleh dia sendiri atau peneliti lain. 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. (ingat simnol X2 bisa saja kita ganti dengan Y berikut dan seterusnya) Persamaan struktural yang dimilik oleh gambar 1 adalah X2 = p x2 x1 X1 + ε.

3

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

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 X2 X4

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, substruktur yang 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.

4

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. Pada persamaan X4 inilah yang biasa kita kenal sebagai pengaruh X1 dan X2 secara bersama-sama terhadap X4. Sedangkan jika kita ingin mengetahui pengaruh X1 dan X2 secara sendiri-sendiri terhadap X4 maka dilakukan perhitungan seperti pada X3. 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. Jika kita melakukan penelitian yang sangat lengkap dengan kehati-hatian dalam teknik menentukan variabel-variabel yang dijelaskan dalam landasan teori sehingga membentuk variabel penelitian yang cukup kokoh (hal ini dibuktikan dengan terpenuhinya syarat korelasional antar variabel eksogenus), maka kita akan menemukan kesimpulan yang mumpuni pada akhir penelitian. Perhatikan contoh model berikut;

Dari model yang sangat lengkap diatas tersebut kita bisa mengungkapkan lebih banyak hal yang mempengaruhi η2. Perhatikan pula penggunaan simbol yang dalam beberapa hal berbeda dengan pembahasan sebelumnya. Hal ini memperlihatkan kepada kita bahwa secara matematis simbol hanya sekedar penyederhanaan data semata, bukan hal yang urgen, selama kita menjelaskan makna dan definisi yang kita sepakati. 2. 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.

5

Gambar 4 Hubungan kausal dari X1, X2 ke X3
X1 r x1x2 X2 p x3 x2 p x3x1 X3 p x3ε

ε

Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi r x1x2 . Ingat hubungan tersebut tidak boleh terlalu tinggi, sebab akan mengakibatkan kedekatan tersebut menimbulkan asumsi bahwa variabel yang dibicarakan adalah itu-itu juga. 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 x3x1 dan p x3 x2 . Koefisien jalur p x3ε menggambarkan besarnya pengaruh langsung variabel residu (implicit exogenous variable) terhadap X3. Nilai numerik koefisien jalur berupa persentase sehingga bisa disimpulkan berapa besarnya variabel residu, caranya dengan menghitung 100% - (p x3x1 + p x3 x2 ) = p x3ε sehingga kita bisa mengetahui berapa persentase variabel yang belum tercakup dalam model hubungan kausal X1, X2 terhadap X3. Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah: 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 x 2 R= 1    

... rx1 xu  ... rx 2 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 :
6

rxy =

[N ∑ X

N ∑ XY − ( ∑ X ).( ∑ Y )
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 (selalu hanya sebuah) variabel endogenus Xu yang dinyatakan oleh persamaan : Xu = p x u x1 x1 + p xu x 2 x2 + … + p xu x k 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  R1-1 =    

C12 C 22

... C1k  ... C 2 k   ... ...   C kk 

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

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) tidak perlu mengikuti seluh

7

prosedur, tetapi cukup didapat nilainya sama dengan besarnya koefisien korelasi antara kedua variabel tersebut (p xu xi = r xu xi ). 3. 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 xi x r x1x2 x p xu xi Besarnya pengaruh total variabel eksogenus terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pangaruh tidak langsung = [p xu xi x p xu xi ] + [p xu xi x r x1x2 x p xu xi ] Selanjutnya pengaruh bersama-sama (simultan) variabel eksogenus terhadap variabel endogenus dapat dihitung dengan menggunakan rumus:

R

2

xu ( x1 , x2 ,...xk )

= ρ xu x1

(

ρx x

u 2

... ρ xu xk

)

 rxu x1  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.

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

(r

x u x1

ρx

u x2

...

ρx

u

xk

)

) adalah koefisien jalur

4. 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 :
8

1. Nyatakan hipotesis statistik (hipotesis operasional) yang akan diuji. Ho : p xu xi = 0, artinya tidak terdapat pengaruh variabel eksogenus (Xu) terhadap variabel endogenus (Xi). H1 : p xu xi ≠ 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 :

t=

pxu xi (1 − R xu ( x1 x2 ... xk ) )Cii n − k −1
2

dimana: i = 1,2, … k 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 :

F=

(n − k − 1)(R 2 xu ( x1 , x2 ,... xk ) ) 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.

t=

p xu x i − p x u x j (1 − R 2 xu ( x1 x2 ...xk ) )(Cii + C jj − 2Cij ) n − k −1

9

Kriteria pengujian : Ditolak H0 jika nilai hitung t lebih besar dari nilai tabel t. (t0 > ttabel (n-k-1)). Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming, maka perhitungan harus diulang dengan menghilangkan jalur yang menurut pengujian tidak bermakna (no significant). Yang harus di ingat oleh pembelajar adalah, jika pengujian tidak bermakna itu bukan berarti pasti penelitian gagal (selama ini ditanamkan seperti itu oleh beberapa pengajar metodologi penelitian), tetapi jika seluruh variabel telah dipastikan memetakan seluruh indikator dengan baik (hal ini bisa diuji dengan analisis vaktor) maka peneliti berkesimpulan bahwa jalur tersebut tidak memiliki pengaruh. Dan hal itulah yang kemudian menjadi hasil penelitiannya. Ambil contoh jika kita akan menguji anggapan umum bahwa kina mengobati malaria, jika kemudian dalam penelitian kita ditemukan bahwa kina tidak berpengaruh pada pengobatan malaria, apakah berarti penelitian kita gagal? Tentu saja tidak, yang benar adalah; penelitian kita berhasil membuktikan bahwa kina tidak mempengaruhi pengobatan malaria! Pembahasan 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 Tinjauan Pustaka bag 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. Saya lebih menyarankan para pembelajar skripsi/tesis untuk mencantumkan tabel dalam bab pembahasan bukan dalam lampiran saja, agar para pembaca skripsi/thesis bisa membaca secara langsung dari mana asal angka-angka yang menjadi rujukan peneliti dalam mengambil kesimpulan. 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;

10

Hubungan kausal dari X1, X2 ke Y
X1 r x1x2 X2 p x3 x2 p yε p x3x1 Y3

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. 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).

11

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.

Tabel 5. Pada model analisis jalur kita memerlukan nilai corelasi antara variabel eksogenus. Pada tabel ini kita bisa melihat bahwa rx1x2 sebesar 0,751. Sehinga memberikan kita syarat cukup untuk menerima X1 dan X2 sebagai variabel yang bisa diterima dalam mempengaruhi Y. Karena nilai rx1x2 dibawah ambang 0,90 karenanya kita berkesimpulan tidak terjadi multikolinieritas.

12

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 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 penjelasan sebelumnya). Jadi model hasil penelitian bisa kita gambarkan sebagai berikut: Hubungan kausal dari X1, X2 ke Y
.653 .751

X1 Y
.145 .41

X2

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

13

Jadi jelaslah apa yang di maksudkan pada paragrap ketiga pendahuluan, persamaan struktural berguna untuk 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 rX1X2

X1
RYX1X2
rX2Y

Y

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 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? Jika seorang mahasiswa sedang mengikuti sidang skripsi atau thesisnya apa yang harus dia jawab? Sementara hal itu merupakan bagian yang paling urgen dari hasil kerja dia sebagai peneliti pada skripsi dan tesisnya? Kesimpulan dan Saran Jadi jelaslah sudah pengambilan metode analisis regresi harus sangat hati-hati sehingga tidak menimbulkan ambigu/bias terhadap makna penelitian kita! Kesimpulannya jika kita ingin
14

mengetahui pengaruh varinsi variabel X (X1, X2….Xi) terhadap Y maka metode analisis yang tepat adalah analisis Jalur. Sedangkan jika kita ingin mengetahui 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. Hanya saja harus hati hati memilih kolom angka yang akan di ambil sebagai hasil penelitian, karena dalam beberapa hal berbeda antara pengambilan angka pada metode regresi berganda dengan analis jalur. Demikan semoga diskusi yang penulis mulai ini bisa menjadi bahan diskusi yang bermanfaat bagi Sekolah Tinggi Ilmu Administrasi LAN Jakarta dan lebih jauh pada penelitian ilmu administrasi publik/bisnis pada umumnya. Amien. 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 www.statmodel.com/download/ usersguide/Chapter3.pdf and Path Analysis

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

15

Personal Information Darmawan Soegandar

Occupations : PNS Pelaksana Tata Usaha MTs Negeri Pasirjambu Kementerian Agama Kabupaten Bandung, Dosen Aplikasi Komputer pada Fakultas Keguruan dan Ilmu Pendidikan Universitas Islam Nusantara Bandung, Dosen Ekonomi dan Anggaran Pendidikan pada program Pascasarjana Manajemen Pendidikan STMI IMNI. Postal addresses Leuwibandung No. 156-157 02/03 Dayeuhkolot Bandung 40257 Email: darmawanmpa@yahoo.com Phone: +62 (22) 5230544 HP: 08562061947 Homepage ; Facebook: http://facebook.com/darmawan.soegandar/ Blog: http://www.darmawansoegandar.blogspot.com/ Publication: www.scribd.com/darmawanmpa Education: Pendidikan Matematika Sekolah Menengah, Sekolah Pascasarjana Universitas Pendidikan Indonesia Bandung Program Magister Administrasi Bisnis, Manajemen Keuangan Negara, STIALAN Jakarta

16

You're Reading a Free Preview

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