ANALISIS JALUR atauPATH ANALISIS

OLEH:KELOMPOK IV

1.CRISTIN2. KRISTIAN T3. ARIENDA4. CUCUK SUPRIHARTINI5. PAK HAYAT

PATH ANALYSIS• Merupakan perluasan dr analisis regresi yg digunakan untuk

menerangkan akibat langsung dan tidak langsung seperangkat variabel, sbg variabel penyebab terhadap seperangkat variabel lain yg merupakan variabel akibat.

• Bertujuan utk menguji apakah model yg diusulkan didukung oleh data, dg cara membandingkan matriks korelasi teoritis dan matriks korelasi empiris. Jika kedua matriks relatif sama, maka model dikatakan cocok.

• Pengujian dilakukan dg menggunakan koefisien determinasi ganda (multiple determination) - (Pedhazur, 1982).

PATH ANALYSIS• Model digambarkan dlm bentuk lingkaran-dan-panah dimana

panah tunggal menyatakan “sesuatu yg menyebabkan”

• Contoh:

• Memerlukan asumsi-asumsi spt pada analisis regresi.• Sangat sensitif pd spesifikasi model krn kesalahan dlm

menentukan variabel akan berpengaruh thd koefisien jalur, yg digunakan utk menilai pengaruh langsung/tdk langsung suatu variabel thd variabel terikat.

x1

x2

x3

x4

• Estimasi jalur dapat dilakukan dengan regresi OLS atau MLE (antar software bisa berbeda metode estimasi)

• Model Jalur (Path Model), mpk diagram yg mengaitkan variabel bebas, variabel antara, dan variabel terikat. – Panah tunggal menunjukkan hubungan antara variabel

bebas (eksogen)/variabel antara dan variabel endogen (terikat).

– Panah ganda menunjukkan hubungan sepasang variabel eksogen.

– Terkadang panjang panah dalam model jalur menunjukkan proporsi besarnya koefisien jalur.

KONSEP PENTING (1)

• Causal Path, untuk suatu variabel meliputi (1) jalur langsung yg mengarah ke variabel tsb, dan (2) korelasi jalur (variabel endogen berkorelasi dg variabel lain yg memiliki jalur (panah) menuju ke variabel tertentu.

• Contoh model jalur:

– Model diatas memiliki variabel eksogen A, B, dan C yg saling berkorelasi dan variabel endogen D dan E.

– Suku error tidak dimunculkan.– Jalur yg menyatakan variabel yg mempengaruhi D adalah A ke D, B ke

D, dan jalur yg menyatakan pengaruh tdk langsung thd D adalah dari B ke A ke D, dari C ke A ke D, dan dari C ke B ke D.

KONSEP PENTING (2)

A B C

D E

• Variabel eksogen dan endogen. – Variabel eksogen = variabel yg tdk dipengaruhi variabel lain (tdk ada

panah yg mengarah ke variabel tsb).

Jika 2 variabel eksogen saling berkorelasi, hal ini diindikasikan oleh panah 2 arah yg menghubungkan variabel tsb.

– Variabel endogen = variabel yang dipengaruhi oleh variabel lain (ada panah yg mengarah ke variabel tsb).

Variabel endogen terdiri atas variabel antara (intervening variables) dan variabel terikat (dependent variables).

– Variabel antara memiliki panah yg mengarah dan yg meninggalkan variabel tsb, sedangkan variabel terikat hanya memiliki panah yg mengarah ke variabel tsb.

KONSEP PENTING (3)

• Koefisien Jalur (path coefficient), mpk koefisien regresi yg distandarisasi (beta) yg menunjukkan pengaruh langsung dr suatu variabel bebas thd variabel terikat pada suatu model jalur.

Misal pada model regresi dg satu variabel bebas, koefisien beta (koefisien b untuk data yg dibakukan) akan sama dg koefisien korelasi, shg pada kasus model jalur dg satu variabel terikat dan satu variabel eksogen, koefisien jalur dlm kasus tsb merupakan koefisien korelasi ordo nol.

KONSEP PENTING (4)

• Misal model berikut (Bryman, A. and D. Cramer, 1990):

• Model tsb dpt dituliskan sbb:

1. Satisfaction = b11age+b12autonomy+b13income+e1

2. Income = b21age+b22autocomy+e2

3. Autonomy = b31age+e3

• Koefisien jalur (b) dlm persamaan tsb mpk koef. regresi parsial yg dibakukan. Koef. jalur disebut jg koefisien p atau pembobot beta sederhana, yg didasarkan pd kegunaan dlm model regresi berganda.

KONSEP PENTING (5)

Age

Autonomi

Job satisfaction

Income

• Bryman, A. and D. Cramer memperoleh model sbb:

• Variabel terikat pd setiap persamaan adalah semua variabel endogen (semua variabel kecuali variabel “age”, yg mpk variabel eksogen) dan variabel bebas pd setiap persamaan adalah semua variabel dg panah yg menuju variabel terikat.

KONSEP PENTING (6)

Age

Autonomi

Job satisfaction

Income

-0,08

0,28 0,58

0,570,22 0,47

• Unsur gangguan (disturbance term). Suku sisaan/ kesalahan, disebut juga unsur gangguan, merefleksikan keragaman yg tidak dapat dijelaskan (pengaruh dari variabel yg tidak terukur) dan kesalahan pengukuran.

• Besarnya pengaruh unsur gangguan untuk suatu variabel endogen adalah (1 – R2).

• Besarnya nilai koefisien jalur adalah

KONSEP PENTING (7)

2R1−

• Path multiplication rule. Nilai suatu jalur gabungan mpk perkalian dari masing-masing koefisien jalur.

Misal pendidikan berpengaruh thd pendapatan dan selanjutnya berpengaruh thd motivasi kerja. Misalkan juga koefisien regresi pendidikan thd pendapatan adlh 1000, artinya jika pendidikan bertambah 1 th, maka pendapatan akan bertambah $1000. Koefisien regresi pendapatan thd motivasi kerja adlh 0,0002, artinya jika pendapatan bertambah $1, maka skor motivasi akan bertambah 0,0002 poin.

Jadi, jika pendidikan bertambah 1 th dan pendapatan naik $1000, maka skor motivasi akan bertambah (1000)x(0,0002) = 0,2 poin.

KONSEP PENTING (8)

• Effect decomposition. Koef. jalur dpt jg digunakan utk menguraikan korelasi dlm model jalur menjadi pengaruh langsung & tdk langsung, spt digambarkan melalui panah dlm model jalur. Hal ini didasarkan pd aturan bhw dlm suatu sistem persamaan linier, total pengaruh suatu variabel j thd variabel i mpk jumlah nilai pd setiap jalur dari j ke i.

• Pd kasus sblmnya, satisfaction sbg var. terikat, & age sbg var. bebas. Indirect effect dr age thd satisfaction dihitung dg mengalikan masing-masing koef. jalur dr age ke satisfaction.– Age ⇒ income ⇒ satisfaction = (0,57)x(0,47) = 0,26– Age ⇒ autonomy ⇒ satisfaction = (0,28)x(0,58) = 0,16– Age ⇒ autonomy ⇒ income ⇒ satisfaction = (0,28)x(0,22)x(0,47) = 0,03– Total indirect effect = 0,45– Diketahui direct effect age thd satisfaction = -0,08– Total pengaruh age thd satisfaction adlh (-0,08+0,45) = 0,37, MISALNYA PAKE

HASIL CONTOH APLIKASI GMN?

KONSEP PENTING (9)

• Signifikansi dan goodness of fit dalam model jalur.– Untuk menguji koefisien jalur secara individual dpt

digunakan nilai uji t atau F dari output regresi.– Untuk menguji model jalur digunakan uji goodness of fit. – Uji goodness of fit dpt dilakukan dg memasukkan model

beserta data yg digunakan ke dlm program model persamaan struktural (structural equation modeling) spt LISREL dan AMOS.

KONSEP PENTING (10)

CONTOH DIAGRAM JALUR (1)

• Variabel X1 dan X2 mpk variabel eksogen• Hubungan kedua variabel bersifat korelatif → dinyatakan oleh

grs lengkung dg 2 kepala panah• Grs dg 1 kepala panah mpk hubungan yg bersifat kausalitas, spt

X1 thd X3 dan X3 thd X4

• Variabel X3 dan X4 disebut variabel endogen dan terikat dengan kesalahan (error)

X1

X4

X3

X2

u

v

CONTOH DIAGRAM JALUR (2)

• Besarnya pengaruh dr satu variabel thd variabel lain dinyatakan dg suatu koefisien, misalkan pengaruh X3 thd X4 dinyatakan dg pX4X3.

• Indeks pertama menyatakan variabel yg dipengaruhi dan indeks kedua menyatakan variabel yg mempengaruhi.

ANALISIS JALUR

• Pada analisis jalur berlaku suatu aturan yg disebut the first law (Kenny, 1979), yaitu:

dimana pyxi mpk koefisien jalur dari variabel xi thd variabel y dan ρxiz adlh korelasi antara variabel xi dan variabel z.

• Rumus tersebut menyatakan bahwa untuk mendapatkan korelasi antara variabel z dan variabel endogen y sama dg jumlah perkalian setiap parameter untuk setiap variabel yg mempengaruhi dg korelasi setiap variabel tsb dg variabel prediktor z.

zxi

yxyz iip ρρ ∑=

ANALISIS JALUR

• Pada model diatas, korelasi antara X1 dan X3 dapat dijabarkan ke dalam:

p31 = p31ρ11 + p32ρ21 + p3uρu1

• Dari model diketahui, variabel endogen X3 dipengaruhi oleh variabel eksogen X1dan X2, dan unsur kesalahan u.

• Karena ρ11 = 1 dan ρu1 = 0, persamaan diatas menjadi

p31 = p31 + p32ρ21

X1

X4

X3

X2

u

v

a

b

c

d

e

f

g

ANALISIS JALUR

• Dg cara yg sama diperoleh:

ρ32 = p32 + p31ρ12

ρ34 = p31ρ14 + p32ρ12

ρ41 = p41 + p42ρ21 + p43ρ31

ρ42 = p42 + p41ρ12 + p43ρ32

ρ43 = p43 + p42ρ23 + p41ρ13

X1

X4

X3

X2

u

v

p31

p32

p41

p42

p43

p3u

p4v

ANALISIS JALUR

• Persamaan regresi utk model di atas:

X3 = aX1 + bX2 + fu

X4 = dX2 + cX1 + eX3 + gv

• Koefisien regresi parsial pada kedua model diatas mpk koefisien regresi parsial standardized yg dapat dihitung dg mengolah masing-masing persamaan regresi.

X1

X4

X3

X2

u

v

a

b

c

d

e

f

g

ANALISIS JALUR

• Uji signifikansi koefisien jalur (pyx) sama spt uji koefisien regresi klasik dg uji t (Schumacker & Lomax, 1996).

• Uji kecocokan model (model fit) dpt digunakan statistik uji khi-kuadrat (Specht, 1975 & Pedhazur, 1982).

• Hipotesis:

H0: R = R(θ)

(model cocok (fit) = matriks korelasi model teoritis sama dg matriks korelasi empiris)

H1: R ≠ R(θ)

(model tidak cocok = matriks korelasi model teoritis tidak sama dg matriks korelasi empiris)

contoh:APLIKASI ANALISIS JALUR DENGAN SPSS

• Judul Penelitian

Kontribusi Koordinasi dan Motivasi Kerja terhadap Pelayanan Kesehatan

• Variabel Penelitian

X1 = Koordinasi

X2 = Motivasi Kerja

Y = Pelayanan Kesehatan

Pyx1

r12

X1

X2

Y

Hubungan struktur X1, X2 terhadap Y

ɛ1

Pyx2

X1 X2 Y36.0 55.0 64.046.0 45.0 55.047.0 60.0 72.025.0 35.0 50.068.0 64.0 79.069.0 44.0 77.057.0 64.0 78.049.0 65.0 72.058.0 63.0 66.067.0 74.0 82.079.0 84.0 87.052.0 73.0 82.0

ASUMSI YANG HARUS DIPENUHI UNTUK ANALISIS JALUR

1. Uji Normalitas

2. Uji Non-Multikolinieritas

3. Uji Non-Heteroskedastisitas

4. Uji Linieritas

5. Uji Non-Otokorelasi (MEUSE DURBIN WASTON)

DI Lampiran out put uji asumsi path way kinerja*

Diagram jalur hubungan kausal Empiris X1,X2 terhadap Y

Pyx1= 0.510

r12= 0.645

X1

X2

Y

Ɛ1= 0.411

Pyx2= 0.495

• Besarnya kontribusi koordinasi (X1) secara langsung mempengaruhi pelayanan kesehatan (Y) adalah 0.5102= 0.2601 atau 26.01 %

• Besarnya kontribusi motivasi kerja (X2) secara langsung mempengaruhi pelayanan kesehatan (Y) adalah 0.4952= 0.2450 atau 24.50 %

• Besarnya kontribusi X1 dan X2 secara simultan yang langsung mempengaruhi Y adalah 0.831 atau 83.1 %. Sisanya sebesar 16.9 % dipengaruhi oleh faktor-faktor lain.

Analisis jalur dengan lisrel