Statistika
merupakan salah satu cabang ilmu pengetahuan yang paling banyak mendapatkan
perhatian dan dipelajari
oleh ilmuan dari
hampir semua bidang
ilmu penegtahuan, terutama para
peneliti yang dalam penelitiannya banyak menggunakan satistika sebagi
dasar analisis maupun
perancangannya (ratno dan
mustadjab, 1992: 1). Sedangkan arti kata statistika sendiri
adalah suatu ilmu yang mempelajari tata cara mengumpulkan, mengolah, menata,
menyajikan, menganalisis, dan menginterpretasikan data angka dengan tujuan
membantu pengambilan keputusan yang efektif. Namun, dalam beberapa bacaan ada
saja yang menyebut sebagai statistik saja. Padahal statistik itu berbeda dengan
statistika. Statistik yaitu angka-angka yang disajikan dalam bentuk tabel atau grafik.
Penggunaan
istilah statistika berakar dari istilah istilah dalam bahasa latin modern
statisticum collegium (“dewan negara”) dan bahasa Italia statista (“negarawan”
atau “politikus”). Gottfried Achenwall (1749) menggunakan Statistik dalam
bahasa Jerman untuk pertama kalinya sebagai nama bagi kegiatan analisis data
kenegaraan, dengan mengartikannya sebagai “ilmu tentang negara (state)”. Pada awal abad ke-19 telah terjadi
pergeseran arti menjadi “ilmu mengenai pengumpulan dan klasifikasi data”. Sir
John Sinclair memperkenalkan nama (Statistics) dan pengertian ini ke dalam
bahasa Inggris. Jadi,
statistika secara prinsip mula-mula hanya mengurus data yang dipakai
lembaga-lembaga administratif dan pemerintahan. Pengumpulan data terus
berlanjut, khususnya melalui sensus yang dilakukan secara teratur untuk memberi
informasi kependudukan yang berubah setiap saat.
Pada abad ke-19
dan awal abad ke-20 statistika mulai banyak menggunakan bidang-bidang dalam
matematika, terutama peluang. Cabang statistika yang pada saat ini sangat luas
digunakan untuk mendukung metode ilmiah, statistika inferensi, dikembangkan
pada paruh kedua abad ke-19 dan awal abad ke-20 oleh Ronald Fisher (peletak
dasar statistika inferensi), Karl Pearson (metode regresi linear), dan William
Sealey Gosset (meneliti problem sampel berukuran kecil). Penggunaan statistika
pada masa sekarang dapat dikatakan telah menyentuh semua bidang ilmu
pengetahuan, mulai dari astronomi hingga linguistika. Bidang-bidang ekonomi,
biologi dan cabang-cabang terapannya, serta psikologi banyak dipengaruhi oleh
statistika dalam metodologinya. Akibatnya lahirlah ilmu-ilmu gabungan seperti
ekonometrika, biometrika (atau biostatistika), dan psikometrika.
Analisis regresi
adalah satu cabang statistika yang banyak mendapatkan
perhatian dan dipelajari oleh pra ilmuan, khususnya para peneliti, baik ilmuan
bidang sosial maupun eksakta. Regresi pertama
kali digun akan sebagi
konsep staistika pada
tahun 1877 oleh sir
Francis Galton. Pada perkembangan
berikutnya hukum Galton mengenai regresi ini ditegaskan lagi oleh Karl Pearson
dengan menggunakan data lebih dari seribu. Pada perkembangan berikutnya, para
ahli statistik menambahkan isitilah regresi berganda (multiple regression)
untuk menggambarkan proses dimana beberapa variabel digunakan untuk memprediksi
satu variabel lainnya.
Regresi dalam
pengertian moderen menurut Gujarati (2009) ialah sebagai kajian terhadap
ketergantungan satu variabel, yaitu variabel tergantung terhadap satu atau
lebih variabel lainnya atau yang disebut sebagai variabel – variabel
eksplanatori dengan tujuan untuk membuat estimasi dan / atau memprediksi rata –
rata populasi atau nilai rata-rata variabel tergantung dalam kaitannya dengan
nilai – nilai yang sudah diketahui dari variabel ekslanatorinya. Selanjutnya
menurut Gujarati meski analisis regresi berkaitan dengan ketergantungan atau dependensi
satu variabel terhadap variabel – variabel lainnya hal tersebut tidak harus
menyiratkan sebab – akibat (causation). Dalam mendukung pendapatnya ini,
Gujarati mengutip pendapat Kendal dan Stuart yang diambil dari buku mereka yang
berjudul “The Advanced Statistics” yang terbit pada tahun 1961 yang mengatakan
bahwa,” suatu hubungan statistik betapapun kuat dan sugestifnya tidak akan
pernah dapat menetapkan hubungan sebab akibat (causal connection); sedang
gagasan mengenai sebab akibat harus datang dari luar statistik, yaitu dapat
berasal dari teori atau lainnya”.
Ada dua jenis regresi yaitu Regresi Linier Sederhana dan Regresi Linier
Berganda. Regresi Linier Sederhana yaitu regresi linier dengan variabel
prediktor (bebas). Regresi Linear Sederhana adalah Metode Statistik yang
berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel
Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya
dilambangkan dengan X atau disebut juga dengan Predictor sedangkan Variabel
Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga
merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk
melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun
Kuantitas.
Bentuk persamaan:
Ŷ = a + bx
Ŷ = bariabel dependent/kreteria
(yang diprediksikan)
a = konstanta (harga Y untuk X = 0)
b = angka arah (koefisien regresi) ;
bila b positif (+), arah regresi naik dan bila b negative (-), arah regresi
turun.
x = variabel independent (predictor)
Persamaan garis regresi linier
sederhanaya dapat dinyatankan dalam bentuk, rata-rata Y bagi X tertentu.
Konstanta atau parameter atau koefisien regresi populasi. Karena populasi jarang
diamati secara langsung, maka digunakan persamaan regresi linier sederhana
sampel sebagai penduga persamaan regresi linier sederhana populasi. Persamaan
memberikan arti jika variabel X mengeluarkan satu satuan, maka variabel Y akan
mengalami peningkatan atau penurunan sebesar 1b b. untuk membuat peramalan,
penaksiran atau pendugaan dengan persamaan regresi, maka nilai a dan b harus
ditentukan terlebih dahulu. Dengan metode uadrat terkeci (least square), nilai
a dan b dengan rumus di atas.
Sedagkan dalam regresi linier
berganda ada beberapa variabel bebas (X1), (X2), (X1) dan (Xn) yang merupakan
bagian dari analisis multivariant dengan tujuan untuk menduga besarnya
koefisien regresi yang akan menunjukkan besarnya pengaruh beberapa variabel
bebas independent terhadap variabel tidak bebas dependent. Dalam uji regresi
berganda seluruh variabel predictor (bebas) dimasukkan ke dalam regresi secara
serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna memprediksi
variabel terikat dengan memasukkan, secara serentak variabel bebas. Persamaan
regresi kemudian menghasilkan konstanta dan koifisien regresi bagi masing-masing
variabel bebas.
Analisis jalur adalah suatu teknik
pengembangan dari regresi linier ganda. Teknik ini digunakan untuk menguji
besarnya sumbangan (kontribusi) yang ditunjukkan oleh koefisien jalur pada
setiap diagram jalur dari hubungan kausal antar variabel X1 X2 dan X3 terhadap
Y serta dampaknya terhadap Z. “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 seperangkat
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).
Dalam
penelitian ilmu sosial, ekonomi, bisnis, pendidikan dan lainnya, pengaruh
terhadap suatu variabel tidak selamanya didominasi oleh satu variabel bebas
atau beberapa variabel bebas secara langsung. Sering terjadi pengaruh variabel
perantara (intervening variable) menerima pengaruh dari banyak
variabel bebas yang kemudian variabel ini mempengaruhi secara langsung terhadap
variabel terikat. Pada dasarnya
analisis jalur adalah merupakan pengembangan dari analisis regresi, maka
persyaratan dalam analisis regresi juga harus dipenuhi. Untuk itu beberapa hal
yang perlu diperhatikan dalam penggunaan analisis jalur agar tidak salah dalam
menginterpretasikan hasil analisis adalah sebagai berikut: (Agus
Irianto,2004:283-284)
1.
Skala pengukuran variabel minimal
interval, bisa juga rasio.
2.
Pola hubungannya (pengaruhnya)
adalah linier.
3. Hubungan antara variabel bebas
dengan variabel terikat bersifat kausal (satu arah) atau tidak ada efek
interaksi.
4. Tidak ada pengaruh yang signifikan
dari variabel yang tidak diukur (variabel residual) terhadap seluruh variabel
yang dimasukkan dalam model.
5.
Antar variabel bebas mempunyai
hubungan (multikolinearitas) yang rendah, jadi pada prinsipnya variabel bebas
benar-benar bebas, kalaupun ada hubungan besaran hubungannya tidak signifikan.
6.
Jika antarvariabel bebas terdapat
hubungan yang signifikan, maka seyogiyanya digunakan salah satu variabel dari
variabel yang saling berhubungan itu.
7.
Sampel penelitian hendaknya besar,
analisis jalur akan memberi makna yang tinggi jika sampel lebih dari 100 (harus
diambil secara random), tetapi jumlah tersebut tidak mutlak.
8.
Adanya korelasi yang signifikan
antara variabel bebas dengan variabel antara atau antara variabel antara dengan
variabel bebas.
9.
Analisis jalur akan menyajikan
besaran hubungan langsung dan tidak langsung antara variabel eksogen (exogenous) terhadap variabel endogen
(endogenous).
10. Variabel
eksogen (exogenous) adalah
variabel yang tidak ada penyebab eksplisitnya atau dalam diagram tidak ada anak
panah yang menuju ke arahnya.
11. Variabel
endogen (endogenous) adalah variabel yang ada penyebab eksplisitnya atau
dalam diagram ada anak panah yang menuju ke arahnya.
12. Jika
antar variabel eksogen (exogenous) dihubungkan, maka anak panah akan
menuju keduanya (garis tersebut mempunyai dua arah atau dua anak panah).
13. Variabel
bebas dan terikat dalam regresi diganti istilahnya dengan variabel eksogen (exogenous)
dan variabel indogen (endogenous).
Langkah uji análisis jalur akan
dibahas pada bagian selanjutnya…
Daftar Pustaka
http://wahyu-dewanto.blogspot.co.id/2015/04/analisis-jalur-path-analysis.html
Jonathan Sarwono. 2007. Analisis Jalur Untuk
Riset Bisnis. Yogyakarta : Andi. page : 1- 2.
Kusnendi.
2008. Model_model persamaan Struktural. Bandung : Alfabeta, page 147-148
0 comments:
Post a Comment