BAB 2
LANDASAN TEORI
2.1 Sejarah dan Perkembangan Analisis Jalur
Analisis Structural Equation Modeling (SEM) adalah pengembangan dari analisis
jalur (path analysis) sehingga analisis jalur merupakan dasar dari analisis SEM.
Menurut Kuncoro dan Riduan (2007 : 1), mengutip Joreskog dan Sorbom (1996),
Bohrnstedt (1974) dan Johnson dan Wichern (1992) analisis jalur (path analysis)
dikembangkan berdasarkan serangkaian tulisan antara 1920-an hingga 1960-an
oleh seorang ahli genetika yang sangat brilian Sewall Wright. Teknik analisis jalur
yang dikembangkan oleh Sewall Right sebenarnya merupakan pengembangan
teknik korelasi yang diurai menjadi beberapa interpretasi akibat yang
ditimbulkannya. Analisis jalur memiliki kedekatan dengan regresi ganda,
sehingga regresi ganda adalah bentuk khusus analisis jalur. Teknik ini dikenal
sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada
alasan bahwa analisis jalur memungkinkan peneliti dapat menguji proporsi teoritis
mengenai hubungan sebab-akibat tanpa memanupulasi variabel-variabel
2.2 Pengertian Analisis Jalur
Terdapat beberapa definisi analisis jalur, diantaranya adalah sebagai berikut:
1. Analisis jalur adalah suatu teknik untuk menganalisis hubungan sebab-akibat
yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel terikat tidak hanya secara langsung, tetapi secara tidak langsung
(Robert D. Rutherford, 1993).
2. Analisi jalur adalah pengembangan langsung bentuk regresi berganda dengan
tujuan untuk memberikan estimasi tingkat kepentingan dan signifikansi
hubungan sebab-akibat variabel (Paul Webley, 1997).
3. Analisis jalur adalah model perluasan regresi yang digunakan untuk menguji
keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab-
akibat yang dibandingkan oleh peneliti (David garson, 2003).
Dari beberapa definisi di atas, dapat disimpulkan bahwa sebenarnya analisis
jalur adalah perluasan atau pengembangan dari analisis regresi berganda (multiple
regression). Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar
variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung
seperangkat variabel bebas (exogen) terhadap variabel terikat (endogen). Oleh
sebab itu, rumusan masalah penelitian dalam kerangka analis jalur adalah:
a. Apakah variabel eksogen (X1, X2, . . . , Xn) berpengaruh terhadap variabel
endogen Y.
b. Berapa besar pengaruh kausal langsung, kausal tidak langsung, kausal
total maupun simultan seperangkat variabel eksogen (X1, X2, . . . , Xn)
2.2.1 Kateristik Analisis Jalur
Merujuk pendapat yang dikemukakan oleh Land, Ching, Heise, Maruyama,
Schumaker dan Lomax, Joreskog (dalam Kusnendi, 2008:147-148), karakteristik
analisis jalur adalah metode analisis data multivariat dependensi yang digunakan
untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar kajian teori
tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung
seperangkat variabel penyebab terhadap variabel akibat.
Menguji hipotesis hubungan asimetris yang dibangun atas kajian teori
tertentu artinya yang diuji adalah model yang menjelaskan hubungan kausal antar
variabel yang dibangun atas kajian teori-teori tertentu. Hubungan kausal tersebut
secara eksplisit dirumuskan dalam bentuk hipotesis, baik positif maupun negatif.
2.2.2 Kegunaan Analisis Jalur
Kegunaan model analisi jalur adalah untuk:
a. Penjelasan atau explanation terhadap fenomena yang dipelajari atau
permasalahan yang diteliti.
b. Prediksi nilai variabel endogen berdasarkan nilai variabel eksogen.
c. Faktor dominan yaitu penentu variabel eksogen mana yang berpengaruh
dominan terhadap variabel endogen, juga untuk mekanisme pengaruh jalur-
2.2.3 Asumsi-asumsi Analisis Jalur
Asumsi yang mendasari path analysis diantaranya:
a. Hubungan antar variabel bersifat linier dan normal.
b. Tidak adanya adivity, yaitu tidak ada efek-efek interaksi. Semua variabel
residual tidak boleh berinteraksi dengan salah satu variabel dalam model yang
diteliti.
c. Sistem aliran kausal hanya satu arah (rekursif) artinya tidak ada arah
kausalitas terbalik non-rekursif(reciprocal).
d. Variabel terikat minimal dalam bentuk skala ukur interval dan ratio.
e. Sampling bersifat probability sampling sehingga memungkinkan seluruh
anggota populasi memiliki peluang yang sama untuk dipilih menjadi anggota
sampiling.
f. Obsersed variabel diukur tanpa kesalahan (instrumen valid dan reliable)
artinya variabel yang diteliti dapat diobservasi secara langsung.
g. Model yang dianalisis dispesifikasikan berdasarkan teori atau konsep yang
relevan, artinya model yang dikaji atau diuji dibangun berdasarkan kerangka
teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel.
2.2.4 Konsep dan Istilah Dalam Analisis Jalur
Dalam analisi jalur dikenal beberapa konsep dan istilah dasar, yaitu:
a. Model jalur adalah suatu diagram yang menghubungkan antara variabel bebas,
perantara dan tergantung.
c. Variabel exogenous adalah semua variabel yang tidak ada penyebab-penyebab
eksplisitnya atau dalam diagram tidak ada anak panah yang menuju kearahnya,
selain pada bagian kesalahan pengukuran.
d. Variabel endogenous adalah variabel yang mempunyai anak panah menuju ke
arah variabel tersebut.
e. Koefisien Jalur adalah Koefisien regresi standar atau disebut „beta‟ yang
menunjukkan pengaruh dari suatu variabel bebas terhadap variabel tergantung
dalam suatu model jalur tertentu.
f. Variabel-variabel exogenous yang dikorelasikan.
g. Istilah gangguan atau kesalahan residual yang tidak dapat diterangkan atau
pengaruh dari semua variabel yang tidak terukur dengan kesalahan
pengukuran.
h. Dekomposisi pengaruh. Koefisien-koefisien jalur dapat digunakan untuk
mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung
dan tidak langsung yang berhubungan dengan jalur langsung dan tidak
langsung yang direfleksikan dengan anak panah dalam suatu model tertentu.
i. Model Recursive. Model penyebab yang mempunyai satu arah.
j. Model Non-recursive. Model penyebab dengan disertai arah yang membalik
(feed back loop)atau adanya pengaruh sebab akibat (recipprocal).
k. Direct Effect. Pengaruh langsung yang dapat dilihat dari koefisien jalur dari
satu variabel ke variabel lainnya.
2.2.5 Model Analisis Jalur
Kerlinger (2006: 900) menjelaskan bahwa analisis jalur adalah bentuk terapan dari
analisis multi-regresi. Di sini digunakan diagram jalur untuk membantu masalah
atau menguji hipotesis yang kompleks. Meskipun model regresi dan analisi jalur
sama-sama merupakan bentuk analisis regresi, tetapi penggunaan kedua model
tersebut berbeda. Untuk keperluan prediksi atau peramalan dan pendugaan nilai
variabel endogen (Y) atas dasar nilai-nilai variabel eksogen (X1, X2, . . . , Xn) pola
hubungan yang tepat adalah pola hubungan yang mengikuti model regresi.
Sedangkan untuk tujuan hubungan sebab-akibat pola yang tepat adalah model
struktural. Secara matematik, analisis jalur mengikuti pola model struktural.
Analisis jalur merupakan teknik statistik yang digunakan untuk menguji hubungan
kausal antara dua variabel atau lebih. Analisis jalur berbeda dengan teknik analisis
regresi lainnya, dimana analisis jalur memungkinkan pengujian menggunakan
variabel mediating atau perantara.
Beberapa model analisis jalur mulai dari yang paling sederhana sampai
dengan yang lebih rumit, diantaranya
a. Model Regresi Berganda
Model ini merupakan pengembangan regresi sederhana dengan menggunakan
dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y.
Gambar 2.1 Model Regresi Berganda
b. Model Mediasi
Model mediasi atau perantara dimana variabel Y memodifikasi pengaruh
variabel X terhadap variabel Z. Model ini digambarkan sebagai berikut:
Gambar 2.2 Model Mediasi
c. Model Kombinasi Regresi Berganda dan Mediasi
Model ini merupakan kombinasi antara model regresi berganda dan mediasi,
yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan tidak
langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan
sebagai berikut: X1
X2
Y
Z
Gambar 2.3 Model Kombinasi Regresi Berganda dan Mediasi
d. Model Kompleks
Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara
langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung
mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1.
Model digambarkan sebagai berikut:
Gambar 2.4 Model Kompleks
e. Model Rekursif dan Non Rekursif
Dari sisi pandang arah sebab-akibat, ada dua tipe model jalur, yaitu rekursif
dan non-rekursif. Model rekursif ialah jika semua anak panah menuju satu arah
seperti gambar berikut:
X
Y
Z
X1
Y1
X2
ρ41
ρ21 ρ31
r21 ρ43
ρ32
ρ42 ε3 ε4
ε2
Gambar 2.5 Model Rekursif
Model tersebut dapat diterangkan sebagai berikut:
1. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4 dari 2 ke 3 dan dari
3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1.
2. Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel
endogenous, yaitu 2, 3, dan 4. Masing-masing variabel endogenous
diterangkan oleh variabel 1 dan error (ε2, ε3, dan ε4).
3. Satu variabel endogenous dapat menjadi penyebab variabel endogenous
lainnya, tetapi bukan ke variabel exogenous.
Model non recursif terjadi jika arah anak panah tidak searah atau terjadi arah yang
terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab
akibat (reciprocal cause). 1
3 4
2.2.6 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.
X1 X2
ε
Gambar 2.6 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 disebut sebagai variabel eksogenus. X2 adalah 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 dimasukkan
dalam model. (2) Variabel lain, di luar X2, 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 2.6 merupakan diagram jalur yang paling sederhana yang
masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak
diukur. Penyebab lain itu dinyatakan oleh ε. Persamaan struktural yang dimiliki
oleh gambar 2.6 adalah X2 =
ρ
x2.x1 .X1 + ε. Selanjutnya tanda anak panah satuarah menggambarkan pengaruh langsung dari variabel eksogenus terhadap
variabel endogenus.
X1
X2 X4
ε
X3
Gambar 2.7 Diagram Jalur Yang Menyatakan Hubungan Kausal dari X1,
X2,X3, dan X4
Gambar 2.7 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
X1
X3 X4
X2 ε1 ε2
Gambar 2.8 Hubungan Kausal Dari X1, X2, dan Dari X3 ke X4
Perhatikan bahwa pada gambar 2.8 di atas, terdapat dua buah sub-struktur.
Pertama, sub-struktur yang menyatakan hubungan kausal dari X1 dan X2 ke X3,
serta kedua, sub-struktur yang mengisyaratkan hubungan kausal dari X3 ke X4.
Persamaan struktural untuk gambar 2.8 adalah: X3 =
ρ
X3.X1. X1 +ρ
X3.X2. X2 +ε1 danX4 =
ρ
X4.X3 . X3 +ε2 . Pada sub-struktur pertama X1 dan X2 merupakan variabeleksogenus, X4 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.
2.2.7 Koefisien Jalur
Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel
endogenus tertentu, dinyatakan oleh besarnya nilai numerik koefisien jalur (path
X1
X3
X2
ρ
X3.εGambar 2.9 Hubungan Kausal dari X1, X2, Ke X3
Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan
hubungan tersebut dinyatakan oleh besarnya koefisien korelasi rx1.x2 . Hubungan
X1 dan X2, ke X3 adalah hubungan kausal. Besarnya nilai numerik koefisien jalur
ρ
X3.X1 danρ
X3.X2. Koefisien jalurρ
X3 menggambarkan besarnya pengaruhlangsung variabel residu (implicit exogenous variabel) 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.
Formula untuk menghitung koefisien korelasi yang dicari adalah
teknik koefisien korelasi dari Karl Pearson adalah karena variabel-variabel yang
hendak dicari korelasinya memiliki skala pengukuran interval.
Rumus:
Keterangan:
= Koefisien korelasi dan
n = banyaknya data
Xi = Variabel eksogenus , j = 1,2,3, . . . , k
Yi = Variabel endogenus , j = 1,2,3, . . . , k
3. Identifikasi sub-struktur dan persamaan yang akan dihitung koefisien jalurnya.
Dimisalkan dalam sub-struktur yang telah kita identifikasi terdapat k buah
variabel eksogenus, dan sebuah variabel endogenus Xu yang dinyatakan
dengan persamaan:
Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun
sub struktural tersebut:
Keterangan:
kofaktor dari kolom ke-i baris ke-j, dan
5. Menghitung semua koefisien jalur dimana k = 1,2, . . . , k, melalui
rumus:
2.2.8 Besarnya Pengaruh Variabel Eksogen Terhadap Variabel Endogen
Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih
variabel eksogenus, dapat secara sendiri maupun secara bersama-sama. Pengaruh
secara sendiri atau parsial, 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:
1. Besarnya pengaruh langsung variabel eksogenus (Xu) terhadap variabel
endogenus (Xk)
(
22. Besarnya pengaruh tidak langsung variabel eksogenus (Xu) terhadap variabel
endogenus (Xi) melalui hubungan korelasi dari variabel Xk
3. Besarnya pengaruh tidak langsung variabel (Xu) terhadap variabel (Xk)melalui
4. Besarnya pengaruh total adalah pengaruh langsung dijumlahkan dengan
variabel tidak langsung.
5. Besarnya pengaruh simultan variabel eksogen terhadap variabel endogen
adalah:
Keterangan:
1. adalah koefisien determinasi total terhadap atau
besarnya pengaruh variabel eksogen secara bersama-sama (gabungan) terhadap
variabel endogen.
2. adalah koefisien jalur.
3. adalah koefisien variabel eksogen
dengan variabel endogen .
2.2.9 Pengujian Koefisien Jalur
Menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah
dihitung, baik secara tersendiri maupun secara bersama-sama, serta menguji
perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap
variabel endogenus, dapat dilakukan dengan langkah-langkah sebagai berikut:
Ho : = 0 , Artinya tidak terdapat pengaruh variabel eksogenus (Xu)
terhadap variabel endogenus (Xk)
H1 : ≠ 0 , Artinya tidak terdapat pengaruh variabel eksogenus (Xu)
terhadap variabel endogenus (Xk)
2. Gunakan statistik uji yang tepat, yaitu:
a. Untuk menguji setiap Koefisien jalur
Keterangan:
i = 1, 2, …, k
= Banyaknya variabel eksogenus yang dalam sub-struktur yang diuji.
= Mengikuti tabel distribusi t , dengan derajat kebebasan = n - k - 1
Kriteria Pengujian : Ditolak Ho jika nilai hitung lebih besar dari nilai tabel
( ) dan sebaliknya.
b. Untuk menguji koefisien jalur secara keseluruhan atau bersama-sama:
Keterangan:
i = 1, 2, …, k
= Banyaknya variabel eksogenus yang dalam sub-struktur yang diuji.
Kriteria pengujian: Ditolak HO jika nilai F hitung lebih besar dari F tabel
atau (Fo > Ftabel).
2.3 Konsep Pembangunan Manusia
United Nation Development Program (UNDP) mendifinisikan sebagai suatu
proses untuk memperluas pilihan-pilihan bagi penduduk. Dalam konsep tersebut
ditempatkan sebagai tujuan akhir (the ultimate end) sedangkan upaya
pembangunan dipandang sebagai sarana (principal means) untuk mencapai tujuan
itu. Untuk menjamin tercapainya tujuan pembangunan manusia, empat hal pokok
yang perlu diperhatikan adalah produktivitas, pemerataan, kesinambungan,
pemberdayaan (UNDP, 1995: 12). Secara ringkas empat hal pokok tersebut
mengandung prinsip-prinsip sebagai berikut:
1. Produktivitas
Penduduk harus dimampukan untuk menigkatkan produktivitas dan untuk
berpatisipasi penuh dalam proses penciptaan pendapatan dan pekerjaan
nafkah. Pembangunan ekonomi, yang dengan demikian merupakan himpunan
bagian dari model pembangunan manusia.
2. Pemerataan
Penduduk harus memiliki kesempatan atau peluang yang sama untuk
mendapatkan akses terhadap semua sumber daya ekonomi dan sosial.
3. Kesinambungan
Akses terhadap sumber daya ekonomi dan sosial harus dipastikan tidak hanya
4. Pemberdayaan
Peduduk harus berpartisipasi penuh dalam keputusan dan proses yang akan
menentukan bentuk atau arah kehidupan mereka, serta untuk berpatisipasi dan
mengambil manfaat dari proses pembangunan, karenanya pembangunan
harus penduduk, bukan hanya untuk mereka.
2.4 Komponen Indeks Pembangunan Manusia
Indeks Pembangunan Manusia (IPM) atau Human Development Indeks (HDI)
merupakan suatu indeks komposit yang mencakup tiga bidang pembangunan
manusia yang dianggap, sangat mendasar, yaitu angka harapan hidup, tingkat
pendidikan, standar hidup layak.
1. Angka Harapan Hidup
Angka Harapan Hidup (AHH) merupakan rata-rata perkiraan banyak tahun
yang dapat ditempuh oleh seseorang selama hidup. Penghitungan angka
harapan hidup melalui pendekatan tak langsung (inderect estimation). Jenis
data yang digunakan adalah Anak Lahir Hidup (ALH) dan Anak Masih
Hidup (AMH).
2. Tingkat Pendidikan
Salah satu komponen pembentuk IPM adalah dari dimensi pengetahuan yang
diukur melalui tingkat pendidikan. Dalam hal ini, indikator yang digunakan
adalah rata-rata lama sekolah (means years of schooling) dan angka melek
huruf.
Dimensi lain dari ukuran kualitas hidup manusia adalah standar hidup layak.
Dalam cakupan lebih luas, standar hidup layak menggambarkan tingkat
kesejahteraan yang dinikmati oleh penduduk sebagai dampak semakin
membaiknya ekonomi.
2.5 Tahapan Perhitungan Indeks Pembangunan Manusia
Sebelum penghitungan IPM, setiap Komponen IPM harus dihitung indeksnya.
Formula yang digunakan dalam penghitungan indeks komponen IPM adalah
sebagai berikut:
Keterangan :
X(i) = Komponen IPM ke-i
X(min) = Nilai minimum dari Komponen IPM ke-i
X(maks) = Nilai maksimum dari komponen IPM ke-i
Untuk menhitung indeks masing-masing komponen IPM digunakan batas
maksimum dan minimum seperti dalam tabel berikut:
Tabel 2.1 Nilai Maksimum dan Minimum Dari Setiap Komponen IPM
Komponen IPM Maksimum Minimum Keterangan
4. Daya Beli (Rupiah PPP)
732.720a 300.00 (1996) Pengeluaran 360.000b
(1999,dst)
perkapita Rill
Disesuaikan
Sumber: Data Sekunder BPS Tapanuli Utara
Keterangan:
a) Perkiraan maksimum pada akhir PJP II tahun 2018
b) Penyesuaian garis kemiskinan lama dengan garis kemiskinan baru
Selanjutnya nilai IPM dapat dihitung dengan rumus:
Keterangan :
Indeks X(i,j) = Indeks Komponen IPM ke i untuk wilayah ke-j
i = 1, 2, 3 (Urutan Komponen IPM)
j = 1, 2, . . . , k (wilayah)
Tabel 2.2 Kriteria Tingkatan Status Indeks Pembangunan Manusia (IPM)
Sumber: Data Sekunder BPS Tapanuli Utara