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. 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 lainnya, kita menggunakan subscript indeks. Contoh : X
1
, X
2
, X
3
…. X
k
. 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 berbaliksatu arah. 4 Diagram jalur merupakan diagram atau gambar yang mensyaratkan hubungan terstruktur antar variabel Rasyid,
2005.
3.4.1. Uji Asumsi
Sejalan dengan metode yang akan digunakan yaitu Path Analysis mensyaratkan beberapa uji asumsi. Pada langkah ini akan dilakukan evaluasi
terhadap kesesuaian model, melalui telaah terhadap berbagai criteria goodness of fit
. Langkah pertama yang dilakukan adalah mengevaluasikan data yang digunakan apakah memenuhi asumsi Path Analysis, bila asumsi ini telah
Universitas Sumatera Utara
terpenuhi maka langkah berikutnya adalah model diuji melalui berbagai uji yang akan dilakukan dalam penelitian ini.
1. Asumsi Path Analysis
Asumsi yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis dengan analisis jalur adalah sebagai berikut :
a. Ukuran sampel yang biasanya harus dipenuhi dalam permodelan ini
minimum 100 sampel. b.
Normalitas dan linieritas ; sebaran data harus dianalisis untuk melihat apakah asumsi normalitas dipenuhi sehingga data dapat diolah lebih lanjut
untuk permodelan ini. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan uji statistik. Uji normalitas ini
perlu dilakukan baik untuk normalitas terhadap data tunggal maupun normalitas multivariant dimana beberapa variabel digunakan sekaligus
dalam analisis akhir. Uji linieritas dapat dilakukan dengan mengamati scatterplot dari data yaitu dengan memilih pasangan data dan dilihat pola
penyebarannya untuk menduga ada tidaknya linieritas. c.
Outliers Outliers
adalah observasi yang muncul dengan nilai ekstrim baik secara univariant maupun multivariant, karena kombinasi karakteristik unik yang
dimilikinya dan terkait sangat jauh berbeda dari observasi lainnya. Pada Outliers
dapat dilakukan penanganan khusus asal diketahui bagaimana munculnya Outliers itu. Outliers muncul dalam empat kategori, yaitu :
1 Outliers muncul karena kesalahan prosedur seperti kesalahan dalam
memasukkan data atau karena kesalahan dalam mengkoding data.
Universitas Sumatera Utara
2 Outliers muncul karena keadaan yang benar-benar khusus yang
memungkinkan profil datanya lain daripada yang lain tetapi peneliti mempunyai alasan mengenai apa penyebab munculnya nilai ekstrim ini.
3 Outliers muncul karena adanya sesuatu alasan tetapi peneliti tidak dapat
mengetahui bahwa apa penyebabnya atau tidak ada penjelasan mengenai sebab-sebab munculnya nilai ekstrim ini.
4 Outliers muncul dalam rentang nilai yang ada, tetapi bila dikombinasikan
dengan variabel yang lainnya, kombinasi menjadi tidak lazim atau sangat ekstrim. Inilah yang disebut dengan multivariant atau singularitas.
d. Multikolinearitas dan singularitas
Multikolinearitas dapat dideteksi dari determinan matriks kovarians. Nilai determinan matriks kovarians yang sangat kecil memberi indikasi
adanya problem Multikolinearitas atau singularitas 2.
Uji Kesesuaian dan uji Statistik Dalam analisis ini tidak ada alat uji statistic tunggal untuk mengukur atau
menguji hipotesis mengenai model Hair, 1992. Umumnya terhadap berbagai jenis fit index yang digunakan untuk mengukur derajat kesesuaian antara
model yang dihipotesiskan dengan data yang disajikan. 3.
Uji Reabilitas Setelah kesesuaian diuji model fit, evaluasi lain yang harus dilakukan
adalah penilaian unidimensionalitas dan reliabilitas. Unidimensionalitas adalah sebuah asumsi yang digunakan dalam menghitung reliabilitas dari
model yang menunjukkan bahwa dalam sebuah model satu dimensi, indikator yang digunakan memiliki derajat kesesuaian yang baik. Penggunaan ukuran
Universitas Sumatera Utara
reliabilitas seperti a Croncbach, tidak mengukur unidimensionalitas itu sudah ada pada waktu a Croncbach dihitung. Karena itu peneliti dianjurkan untuk
melakukan uji unidimensionalitas terhadap semua konstruk multi-indikator sebelum menilai reliabilitasnya.
4. Interprestasi dan Modifikasi Model
Setelah model diestimasi, residualnya haruslah kecil atau mendekati nol dan distribusi frekuensi dari kovarians residual harus bersifat simetrik
Tabachnick dan Fidell, 1997. Dalam kontens ini, residual yang dimaksud bukanlah residual dari skor seperti pada permodelan multivariant lainnya,
melainkan merupakan residual dari kovarians. Distribusi frekuensi dari residual yang tidak simetris merupakan signal atas sebuah model yang kurang
baik –a poorly fitting model dan menunjukkan bahwa dalam proses estimasi, model telah mengestimasi beberapa kovarians secara memuaskan tetapi
kovarians yang lainnya kurang begitu baik diestimasi.
3.4.2. Uji Statistik