Mengenal Path Analysis, Salah Satu Penerapan Statistik Parametrik

Siapa yang disini sering mendengar tentang path analysis? Sahabat data disini pasti belum familiar dengan analisis yang satu ini. Kalau bisa dibilang analisis ini tergolong analisis yang baru dan mulai diterapkan sebagai alat analisis dalam bidang ilmu sosial. Sebenarnya path analysis ini merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Sewall Wright adalah seorang ahli genetika yang mengembangkan path analysis untuk membuat kajian hipotesis hubungan sebab akibat dengan menggunakan korelasi. Lebih lanjut, path analysis mempunyai kedekatan dengan regresi berganda; atau dengan kata lain, regresi berganda merupakan bentuk khusus dari path analysis. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab dan akibat tanpa memanipulasi variabel-variabel. Memanipulasi variabel maksudnya ialah memberikan perlakuan (treatment) terhadap variabel-variabel tertentu dalam pengukurannya. Asumsi dasar model ini ialah beberapa variabel sebenarnya mempunyai hubungan yang sangat dekat satu dengan lainnya. Dalam perkembangannya saat ini path analysis diperluas dan diperdalam kedalam bentuk analisis œStructural Equation Modeling atau dikenal dengan singkatan SEM. Tidak heran jika analisis ini tergolong ke dalam penerapan dari statistik parametrik. 

Path analysis memungkinkan peneliti melakukan analisis model-model yang lebih kompleks yang tidak bisa dilakukan oleh regresi linier berganda. Path analysis juga dapat digunakan untuk mengetahui hubungan langsung maupun tidak langsung, salah satunya melalui variabel intervening. Analisis jalur mempresentasikan hubungan kausal antar variabel dalam bentuk gambar agar semakin mudah dibaca. Penggambaran ini dilakukan untuk menjelaskan hubungan yang terjadi baik variabel dependen maupun independen ataupun hubungan lain terhadap variabel moderasinya. Berbeda dari analisis data regresi yang hanya mempengaruhi secara langsung. Analisis jalur mampu menganalisis data hubungan tidak langsung antar-variabel. Akibat dari keterbatasan yang dimiliki oleh analisis regresi linear berganda, maka analisis jalur atau path analysis ini dapat mengcover semua yang diperlukan untuk keperluan analisis data berdasarkan nilai yang nantinya akan dibandingkan terhadap taraf signifikansinya. Seperti apa sih lebih jelasnya mengenai analisis jalur ini? Mari kita cari tahu lebih dalam. Pada artikel DQLab kali ini, kita akan membahas lebih dalam terkait analisis jalur atau path analysis nih sahabat data. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!

1. Definisi Path Analysis

David Garson dari North Carolina State University mendefinisikan path analysis sebagai œModel 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) sedangkan 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. Tujuan menggunakan path analysis diantaranya ialah untuk melihat hubungan antar variabel dengan didasarkan pada model apriori, mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain yang dipengaruhinya, menghitung besarnya pengaruh satu variabel independen exogenous atau lebih terhadap variabel dependen endogenous lainnya.

Baca juga : Pengolahan Data Statistik Parametrik dan Non-Parametrik

2. Asumsi-Asumsi yang Harus Dipenuhi Path Analysis

Beberapa asumsi dan prinsip “ prinsip dasar dalam path analysis diantaranya ialah:

• Linearitas (Linearity). Hubungan antar variabel bersifat linear, artinya jika digambarkan membentuk garis lurus dari kiri bawah ke kanan atas.

• Ko-linier. Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa variabel exogenous mempengaruhi satu variabel endogenous; atau sebaliknya satu variabel exogenous mempengaruhi beberapa variabel endogenous jika ditarik garis lurus akan membentuk garis-garis yang sama. 

• Model Rantai Sebab Akibat: Menunjukkan adanya model sebab akibat dimana urutan kejadian akhirnya menuju pada variasi dalam variabel dependen / endogenous, seperti gambar di bawah ini. Dalam gambar dibawah semua urutan kejadian X1 , X2 , X3 , dan X4 menuju ke Y

• Data metrik berskala interval. Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (Method of Successive Interval /MSI) terlebih dahulu. Jika data bukan metrik digunakan maka akan memunculkan nilai koefisien korelasi. Nilai koefisien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin kecil. Dengan demikian pemodelan yang dibuat menggunakan path analysis tidak akan valid; karena salah satu indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat nilai R2 yang mendekati 1. Jika nilai ini semakin mendekati 1; maka model dianggap baik atau sesuai dengan teori

• Rekursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping) atau tidak menunjukkan adanya hubungan timbal balik (reciprocal).

3. Syarat-Syarat Penggunaan Path Analysis

Persyaratan mutlak yang harus dipenuhi saat kita akan menggunakan path analysis diantaranya: 

• Data metrik berskala interval 

• Terdapat variabel independen exogenous dan dependen endogenous untuk model regresi berganda dan variabel perantara untuk model mediasi dan model gabungan mediasi dan regresi berganda serta model kompleks. 

• Ukuran sampel yang memadai, sebaiknya di atas 100 dan idealnya 400 - 1000 

• Pola hubungan antar variabel: pola hubungan antar variabel hanya satu arah tidak boleh ada hubungan timbal balik (reciprocal) 

• Hubungan sebab akibat didasarkan pada teori yang sudah ada dengan asumsi sebelumnya menyatakan bahwa memang terdapat hubungan sebab akibat dalam variabel-variabel yang sedang kita teliti.

4. Contoh Penerapan Path Analysis

Contoh analisis jalur dapat dilakukan melalui penelitian ilmu sosial. Contohnya analisis pengaruh karakteristik pekerjaan terhadap motivasi kerja karyawan, pengaruh karakteristik pekerjaan dan motivasi terhadap kepuasan kerja karyawan, pengaruh kepuasan kerja terhadap kinerja karyawan, serta pengaruh langsung dan tidak langsung karakteristik pekerjaan, motivasi, dan kepuasan kerja terhadap kinerja karyawan. Hasil penelitian menunjukkan bahwa karakteristik pekerjaan berpengaruh signifikan terhadap kinerja melalui jalur motivasi dan kepuasan kerja. Jalur hubungan kausal antara karakteristik pekerjaan terhadap kinerja diperoleh tiga jalur yaitu: 1. Jalur hubungan kausal antara karakteristik pekerjaan terhadap kinerja melalui motivasi dan kepuasan kerja. 2. Jalur hubungan kausal antara karakteristik pekerjaan terhadap kinerja melalui motivasi. 3. Jalur hubungan kausal langsung antara karakteristik pekerjaan terhadap kinerja. 4. Ternyata jalur hubungan kausal antara karakteristik pekerjaan terhadap kinerja melalui motivasi dan kepuasan kerja merupakan jalur paling baik yang memberikan pengaruh paling besar terhadap kinerja.

Baca juga : Yuk Pelajari Macam-Macam Metode Analisis Statistika

5. Belajar Statistik Asik dan Menarik Cuma Ada di DQLab!

Statistik memegang peranan yang penting dalam penelitian terutama metode penelitian kuantitatif. Statistik berperan baik dalam penyusunan model, perumusan hipotesis, dalam pengembangan alat dan instrumen pengumpulan data, dalam penyusunan desain penelitian, dalam penentuan sampel dan dalam analisis data. Penentuan metode statistik yang tepat akan menghasilkan ketepatan dan akurasi prediksi yang tepat pula. Mempelajari data science bukan hal yang sulit, tetapi juga tidak bisa disepelekan. Sebab, dalam praktiknya sering kali terjadi trial and error. Oleh sebab itu, mempersiapkan diri sebaik mungkin adalah kunci kesuksesan berkarir sebagai praktisi data. Jika kamu penasaran dengan data science dan ingin belajar data science secara langsung, caranya mudah banget. Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id atau bisa klik button di bawah ini yap. Nikmati pengalaman belajar data science yang menarik bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu. Kalian juga bisa mencoba studi kasus penerapan real case industry. Ayo persiapkan dirimu untuk berkarir sebagai praktisi data yang kompeten!

Penulis: Reyvan Maulid