Analisis Jalur (Path Analisys)

A. Konsep Dasar Analisis Jalur

Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun 1934. Pada dasarnya
analisis jalur merupakan pengembangan dari metode analisis korelasional antara varabel prediktor (𝑋𝑖 )
dengan variable prediktannya (𝑌𝑖 ) yang mengikuti pola regresi tertentu. Namun, analisis jalur dengan
analisis korelasional mempunyai perbedaan yang mendasar. Analisis korelasi bukanlah pendekatan
kausal, melainkan berfungsi untuk memprediksi. Korelasi tidak berarti hubungan sebab akibat, tetapi
merupakan indikasi kemungkinan penyebab atau area untuk penyelidikan lebih lanjut, dalam kata lain
hubungan dapat menjadi sebuah petunjuk. Sedangkan analisis jalur (path analysis) adalah perluasan dari
regresi berganda dalam berbagai model regresi yang menggambarkan dan mengkuantifikasi hubungan
variabel terikat dengan variabel variabel lain, namun cara yang diberikan lebih efektif dalam
mengidentifikasi model awal dari bentuk Structural Equation Modeling (SEM) dimana hubungan
srtuktural terbatas hanya pada variabel teramati.
Dari penjelasan diatas tampak jelas bahwa jika seorang peneliti melakukan analisis korelasi dan regresi,
maka sebenarnya peneliti tersebut baru sampai pada tahap analisis hubungan dalam menjawab pertanyaan:
“seberapa besar hubungan variabel Y dapat diprediksikan oleh variabel independent (𝑥𝑖 )?” belum sampai
pada tahap analisis kausal yang menjawab pertanyaan: “seberapa besar pengaruh kausal variabel eksogenus
(𝑋𝑖 ) terhadap variabel endogenus (𝑌𝑖 ) baik secara langsung (direct), tidak langsung (indirect), maupun secara
keseluruhan (total)?”. Jadi analisis jalur merupakan sebuah metode yang dapat digunakan pada tahap analisis
kausal, sehingga dapat dihitung direct effect, indirect effect, dan total effect dari sejumlah variabel eksogenus
terhadap variabel-variabel endogenus.
B. Asumsi dalam Analisis Jalur
Asumsi yang melandasi analisis jalur diantaranya adalah
1. Adanya linieritas (linearity). Hubungan antar variable yang bersifat linier.
2. Adanya aditifitas (additivity). Tidak ada efek-efek interaksi.
3. Data berskala interval.
4. Semua variabel residual (yang tidak diukur) tidak berkorelasi dengan salah satu variabel-variabel
dalam model.
5. Variabel residual tidak boleh berkorelasi dengan semua variabel endogenus dalam model. Jika
dilanggar, akibatnya hasil regresi tidak tepat dalam mengestimasikan parameter-parameter jalur.
 6. Sebaiknya hanya terdapat multikolinieritas yang rendah. Jika terjadi hubungan yang tinggi, maka akan
didapatkan standar error yang besar dari koefisien beta yang digunakan untuk menghilangkan varian
biasa dalam melakukan analisis korelasi secara parsial.
7. Adanya rekursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali
(looping).
8. Spesifikasi model benar diperlukan untuk mengintepretasikan koefisien-koefisien jalur.
9. Terdapat masukan korelasi yang sesuai.
10. Terdapat ukuran sampel yang memadai. Untuk mendaptkan hasil yang maksimal dapat digunakan
sampel diatas 100.
11. Sampel homogen dibutuhkan untuk perhitungan regresi dalam model jalur.
12. Asumsi analisis jalur mengikuti asumsi umum pada regresi linier.
C. Istilah-istilah dalam Analisis Jalur
Berikut ini adalah istilah-istilah yang sering digunakan dalam analisis jalur.
1. Model Jalur
Adalah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. Pola
hubungannya menggunakan anak panah. Anak panah tunggal menunjukkan hubungan sebab-akibat
antara variabel exogenous dengan satu variabel tergantung atau lebih. Anak panah juga
menghubungkan kesalahan (variabel residue) dengan semua variabel endogenous masing-masing.
Anak panah ganda menunjukkan korelasi antara pasangan variabel-variabel exogenous.
2. Jalur penyebab untuk suatu variabel yang diberikan
Meliputi pertama, jalur-jalur arah dari anak panah menuju ke variabel tersebut dan kedua, jalur-jalur
korelasi dari semua variabel endogenous yang dikorelasikan dengan variabel-variabel lain yang
mempunyai anak panah-anak panah menuju ke variabel yang sudah ada tersebut.
3. Variabel exogenous
Adalah semua variabel yang tidak ada penyebab–penyebab eksplisitnya atau dalam diagram tidak ada
anak-anak panah yang menuju ke arahnya, selain pada bagian kesalahan pengukuran. Jika antara
variabel ini dikorelasikan maka korelasi ditunjukkan dengan anak panah berkepala dua yang
menghubungkan variabel-variabel tersebut. Variabel ini disebut pula independen variabel.
4. Variabel endogenous
Adalah variabel yang mempunyai anak panah-anak panah menuju ke arahnya. Variabel yang termasuk
di dalamnya mencakup semua variabel perantara dan tergantung. Variabel perantara endogenous
 mempunyai anak panah yang menuju ke arahnya dan dari arah variabel tersebut dalam suatu
model. Adapun variabel tergantung hanya mempunyai anak panah yang menuju ke arahnya. Variabel
ini disebut pula dependen variabel.
5. Koefisien jalur atau pembobotan jalur
Adalah koefisien regresi standar atau disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu
variabel bebas terhadap variabel tergantung dalam suatu model tertentu.
6. Variabel-variabel exogenous yang dikorelasikan
Jika semua variabel exogenous dikorelasikan maka sebagai penanda hubungannya ialah anak
panah dengan dua kepala yang dihubungkan di antara variabel-variabel dengan koefisien
korelasinya.
7. Istilah gangguan
Gangguan atau residue mencerminkan adanya varian yang tidak dapat diterangkan atau pengaruh dari
semua variabel yang tidak terukur ditambah dengan kesalahan pengukuran.
8. 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-anak panah dalam suatu model tertentu.
9. Model Recursive
Model penyebab mempunyai satu arah dan tidak ada pengaruh sebab akibat (reciprocal). Dalam
model ini, satu variabel tidak dapat berfungsi sebagai penyebab dan akibat dalam waktu yang
bersamaan.

D. Teknik Analisis Persamaan Jalur

1. Analisis Model Satu Persamaan Struktural (Satu Jalur)
 1
Sikap 𝑟𝑥𝑦 = ෍ 𝑍𝑖 𝑍𝑗 𝑒4
𝑛
Penolakan X1 p41
r12 1
r14

Tingkat r24 Tingkat

r13 p42
Denda X2 Denda X2

r23
r34
Perilaku p43
Penolakan X3

Gambar 1. Path Diagram Pengaruh Sikap Penolakan, Tingkat Denda, dan Perilaku Penolakan terhadap
Kepatuhan

Diagram jalur pada gambar 1 hanya memiliki satu persamaan struktural, yaitu:
𝑍4 = 𝑝41 𝑍1 + 𝑝42 𝑍2 + 𝑝43 𝑍3 + 𝑒4
Hasil analisis persamaan jalur secara keseluruhan dapat dirangkum sebagai berikut.
𝑟14 = 𝑝41 + 𝑟12 𝑝42 + 𝑟13 𝑝43
𝑟24 = 𝑟12 𝑝41 + 𝑝42 + 𝑟23 𝑝43
𝑟34 = 𝑟13 𝑝41 + 𝑟23 𝑝42 + 𝑝43
Selanjutnya dengan memasukkan koefisien korelasi 𝑟14 , 𝑟12 , 𝑟13 , 𝑟23 , 𝑟24 , dan 𝑟34 pada persamaan di
atas yang telah diketahui sebelumnya, maka nilai koefisien mempengaruhi langsung X1 terhadap X4
(𝑝41 ), koefisien mempengaruhi langsung X2 terhadap X4 (𝑝42 ), dan koefisien mempengaruhi X3 terhadap
X4 (𝑝43 ) dengan mudah dapat kita tentukan, baik dengan metode subtitusi, eliminasi, atau metode
diskriminan.
2. Analisis Model Dua Persamaan Struktural (Dua Jalur)
Contoh berikutnya akan diuraikan model persamaan jalur yang diajukan oleh Sewall Wright yang
menjelaskan bahwa hubungan antar B dan C adalah hubungan korelasional. Intensitas keeratan hubungan
antara B dan C dinyatakan oleh besarnya koefisien korelasi 𝑟𝐵𝐶 . Sedangkan hubungan B ke X, B ke Y, C
ke X, dan C ke Y masing-masing dinyatakan oleh besarnya nilai numerik koefisien jalur
𝑝𝑋𝐵 , 𝑝𝑌𝐵 , 𝑝𝑋𝐶 , 𝑑𝑎𝑛 𝑃𝑌𝑐 . Koefisien jalur A dan D menggambarkan besarnya variabel residual (implict
exogenous variable), yaitu besarnya pengaruh variabel lain terhadap variabel endogenus X dan Y.

𝑒𝐴 X b
c B
b’
𝑒𝐵 Y c’
C

Gambar 2. Hubungan Korelasional dan Hubungan Kausal

 Diagram jalur pada gambar 2 memiliki 2 variabel endogenus, yaitu X dan Y yang berarti memiliki 2
persamaan struktural, yakni:
Persamaan substruktural 1: 𝑍𝑋 = 𝑝𝑋𝐵 𝑍𝐵 + 𝑝𝑋𝐶 𝑍𝐶 + 𝑒𝐴
Persamaan substruktural 2: 𝑍𝑌 = 𝑝𝑌𝐵 𝑍𝐵 + 𝑝𝑌𝐶 𝑍𝐶 + 𝑒𝐷
Hasil analisis persamaan jalur secara keseluruhan dapat dirangkum sebagai berikut.
Persamaan substruktural 1:
𝑟𝐵𝑋 = 𝑝𝑋𝐵 + 𝑟𝐵𝐶 𝑝𝑋𝐶
𝑟𝐶𝑋 = 𝑟𝐵𝐶 𝑝𝑋𝐵 + 𝑝𝑋𝐶
Persamaan substruktural 2:
𝑟𝐵𝑌 = 𝑝𝑌𝐵 + 𝑟𝐵𝐶 𝑝𝑌𝐶
𝑟𝐶𝑌 = 𝑟𝐵𝐶 𝑝𝑌𝐵 + 𝑝𝑌𝐶
Selanjutnya dengan memasukan koefisien korelasi 𝑟𝐵𝑋 , 𝑟𝐵𝐶 , 𝑑𝑎𝑛 𝑟𝐶𝑋 pada persamaan substruktural 1
yang telah diketahui sebelumnya, maka nilai koefisien pengaruh 𝑝𝑋𝐵 dan koefisien pengaruh 𝑝𝑋𝐶 dengan
mudah dapat kita tentukan, baik dengan metode subtitusi, eliminasi, atau metode diskriminan. Dengan
langkah yang sama masukkan koefisien korelasi 𝑟𝐵𝑌 , 𝑟𝐵𝐶 , 𝑑𝑎𝑛 𝑟𝐶𝑌 pada persamaan substruktural 2 yang
telah diketahui sebelumnya, maka koefisien pengaruh 𝑝𝑌𝐵 dan koefisien pengaruh 𝑝𝑌𝐶 dengan mudah
dapat kita tentukan, baik dengan metode subtitusi, eliminasi, atau metode diskriminan.
3. Analisis Model Tiga Persamaan Struktural (Tiga Jalur)
Contoh berikutnya Bryman and Cramer memberikan contoh dengan jelas tentang penggunaan empat
variabel pada sebuah survei yaitu: usia, pendapatan, otonomi, dan kepuasan kerja. Bryman mengajukan
hipotesis sebagai berikut.
“terdapat suatu pengaruh langsung dari variabel umur terhadap kepuasan kerja. Namun, terdapat
pula pengaruh tidak langsung variabel umur terhadap kepuasan kerja; variabel umur mempengaruhi
pendapatan yang berbalik mempengaruhi kepuasan, variabel umur mempengaruhi otonomi yang berbalik
mempengaruhi kepuasan dan variabel umur mempengaruhi otonomi, pendapatan, dan kepuasan.
Sedangkan otonomi dan pendapatan mempunyai pengaruh langsung terhadap kepuasan”.

X1 X4

X2

X3
 Gambar 3. Pengaruh umur, otonomi, dan pendapatan terhadap kepuasan kerja.
Keterangan:
X1 = Umur
X2 = Otonomi
X3 = Pendapatan
X4 = kepuasan kerja
Berdasarkan model di atas dapat diketahui bahwa diagram memiliki 3 persamaan struktural, yakni:
𝑍2 = 𝑝21 𝑍1 + 𝑒2
𝑍3 = 𝑝31 𝑍1 + 𝑝32 𝑍2 + 𝑒3
𝑍4 = 𝑝41 𝑍1 + 𝑝42 𝑍2 + 𝑝43 𝑍3 + 𝑒4
Hasil analisis persamaan jalur secara keseluruhan dapat dirangkum sebagai berikut.
Pada substruktural 1:
𝑟12 = 𝑝21
Pada substruktural 2:
𝑟13 = 𝑝31 + 𝑟12 𝑝32
𝑟23 = 𝑟12 𝑝31 + 𝑝32
Pada substruktural 3:
𝑟14 = 𝑝41 + 𝑟12 𝑝42 + 𝑟13 𝑝43
𝑟24 = 𝑟12 𝑝41 + 𝑝42 + 𝑟23 𝑝43
𝑟34 = 𝑟13 𝑝41 + 𝑟23 𝑝42 + 𝑝43
Selanjutnya perhatikan persamaan substruktural 1 𝑟12 = 𝑝21 yang artinya koefisien korelasi 𝑟12 sama
dengan koefisien pengaruh 𝑝21 pada persamaan substruktural 2, dengan terlebih dahulu memasukan
koefisien korelasi 𝑟13 , 𝑟12 , dan 𝑟23 maka koefisien pengaruh 𝑝31 dan 𝑝32 dapat diketahui. Dengan cara
yang sama masukan koefisien korelasi 𝑟14 , 𝑟12 , 𝑟13 , 𝑟24 , 𝑟23 , dan 𝑟34 pada persamaan substruktural 3, maka
nilai koefisien pengaruh 𝑝41 , 𝑝42 , dan 𝑝43 dengan mudah dapat kita tentukan.
Selanjutnya perhatikan diagram berikut.
 e1

Social Ability e2
Class (X1) (X3)

School
Achivement (X5)
Family
Size (X2) Self-Esteem
e3
(X4)

Gambar 4. Diagram Jalur Studi School Achievment Maruyama

Diagram jalur pada gambar 4, yaitu dua variabel eksogenous Social Class (X1) dan Family Size (X2).
Tiga variabel endogenous, yaitu Ability (X3), Self-Esteem (X4), dan School Achivement (X5) sehingga
terbentuk persamaan struktural, yaitu:
Persamaan substruktural 1:
𝑍3 = 𝑝31 𝑍1 + 𝑝32 𝑍2 + 𝑒1
Persamaan substruktural 2:
𝑍4 = 𝑝41 𝑍1 + 𝑝42 𝑍2 + 𝑝43 𝑍3 + 𝑒1
Persamaan substruktural 3:
𝑍5 = 𝑝51 𝑍1 + 𝑝52 𝑍2 + 𝑝53 𝑍3 + 𝑝54 𝑍4 + 𝑒1
Hasil analisis korelatif persamaan jalur di atas dapat dirangkum sebagai berikut.
Persamaan jalur korelatif pada substruktural 1:
𝑟13 = 𝑝31 + 𝑟12 𝑝32
𝑟23 = 𝑟12 𝑝31 + 𝑝32
Persamaan jalur korelatif pada substruktural 2:
𝑟14 = 𝑝41 + 𝑟12 𝑝32 + 𝑟3 𝑝43
𝑟24 = 𝑟12 𝑝41 + 𝑝42 + 𝑟23 𝑝43
𝑟34 = 𝑟13 𝑝41 + 𝑟23 𝑝42 + 𝑝43
Persamaan jalur korelatif pada substruktural 3:
𝑟15 = 𝑝51 + 𝑟12 𝑝52 + 𝑟13 𝑝53 + 𝑟14 𝑝54
𝑟25 = 𝑟12 𝑝51 + 𝑝52 + 𝑟23 𝑝53 + 𝑟24 𝑝54
𝑟35 = 𝑟13 𝑝51 + 𝑟23 𝑝52 + 𝑝53 + 𝑟34 𝑝54
𝑟45 = 𝑟14 𝑝51 + 𝑟24 𝑝52 + 𝑟34 𝑝53 + 𝑝54
 Selanjutnya dengan memasukan koefisien korelasi pada persamaan tersebut, maka dengan mudah
koefisien pengaruhnya dapat ditemukan.
E. Contoh Kasus dan Penyelesaian dengan Aplikasi Lisrel 8.8 (Student version)
Kasus Analisis Jalur 1
Dilakukan suatu penelitian yang melibatkan beberapa variabel antara lain yaitu, Pengaruh Promosi
(X1), Kecukupan Modal (X2), Skala Usaha (X3), Pendapatan Operasional (X4), Jumlah Hutang (X5),
dan Profitabilitas Perusahaan (X6). Dan data disajikan sebagai berikut:
Tabel 1. Data Contoh Hasil Survei 120 Perusahaan
Perusahaan X1 X2 X3 X4 X5 X6
1 188 106 110 113 159 128
2 161 65 89 95 183 73
3 222 155 145 158 173 122
4 146 98 52 64 220 106
5 165 114 75 90 197 104
6 155 89 108 91 144 163
7 220 150 143 153 188 97
8 199 129 128 131 153 123
9 175 96 60 102 218 158
10 179 97 105 110 186 164
11 190 122 120 121 224 111
12 159 103 96 105 158 137
13 185 120 117 117 177 130
14 226 156 149 159 163 114
15 160 115 76 99 157 105
16 131 88 63 105 129 96
17 150 111 106 97 148 119
18 144 117 114 115 142 125
19 198 128 126 130 196 136
20 168 93 107 76 166 101
21 186 59 102 90 184 67
22 139 89 106 47 137 97
23 147 107 109 112 145 115
24 164 117 73 103 162 125
25 166 99 108 104 164 107
26 219 145 143 148 217 153
27 173 52 80 110 171 60
28 197 128 126 130 195 136
29 178 108 95 79 176 116
30 203 133 130 137 201 141
31 171 94 98 96 169 102
32 164 84 92 100 162 92
33 172 111 101 76 170 119
34 185 105 89 46 183 113
35 170 103 62 45 168 111
36 199 130 128 132 197 138
37 180 88 90 93 178 96
38 206 136 133 139 204 144
39 216 144 140 148 214 152
40 169 109 91 108 167 117
41 231 159 155 161 229 167
42 178 96 111 113 176 104
43 183 96 75 56 181 104
44 197 127 125 129 195 135
45 138 76 99 82 136 84
46 163 57 84 111 161 65
47 165 91 104 75 163 99
48 140 106 57 61 138 114
49 213 143 139 147 211 151
50 178 113 69 100 176 121
51 177 103 82 93 175 111
52 194 126 123 123 192 134
53 173 112 105 107 171 120
54 172 104 77 109 170 112
55 145 99 67 94 143 107
56 192 121 118 119 190 129
57 176 60 91 82 174 68
58 196 126 123 125 193 134
59 186 92 113 115 184 100
60 187 70 98 89 185 78
61 171 50 62 98 169 58
62 183 113 100 92 181 121
63 138 99 99 106 136 107
64 176 107 77 57 174 115
65 179 114 79 94 177 122
66 211 137 136 15 209 145
67 143 98 107 61 141 106
68 187 94 83 82 185 102
69 181 106 112 114 179 114
70 200 132 129 132 198 140
71 181 105 55 106 179 113
72 177 123 122 122 175 131
73 145 97 74 93 143 105
74 169 118 116 116 167 126
75 180 99 102 88 178 107
76 187 87 58 82 185 95
77 133 90 85 98 131 98
78 177 112 112 114 175 120
79 150 93 110 113 148 101
80 232 157 157 162 230 165
81 129 63 88 92 127 71
82 183 73 97 94 181 81
83 144 119 116 117 142 127
84 151 106 65 109 149 114
85 160 100 76 92 158 108
86 160 108 92 87 158 116
87 204 134 131 137 202 142
88 170 117 115 116 168 125
89 161 89 56 97 159 97
90 175 80 103 102 173 88
91 151 91 93 107 149 99
92 182 101 104 103 180 109
93 148 72 86 89 146 80
94 162 65 82 68 160 73
95 112 118 115 116 113 126
96 82 105 67 77 180 113
97 148 100 79 71 146 108
98 210 136 134 141 208 144
99 152 53 89 108 150 61
100 147 94 100 63 145 102
101 168 100 101 104 166 108
102 214 143 139 147 212 151
103 184 109 78 78 182 77
104 127 95 111 114 125 103
105 162 95 51 65 160 103
106 212 141 137 146 210 149
107 136 114 106 91 134 122
108 124 83 68 99 122 91
109 196 127 124 127 194 135
110 145 106 85 108 143 114
111 159 77 101 97 157 85
112 184 84 54 109 182 92
 113 191 92 84 81 189 100
114 146 71 93 100 144 79
115 186 102 103 68 184 110
116 163 60 68 84 161 68
117 192 125 122 123 190 133
118 152 87 114 115 150 95
119 174 116 95 76 172 124
120 188 101 94 54 186 109

1. Kasus dengan dua persamaan struktural (2 jalur)

Akan diteliti pengaruh Promosi (X1), Kecukupan Modal (X2), Skala Usaha (X3), dan
Pendapatan Operasional (X4) terhadap Profitabilitas Perusahaan (X6).
Analisis kasus:
Dari permasalahan diatas dapat dibuat diagram jalur sebagai berikut.

e1
Pengaruh e2
P61 r16
romosi (X1) p41
r12 r14
Pendapatan
Kecukupan p42 r24 Operasional p64 Profitabilitas
r13 p62 (X4) Perusahaan
Modal (X2) r46
r34 (X6)
r23 p43 r26
Skala Usaha
p63 r36
(X3)

Gambar 5. Diagram Jalur Profitabilitas Perusahaan

 Hipotesis dari kasus diatas antara lain.
1. Terdapat pengaruh langsung pengaruh promosi terhadap pendapatan operasional.
2. Terdapat pengaruh langsung pengaruh promosi terhadap profitabilitas perusahaan.
3. Terdapat pengaruh langsung kecukupan modal terhadap pendapatan operasional.
4. Terdapat pengaruh langsung skala usaha terhadap pendapatan operasional.
5. Terdapat pengaruh langsung skala usaha terhadap profitabilitas perusahaan.
6. Terdapat pengaruh langsung pendapatan operasional terhadap profitabilitas perusahaan.
7. Terdapat pengaruh langsung kecukupan modal terhadap profitabilitas perusahaan.
8. Terdapat pengaruh tidak langsung pengaruh promosi terhadap profitabilitas perusahaan melaui
pendapatan operasional.
 9. Terdapat pengaruh tidak langsung kecukupan modal terhadap profitabilitas perusahaan melaui
pendapatan operasional.
10. Terdapat pengaruh tidak langsung skala usaha terhadap profitabilitas perusahaan melaui
pendapatan operasional.
 Teknik analisis jalur menggunakan Lisrel 8.8
1. Klik Start, klik All Program, klik Lisrel 8.8 (student), maka akan muncul tampilan awal
sebagai berikut.

Gambar 6. Tampilan Awal Lisrel

2. Pilih menu File  New atau bisa dengan klik icon New maka akan muncul submenu pilihan
sebagai berikut.

Gambar 7. Tampilan Submenu pada New

Secara garis besar menu-menu pada new dapat dijelaskan sebagai berikut.
 Menu Syntax Only
Menu syntax only berfungsi untuk menuliskan berbagai syntax program Lisrel, seperti
Lisrel Project atau Simplis Project. Dan data yang diinput pada syntax berupa matriks
korelasi atau matriks kovarian.
 Menu Prelis Data
Prelis (Preprossesor for Lisrel) merupakan analisis awal yang digunakan secara efektiif
untuk menyimpan data dan juag memberikan deskripsi awal mengenai data. Tampilannya
mirip dengan worksheet pada Ms. Excel atau SPSS yang terdiri dari baris dan kolom.
Setelah data diinput, variabel pada data harus didefinisikan terlebih dahulu, hal ini
dikarenakan data yang pertama kali diinput merupakan data mentah, sehingga Lisrel akan
 memperlakukan variabel kategorikal yang terdistribusi secara normal dapat dianggap
sebagai jenis data yang kontinu. Pada menu statistik prelis dapat dilakukan beberapa
analisis statistik multivariat termasuk menormalisasi data (z-score).
 Menu Lisrel Project
Lisrel Project adalah menu template untuk menuliskan program khusus menggunakan
bahasa pemrograman lisrel.
 Menu Path Diagram
Pada menu ini difungsikan untuk memvisualisasikan model hubungan antar variabel
lengkap dengan koefisien pengaruhnya.
 Menu Simplis Project
Menu Simplis Project merupakan suatu template untuk menuliskan syntax program khusus
untuk bahasa Simplis. Syntax program yang dituliskan pada menu ini lebih interaktif
dengan editor yang lebih lengkap dibanding dengan editor syntax only. Bahasa
pemrograman pada Simplis mirip dengan Lisrel Project namun bahasa pemrograman
simplis lebih familier atau “user friendly” dibandingkan dengan bahasa pemrograman
Lisrel Project.
3. Pilih menu Prelis Data, maka akan muncul tampilan sebagai berikut.

Gambar 8. Tampilan Awal Prelis Data

4. Import data yang akan dianalisis. Dengan cara klik File  Import Data. Jenis data yang dapat
di import pada Lisrel Student 8.8 hanya ada 5 (*.raw, *.dat, *csv, *.sav, dan *.txt). Karena
sebelumnya data telah di save dengan nama contoh analisis jalur.csv, maka sebelumnya pada
kolom files of type dipilih format data berupa Comma Delimited Data (*.csv) pilih file contoh
analisis jalur >> open. Save data dengan nama Kasus1 dengan save as type: “PRELIS Data
(*.psf)”. Maka akan muncul kotak dialog seperti berikut.
 Gambar 9. Kotak Dialog Enter Number of Variables
Kemudian ketikkan jumlah variabel yang terdapat didalam data lalu klik ok, maka akan
muncul tampilan sebagai berikut.

Gambar 10. Input Data pada Prelis

5. Sebelum data diolah, data harus didefinisikan terlebih dahulu dengan cara pilih Data 
Define Variable atau dengan Klik Kanan  Define Variable, maka akan muncul kotak
dialog sebagai berikut.

Gambar 11. Mendefinisiakan Variable

Setelah muncul kotak dialog define variables, klik salah satu variable lalu klik Variable
Type. Maka akan muncul kotak dialog sebagai berikut.
 Gambar 12. Mendefinisikan Variable X1
Kemudian pilih Continuous  Apply To All  Ok maka variabel yang telah diinputkan tadi
telah terdefinisi.
6. Proses analisis jalur
Dalam penggambar path atau pola hubungan dalam software lisrel terdapat du acara yaitu:
 Dengan menggunakan Path Diagram
Untuk mengaktifkan lembar path diagram, klik New  Path Diagram  Ok. Maka akan
muncul tampilan seperti berikut.

Gambar 13. Lembar Kerja Path Diagram

Selanjutnya definisikan dan inputkan Prelis data kasus 1.psf. Klik Setup  Variables 
Add/Read Variables. Maka akan muncul kotak dialog sebagai berikut.
 Gambar 14. Input Data Prelis pada Path Diagram
Pada kotak Read from files, pilih Prelis System File  browse file Kasus 1.psf  Ok.
Kemudian klik Next  pada kotak number of observation ketik 120  Ok  Ok. Maka
tampilan pada lembar path diagram menjadi seperti berikut.

Gambar 15. Input Data Prelis pada Path Diagram Berhasil

Sebelum menggambar path, harus ditentukan terlebih dahulu variabel endogen dan
variabel eksogennya pada kolom Observed Y. Tinjau kembali path diagram pada Kasus 1,
dapat diketahui bahwa X4 dan X6 adalah variabel endogen sedangkan X1, X2, X3 adalah
variabel eksogen. Karena X4 dan X6 adalah variabel endogen, maka pada kolom Observed Y
centang kotak X4 dan X6 saja.
 Gambar 16. Menentukan Variable Endogen dan Eksogen
Langkah selanjutnya menggambar diagram jalur dengan cara memindahkan variabel X1,
X2, X3, X4, X6 dari kolom Observed Y ke lembar kerja Path Diagram. Memindahkan variabel
tersebut hanya dengan klik variabel X1 kemudian tahan lalu lepaskan pada lembar kerja Path
Diagram, untuk variabel lainnya caranya sama. Maka akan memiliki tampilan sebagai berikut

Gambar 17. Menggambar Variable Endogen dan Eksogen

Kemudian untuk menggambar panah, klik Icon  Tarik garis dari X1 ke X4, X2 ke
X4, X3 ke X4, X1 ke X6, X2 ke X6, X3 ke X6, dan X4 ke X6  maka akan muncul tampilan
seperti berikut.

Gambar 18. Menggambar Path Diagram Kasus 1

 Kemudian klik icon Run . Perhatikan pada Syntax Simplis, jika option belum tertulis
pada syntax, setelah baris Path Diagram tekan Enter  tuliskan Options: SS EF. Kemudian
klik Run kembali.
 Dengan menggunakan Simplis Project
Untuk mengaktifkan lembar kerja Simplis Project dapat dilakukan dengan cara File 
New  Simplis Project  Ok. Maka akan memiliki tampilan sebagai berikut.

Gambar 19. Tampilan Lembar Kerja Simplis Project

Kemudian definisikan variabel, dengan cara klik Setup  Variables  Add/Read
Variables  pada kotak Read From Files  pilih Prelis System File  browse file Kasus
1.psf  Ok. Kemudian klik Next  pada kotak number of observation ketik 120  Ok 
Ok.
Kemudian membangun syntax pada Simplis Project, dengan cara klik Setup  Buil
Simplis Syntax atau dengan meneklan F8 pada keyboard. Sehingga diperoleh tampilan
sebagai berikut.
 Gambar 20. Tampilan Syntax Simplis Project
Kemudian tuliskan relationshipnya, dengan cara tekan enter setelah “Relationship” 
tuliskan hubungan X4 = X1 X2 X3 dan X6 = X1 X2 X3 X4  setelah Path Diagram tekan
Enter  tuliskan Options: SS EF. Maka tampilan akan menjadi seperti berikut.

Gambar 21. Tampilan Syntax Simplis Project Kasus 1

 Kemudian cukup klik icon Run satu kali.
7. Analisis Output
Dari proses yang telah dilakukan sebelumnya, didapatkan output sebagai berikut.
 Path Diagram

Gambar 22. Path Diagram Kasus

 Output

DATE: 4/15/2017
TIME: 9:45

L I S R E L 8.80

BY

Karl G. Jöreskog & Dag Sörbom

This program is published exclusively by

Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-2006
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file D:\kasus1.SPJ:

Raw Data from file 'D:\kasus.psf'

Sample Size = 120
Relationships
X6 = X4
X4 = X1 X2 X3
X6 = X1 X2 X3
Path Diagram
Options: SS EF
Print Residuals
Save Sigma in File kasus1.sis
End of Problem

Sample Size = 120

Covariance Matrix

X4 X6 X1 X2 X3
-------- -------- -------- -------- --------
X4 723.86
X6 283.03 576.35
X1 336.51 279.60 677.10
X2 348.34 477.37 356.38 565.97
X3 426.68 329.24 379.38 389.73 614.25

Number of Iterations = 0

LISREL Estimates (Maximum Likelihood)

Structural Equations

X4 = 0.11*X1 + 0.20*X2 + 0.50*X3, Errorvar.= 403.56, R² = 0.44

(0.093) (0.11) (0.11) (52.99)
1.20 1.85 4.66 7.62

X6 = - 0.022*X4 - 0.050*X1 + 0.87*X2 + 0.033*X3, Errorvar.= 172.41, R² = 0.70

(0.061) (0.061) (0.073) (0.076) (22.64)
-0.35 -0.82 11.89 0.43 7.62

Reduced Form Equations

X4 = 0.11*X1 + 0.20*X2 + 0.50*X3, Errorvar.= 403.56, R² = 0.44

(0.093) (0.11) (0.11)
1.20 1.85 4.66

X6 = - 0.053*X1 + 0.86*X2 + 0.022*X3, Errorvar.= 172.59, R² = 0.70

(0.061) (0.072) (0.070)
-0.87 12.00 0.32

Covariance Matrix of Independent Variables

X1 X2 X3
-------- -------- --------
X1 677.10
(88.91)
7.62
 X2 356.38 565.97
(66.32) (74.32)
5.37 7.62
X3 379.38 389.73 614.25
(69.47) (65.62) (80.66)
5.46 5.94 7.62

Covariance Matrix of Latent Variables

X4 X6 X1 X2 X3
-------- -------- -------- -------- --------
X4 723.86
X6 283.03 576.35
X1 336.51 279.60 677.10
X2 348.34 477.37 356.38 565.97
X3 426.68 329.24 379.38 389.73 614.25

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)

The Model is Saturated, the Fit is Perfect !

Standardized Solution

BETA

X4 X6
-------- --------
X4 -- --
X6 -0.02 --

GAMMA

X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.05 0.86 0.03

Correlation Matrix of Y and X

X4 X6 X1 X2 X3
-------- -------- -------- -------- --------
X4 1.00
X6 0.44 1.00
X1 0.48 0.45 1.00
X2 0.54 0.84 0.58 1.00
X3 0.64 0.55 0.59 0.66 1.00

PSI
Note: This matrix is diagonal.

X4 X6
 -------- --------
0.56 0.30

Regression Matrix Y on X (Standardized)

X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.06 0.85 0.02

Total and Indirect Effects

Total Effects of X on Y

X1 X2 X3
-------- -------- --------
X4 0.11 0.20 0.50
(0.09) (0.11) (0.11)
1.20 1.85 4.66
X6 -0.05 0.86 0.02
(0.06) (0.07) (0.07)
-0.87 12.00 0.32

Indirect Effects of X on Y

X1 X2 X3
-------- -------- --------
X4 -- -- --
X6 0.00 0.00 -0.01
(0.01) (0.01) (0.03)
-0.34 -0.35 -0.35

Total Effects of Y on Y

X4 X6
-------- --------
X4 -- --
X6 -0.02 --
(0.06)
-0.35

Largest Eigenvalue of B*B' (Stability Index) is 0.000

Standardized Total and Indirect Effects

Standardized Total Effects of X on Y

X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.06 0.85 0.02

Standardized Indirect Effects of X on Y

 X1 X2 X3
-------- -------- --------
X4 -- -- --
X6 0.00 0.00 -0.01

Standardized Total Effects of Y on Y

X4 X6
-------- --------
X4 -- --
X6 -0.02 --

Time used: 0.016 Seconds

Output diatas dapat dijelaskan sebagai berikut.

1. Covariance Matrix

X4 X6 X1 X2 X3
-------- -------- -------- -------- --------
X4 723.86
X6 283.03 576.35
X1 336.51 279.60 677.10
X2 348.34 477.37 356.38 565.97
X3 426.68 329.24 379.38 389.73 614.25

Kovarians menunjukkan hubungan linear yang terjadi antar kedua variabel. Konsep
dari kovarians yaitu melihat hubungan variasi pada kedua variabel yang terjadi secara
bersama-sama. Jika suatu variabel memiiki hubungan linear yang positif maka nilai
kovariansnya positif. Sebaliknya, jika suatu variabel memiliki hubungan linear yang
negatif maka nilai kovariansnya negatif. Jika tidak terdapat hubungan diantara kedua
variabel tersebut maka nilai kovariansnya bernilai nol. Nilai kovarians tidak terbatas
(−∞, +∞). Dari matriks tersebut dapat diketahui kovarians matriks antar variabel yaitu
X4 dengan X6 sebesar 283.03; X1 dengan X4 sebesar 336.51; X1 dengan X6 sebesar
279.60; X2 dengan X4 sebesar 348.34; X2 dengan X6 sebesar 477.37; X2 dengan X1
sebesar 356.38; X3 dengan X4 sebesar 426.68; X3 dengan X6 sebesar 329.24; X3 dengan
X1 sebesar 379.38; dan X3 dengan X2 sebesar 389.73.
2. Structural Equations
X4 = 0.11*X1 + 0.20*X2 + 0.50*X3, Errorvar.= 403.56, R² = 0.44
(0.093) (0.11) (0.11) (52.99)
1.20 1.85 4.66 7.62

X6 = - 0.022*X4 - 0.050*X1 + 0.87*X2 + 0.033*X3, Errorvar.= 172.41, R² = 0.70

(0.061) (0.061) (0.073) (0.076) (22.64)
 -0.35 -0.82 11.89 0.43 7.62

Dari hasil diatas jelas terlihat ada 2 persamaan struktural.

1) X4 = 0.11*X1 + 0.20*X2 + 0.50*X3, Errorvar.= 403.56, R² = 0.44
(0.093) (0.11) (0.11) (52.99)
1.20 1.85 4.66 7.62

Dari hasil tersebut diperoleh persamaan strukturalnya adalah

𝑋4 = 0.11𝑋1 + 0.20𝑋2 + 0.50𝑋3 + 403.56
Secara simultan, X1, X2, dan X3 berpengaruh terhadap X4 sebesar 0.44. Artinya besar
pengaruh X1, X2, dan X3 berpengaruh terhadap X4 sebesar 44% dengan parameter
estimate (error variance) sebesar 403.56; standard error variabel X1 sebesar 0.11, X2
sebesar 0.11, dan X3 sebesar 52.99; serta t-value variabel X1 sebesar 1.85, X2 sebesar
4.66, dan X3 sebesar 7.62.

2) X6 = - 0.022*X4 - 0.050*X1 + 0.87*X2 + 0.033*X3, Errorvar.= 172.41, R² = 0.70

(0.061) (0.061) (0.073) (0.076) (22.64)
-0.35 -0.82 11.89 0.43 7.62

Dari hasil tersebut diperoleh persamaan strukturalnya adalah

𝑋6 = −0.022𝑋4 − 0.050𝑋1 + 0.87𝑋2 + 0.033𝑋3 + 172.41
Secara simultan, X1, X2, X3, dan X4 berpengaruh terhadap X6 sebesar 0.70. Artinya
besar pengaruh X1, X2, X3, dan X4 berpengaruh terhadap X6 sebesar 70% dengan
parameter estimate (error variance) sebesar 172.41; standard error variabel X4 sebesar
0.061, X1 sebesar 0.073, X2 sebesar 0.076, dan X3 sebesar 22.64; serta t-value variabel
X4 sebesar -0.82; variabel X1 sebesar 11.89, X2 sebesar 0.43, dan X3 sebesar 7.62.
3. Reduce form Equation
X4 = 0.11*X1 + 0.20*X2 + 0.50*X3, Errorvar.= 403.56, R² = 0.44
(0.093) (0.11) (0.11)
1.20 1.85 4.66

X6 = - 0.053*X1 + 0.86*X2 + 0.022*X3, Errorvar.= 172.59, R² = 0.70

(0.061) (0.072) (0.070)
-0.87 12.00 0.32
Reduce from Equation adalah bentuk yang lebih sederhana dari persamaan-persamaan
struktural, dimana pada sis kanan tanda sama dengan hanya ada variabel-variabel eksogen.
4. Goodness of Fit Statistics
Goodness of Fit Statistics
 Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)

The Model is Saturated, the Fit is Perfect !

Hasil ini memberikan arti bahwa model memiliki hasil fit yang sangat baik karena memliki
nilai chi-square = 0.00 dan P = 1 (P > 0.05). P adalah probabilitas untuk memperoleh
penyimpangan (deviasi) besar sebagaimana ditunjukkan oleh chi-square. Nilai P yang kurang
dari 0.05 menunjukkan data empirirs yang diperoleh memiliki perbedaan dengan teori yang
dibangun berdasarkan SEM.
5. Standardized Solution
BETA

X4 X6
-------- --------
X4 -- --
X6 -0.02 --

GAMMA

X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.05 0.86 0.03

Matriks BETA menunjukkan hubungan diantara sesama variabel endogen. Bagian kolom
adalah variabel endogen independen dan bagian baris adalah variabel endogen dependen. Dari
output tersebut, dapat diketahui bahwa nilai standardized pengaruh X4 terhadap X6 sebesar -
0.02. Sedangkan matriks GAMMA menunjukkan pengaruh variabel eksogen (independen)
terhadapt variabel eksogen (dependen).

6. Correlation Matrix of Y and X

X4 X6 X1 X2 X3
-------- -------- -------- -------- --------
X4 1.00
X6 0.44 1.00
X1 0.48 0.45 1.00
X2 0.54 0.84 0.58 1.00
X3 0.64 0.55 0.59 0.66 1.00
 Correlation matrix menampilka korelasi atau hubungan dianatara variabel di mana
korelasi antara variabel X4 dan X6 sebesar 0.44; X1 dan X4 sebesar 0.48; X1 dan X6 sebesar
0.45; X2 dan X4 sebesar 0.54; X2 dan X6 sebesar 0.84; X2 dan X1 sebesar 0.58; X3 dan X4
sebesar 0.64; X3 dan X6 sebesar 0.55; X3 dan X1 sebesar 0.59; dan X3 dan X2 sebesar 0.66.
Korelasi yang positif menunjukkan bahwa hubungan diantara variabel adalah searah. Korelasi
yang negatif menunjukkan hubungan yang berlawanan arah. Korelasi nol menunjukkan tidak
ada korelasi antar kedua variabel.
7. PSI
Note: This matrix is diagonal.

X4 X6
-------- --------
0.56 0.30
PSI menampilkan mengenai measurement error (kesalahan pengukuran) pada variabel
endogen, di mana nilainya telah distandardisasi. Variabel X4 memiliki measurement error
sebesar 0.56, sedangkan variabel X6 memiliki measurement error sebesar 0.30. Dengan kata
lain, besarnya pengaruh variabel lain yang mempengaruhi X4 di luar penelitian sebesar 0.56
dan besarnya pengaruh variabel lain yang mempengaruhi X6 di luar penelitian sebesar 0.30.
8. Regression Matrix Y on X (Standardized)
X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.06 0.85 0.02
Matriks ini merupakan gabungan dari matriks BETA dan GAMMA dimana nilai -0.06
diperoleh dari perhitungan (0.11 × −0.02) − 0.05 = −0.0522 = −0.06.
9. Total and Indirect Effects
Total Effects of X on Y

X1 X2 X3
-------- -------- --------
X4 0.11 0.20 0.50
(0.09) (0.11) (0.11)
1.20 1.85 4.66
X6 -0.05 0.86 0.02
(0.06) (0.07) (0.07)
-0.87 12.00 0.32

Indirect Effects of X on Y

X1 X2 X3
-------- -------- --------
X4 -- -- --
 X6 0.00 0.00 -0.01
(0.01) (0.01) (0.03)
-0.34 -0.35 -0.35

Total Effects of Y on Y

X4 X6
-------- --------
X4 -- --
X6 -0.02 --
(0.06)
-0.35
Matriks total effects menjelaskan mengenai total pengaruh variabel eksogen terhadap
variabel endogen. Indirect effect of X on Y menjelaskan besar pengaruh tidak langsung dari
eksogen terhadap variabel endogen X6. Sedangkan total effects of Y on Y menjelaskan total
pengaruh antar variabel endogen yakni variabel X4 terhadap X6.
8. Intepretasi Hasil Analisis Jalur
a. Persamaan Struktural
Dari output diatas diperoleh persamaan struktural sebagai berikut.
Persamaan Struktural 1
𝑋4 = 0.11𝑋1 + 0.20𝑋2 + 0.50𝑋3 + 403.56
Persamaan Struktural 2
𝑋6 = −0.022𝑋4 − 0.050𝑋1 + 0.87𝑋2 + 0.033𝑋3 + 172.41
b. Besar Pengaruh
 Secara simultan, X1, X2, dan X3 berpengaruh terhadap X4 sebesar 0.44
 Secara simultan, X1, X2, X3, dan X4 berpengaruh terhadap X6 sebesar 0.70
c. Hasil analisis jalur
Tabel berikut ini memberikan rangkuman hasil analisis jalur.
Tabel 2. Hasil Analisis Jalur Kasus 1
Pengaruh
Variabel Koefisien Jalur
Langsung Tidak Langsung Total
X1 terhadap X4 0.11 0.11 - 0.11
X2 terhadap X4 0.20 0.20 - 0.20
X3 terhadap X4 0.50 0.50 - 0.50
X1 terhadap X6 -0.05 -0.05 0.00 0.05
X2 terhadap X6 0.87 0.87 0.00 0.86
 X3 terhadap X6 0.03 0.03 -0.01 0.02
X4 terhadap X6 -0.02 -0.02 - -0.02
𝜺𝟏 403.56
𝜺𝟐 172.41

Dari tabel diatas didapat model sebagai berikut.

403.56
Pengaruh 172.41
-0.05 0.45
romosi (X1) 0.11
0.58 0.48
Pendapatan
Kecukupan 0.20 0.54 Operasional -0.02 Profitabilitas
0.59 (X4) Perusahaan
Modal (X2) 0.87 0.44
0.64 (X6)
0.66 0.50 0.84
Skala Usaha
0.03 0.55
(X3)

Gambar 23. Model Jalur Kasus 1

2. Kasus dengan Tiga Persamaan Struktural (Tiga Jalur)

Akan diteliti Pengaruh Promosi (X1), Kecukupan Modal (X2), Skala Usaha (X3), Pendapatan
Operasional (X4), dan Jumlah Hutang (X5) terhadap Profitabilitas Perusahaan (X6). Kasus tersebut
ditunjukkan dengan diagram jalur berikut.

e1
p41 Pendapatan
Pengaruh r14 Operasional e2
romosi (X1) P51 P61 r16 (X4) p64
r12
r24 r46
Profitabilitas
Kecukupan p42 r15
r13 p62 Perusahaan
Modal (X2) r26
(X6)
r34 p52
r23 r25
p43 p65
p63 r36 Jumlah r56
Skala Usaha Hutang (X5)
(X3) p53 r35 e2

Gambar 24. Diagram Jalur Kasus 2

Untuk hipotesis dan intepretasi analisis njalur dari kasus 2 dapat dibuat sebagai latihan.
Kasus Analisis Jalur 2
Pada penelitian ini, variabel-variabel yang digunakan antara lain information quality info, system
quality, service quality, dan use sebagai variabel eksogen sedangkan variabel intention to use, user
satisfaction, dan net benefits sebagai variabel endogen. Model yang digunakan pada penelitian ini adalah
model jalur Delon Mc Lean yang ditampilkan sebagai berikut.

Dari model tersebut, variabel-variabelnya dimisalkan sebagai berikut,

X1: Information Quality Info
X2: System Quality
X3: Service quality
X4: Use
Y1: Intention to use
Y2: User Satisfaction
Y3: Net Benefits
Sehingga diperoleh hipotesis sebagai berikut:
11. Terdapat pengaruh langsung X1 terhadap Y1.
12. Terdapat pengaruh langsung X2 terhadap Y1.
13. Terdapat pengaruh langsung X3 terhadap Y1.
14. Terdapat pengaruh langsung Y2 terhadap Y1.
15. Terdapat pengaruh langsung Y3 terhadap Y1.
16. Terdapat pengaruh langsung X1 terhadap Y2.
17. Terdapat pengaruh langsung X2 terhadap Y2.
18. Terdapat pengaruh langsung X3 terhadap Y2.
19. Terdapat pengaruh langsung X4 terhadap Y2.
20. Terdapat pengaruh langsung Y3 terhadap Y2.
21. Terdapat pengaruh langsung Y1 terhadap Y3.
22. Terdapat pengaruh langsung X4 terhadap Y3.
23. Terdapat pengaruh tidak langsung X1 terhadap Y1 melalui Y2.
24. Terdapat pengaruh tidak langsung X2 terhadap Y1 melalui Y2.
25. Terdapat pengaruh tidak langsung X3 terhadap Y1 melalui Y2.
26. Terdapat pengaruh tidak langsung X4 terhadap Y1 melalui Y2.
27. Terdapat pengaruh tidak langsung Y3 terhadap Y1 melalui Y2.
28. Terdapat pengaruh tidak langsung X1 terhadap Y3 melalui Y2.
29. Terdapat pengaruh tidak langsung X2 terhadap Y3 melalui Y2.
30. Terdapat pengaruh tidak langsung X3 terhadap Y3 melalui Y2.
31. Terdapat pengaruh tidak langsung X4 terhadap Y3 melalui Y2.
32. Terdapat pengaruh tidak langsung X4 terhadap Y2 melalui Y3.
Model jalur Delon Mc Lean merupakan model persamaan tiga jalur dengan struktur persamaan sebagai
berikut:
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1
Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2
Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

Sebelum melakukan analisis jalur, hal yang harus diuji terlebih dahulu adalah uji asumsi yang terdiri dari
uji normalitas, autokorelasi, multikolinearitas, heterokedastisitas, dan linearitas.

 Uji Asumsi
1. Uji Normalitas
Uji normalitas merupakan uji yang digunakan untuk mengecek apakah residual berdistribusi normal
atau tidak. Dalam pengujian normalitas ini menggunakan uji Kolmogorov smirnov. Dikarenakan ada 3
variabel endogen, maka ada 3 uji normalitas untuk masing-masing variabel endogen.
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1

One-Sample Kolmogorov-Smirnov Test

 Unstandardized
Residual

N 300
Mean 0E-7
Normal Parametersa,b
Std. Deviation 1.73298451
Absolute .043
Most Extreme Differences Positive .031
Negative -.043
Kolmogorov-Smirnov Z .748
Asymp. Sig. (2-tailed) .630

a. Test distribution is Normal.

b. Calculated from data.

 Hipotesis
𝐻0 : Data berdistribusi normal
𝐻1 : Data tidak berdistribusi normal
 Kriteria Uji
 𝐻0 diterima jika nilai sig. > 0,05.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai sig. = 0,630 > 0,05. Jadi 𝐻0 diterima, sehingga data
berdistribusi normal.
Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 300
Mean 0E-7
Normal Parametersa,b
Std. Deviation 2.42399757
Absolute .052
Most Extreme Differences Positive .052
Negative -.048
Kolmogorov-Smirnov Z .909
Asymp. Sig. (2-tailed) .381

a. Test distribution is Normal.

b. Calculated from data.
 Hipotesis
𝐻0 : Data berdistribusi normal
𝐻1 : Data tidak berdistribusi normal
 Kriteria Uji
𝐻0 diterima jika nilai sig. > 0,05.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai sig. = 0,381 > 0,05. Jadi 𝐻0 diterima, sehingga data
berdistribusi normal.
Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual

N 300
Mean 0E-7
Normal Parametersa,b
Std. Deviation 2.61037716
Absolute .052
Most Extreme Differences Positive .041
Negative -.052
Kolmogorov-Smirnov Z .901
Asymp. Sig. (2-tailed) .391

a. Test distribution is Normal.

b. Calculated from data.
  Hipotesis
𝐻0 : Data berdistribusi normal
𝐻1 : Data tidak berdistribusi normal
 Kriteria Uji
𝐻0 diterima jika nilai sig. > 0,05.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai sig. = 0,391 > 0,05. Jadi 𝐻0 diterima, sehingga data
berdistribusi normal.
2. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
autokorelasi yaitu korelasi yang terjadi antara residual pada satu pengamatan dengan pengamatan lain
pada model regresi.
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate
 1 .710a .505 .496 1.74766 1.294

a. Predictors: (Constant), Y3, X3, X2, X1, Y2

b. Dependent Variable: Y1

 Menyusun Hipotesis
𝐻0 : Data tidak terjadi autokorelasi
𝐻1 : Data terjadi autokorelasi
 Kriteria pengujian Autokorelasi dengan menggunakan uji DW:
Terima 𝐻0 jika:
-2 < DW < 2
 Intepretasi Hasil
Berdasarkan hasil pengujian diatas , nilai Durbin Watson berada pada rentang nilai -2 < 1,294 < 2.
Jadi 𝐻0 diterima, sehingga data tidak terjadi autokorelasi.

Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 .660a .435 .426 2.44452 1.276

a. Predictors: (Constant), X4, Y3, X3, X2, X1

b. Dependent Variable: Y2

 Menyusun Hipotesis
𝐻0 : Data tidak terjadi autokorelasi
𝐻1 : Data terjadi autokorelasi
 Kriteria pengujian Autokorelasi dengan menggunakan uji DW:
Terima 𝐻0 jika:
-2 < DW < 2
 Intepretasi Hasil
Berdasarkan hasil pengujian diatas , nilai Durbin Watson berada pada rentang nilai -2 < 1,276 < 2.
Jadi 𝐻0 diterima, sehingga data tidak terjadi autokorelasi.

Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

 Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 .462a .214 .209 2.61915 1.076

a. Predictors: (Constant), Y2, X4

b. Dependent Variable: Y3

 Menyusun Hipotesis
𝐻0 : Data tidak terjadi autokorelasi
𝐻1 : Data terjadi autokorelasi
 Kriteria pengujian Autokorelasi dengan menggunakan uji DW:
Terima 𝐻0 jika:
-2 < DW < 2
 Intepretasi Hasil
Berdasarkan hasil pengujian diatas , nilai Durbin Watson berada pada rentang nilai -2 < 1,076 < 2.
Jadi 𝐻0 diterima, sehingga data tidak terjadi autokorelasi.
3. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi.
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1
Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

(Constant) -2.166 .600 -3.608 .000

X1 .242 .034 .349 7.080 .000 .692 1.446

X2 .035 .048 .039 .715 .475 .580 1.723

1
X3 .368 .060 .272 6.165 .000 .868 1.153

Y2 .061 .041 .079 1.468 .143 .578 1.730

Y3 .211 .040 .252 5.224 .000 .725 1.380

a. Dependent Variable: Y1

 Hipotesis
𝐻0 : Data tidak terjangkit multikolinearitas
 𝐻1 : Data terjangkit multikolinearitas
 Kriteria Uji
𝐻0 diterima jika nilai VIF semua variabel eksogen < 10.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai VIF semua variabel eksogen < 10. Jadi 𝐻0 diterima,
sehingga data tidak terjangkit multikolinearitas.
Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

(Constant) .523 .871 .601 .549

X1 .085 .048 .094 1.773 .077 .683 1.464

X2 .483 .062 .411 7.790 .000 .691 1.446

1
X3 -.018 .087 -.010 -.202 .840 .799 1.252

Y3 .257 .054 .235 4.730 .000 .779 1.283

X4 .182 .070 .134 2.614 .009 .735 1.360

a. Dependent Variable: Y2

 Hipotesis
𝐻0 : Data tidak terjangkit multikolinearitas
𝐻1 : Data terjangkit multikolinearitas
 Kriteria Uji
𝐻0 diterima jika nilai VIF semua variabel eksogen < 10.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai VIF semua variabel eksogen < 10. Jadi 𝐻0 diterima,
sehingga data tidak terjangkit multikolinearitas.
Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

1 (Constant) 5.380 .769 6.994 .000
 Y2 .365 .051 .400 7.161 .000 .849 1.178

X4 .154 .069 .124 2.225 .027 .849 1.178

a. Dependent Variable: Y3

 Hipotesis
𝐻0 : Data tidak terjangkit multikolinearitas
𝐻1 : Data terjangkit multikolinearitas
 Kriteria Uji
𝐻0 diterima jika nilai VIF semua variabel eksogen < 10.
 Intepretasi Hasil
Pada output diatas dapat diketahui bahwa nilai VIF semua variabel eksogen < 10. Jadi 𝐻0 diterima,
sehingga data tidak terjangkit multikolinearitas.
4. Uji Heterokedastisitas
Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
heteroskedastisitas yaitu adanya ketidaksamaan varian dari residual untuk semua pengamatan pada model
regresi.
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 1.964 .358 5.491 .000

Y2 .006 .025 .018 .231 .817

X1 -.014 .020 -.049 -.701 .484
1
X2 -.041 .029 -.109 -1.436 .152

X3 .003 .036 .006 .092 .927

Y3 .008 .024 .024 .350 .726

a. Dependent Variable: ABS_RES1

 Menyusun Hipotesis
𝐻0 : Tidak terjadi Heteroskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
 Kriteria pengujian heterokedastisitas:
 Terima 𝐻0 jika:
Seluruh variabel bebasnya memiliki nilai sig. > 0,05
 Intepretasi Hasil:
Nilai signifikansi kelima variabel independent lebih dari 0,05. Jadi 𝐻0 diterima. Dengan demikian
dapat disimpulkan bahwa data tidak terjadi heteroskedastisitas.
Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 3.243 .553 5.861 .000

X1 -.055 .031 -.122 -1.800 .073

X2 -.020 .039 -.034 -.504 .615

1
X3 .150 .055 .170 2.705 .007

Y3 .030 .035 .056 .881 .379

X4 -.142 .044 -.211 -3.212 .001

a. Dependent Variable: ABS_RES2

 Menyusun Hipotesis
𝐻0 : Tidak terjadi Heteroskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
 Kriteria pengujian heterokedastisitas:
Terima 𝐻0 jika:
Seluruh variabel bebasnya memiliki nilai sig. > 0,05
 Intepretasi Hasil:
Nilai signifikansi variabel-variabel independent lebih dari 0,05, kecuali X4 yang kurang dari 0,05.
Dikarenakan ada satu variabel bebas yang tidak memenuhi syarat, jadi 𝐻1 diterima. Dengan demikian
dapat disimpulkan bahwa data terjadi heteroskedastisitas.
Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients
 B Std. Error Beta

(Constant) 2.166 .483 4.485 .000

1 X4 -.009 .044 -.012 -.196 .845

Y2 -.004 .032 -.008 -.124 .901

a. Dependent Variable: ABS_RES3

 Menyusun Hipotesis
𝐻0 : Tidak terjadi Heteroskedastisitas
𝐻1 : Terjadi Heteroskedastisitas
 Kriteria pengujian heterokedastisitas:
Terima 𝐻0 jika:
Seluruh variabel bebasnya memiliki nilai sig. > 0,05
 Intepretasi Hasil:
Nilai signifikansi kedua variabel independent lebih dari 0,05. Jadi 𝐻0 diterima. Dengan demikian
dapat disimpulkan bahwa data tidak terjadi heteroskedastisitas.
5. Uji Linearitas
Uji linearitas bertujuan untuk mengetahui apakah variabel independen mempunyai hubungan yang
linear atau tidak secara signifikan terhadap variabel dependen. Uji ini digunakan sebagai prasyarat dalam
analisis regresi linear.
Persamaan Struktural 1: 𝑌1 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑌2 + 𝑒𝑌3 + 𝑒1
ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 914.949 5 182.990 59.912 .000b

1 Residual 897.967 294 3.054

Total 1812.917 299

a. Dependent Variable: Y1
b. Predictors: (Constant), Y3, X3, X2, X1, Y2

 Menyusun Hipotesis
𝐻0 : Tidak ada pengaruh antara variabel independent terhadap variabel dependent nya
𝐻1 : Ada hubungan antara variabel independent terhadap variabel dependent nya
 Kriteria pengujian:
Terima 𝐻0 jika sig. > 0,05
 Intepretasi Hasil
Untuk menguji kelinieritasan pada data tersebut dapat diperhatikan pada table ANOVAa, nilai sig.
sebesar 0.000 < 0,05 berarti 𝐻0 ditolak, jadi variabel independent (Y3, X3, X2, X1, dan Y2)
mempengaruhi variabel Y1.
Persamaan Struktural 2: 𝑌2 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝑑𝑋4 + 𝑒𝑌3 + 𝑒2

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 1353.343 5 270.669 45.295 .000b

1 Residual 1756.853 294 5.976

Total 3110.197 299

a. Dependent Variable: Y2
b. Predictors: (Constant), X4, Y3, X3, X2, X1

 Menyusun Hipotesis
𝐻0 : Tidak ada pengaruh antara variabel independent terhadap variabel dependent nya
𝐻1 : Ada hubungan antara variabel independent terhadap variabel dependent nya
 Kriteria pengujian:
Terima 𝐻0 jika sig. > 0,05
 Intepretasi Hasil
Untuk menguji kelinieritasan pada data tersebut dapat diperhatikan pada table ANOVAa, nilai sig.
sebesar 0.000 < 0,05 berarti 𝐻0 ditolak, jadi variabel independent (Y3, X3, X2, X1, dan X4)
mempengaruhi variabel Y2.
Persamaan Struktural 3: 𝑌3 = 𝑎𝑋4 + 𝑏𝑌2 + 𝑒3

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 554.230 2 277.115 40.396 .000b

1 Residual 2037.407 297 6.860

Total 2591.637 299

a. Dependent Variable: Y3
b. Predictors: (Constant), Y2, X4

 Menyusun Hipotesis
𝐻0 : Tidak ada pengaruh antara variabel independent terhadap variabel dependent nya
 𝐻1 : Ada hubungan antara variabel independent terhadap variabel dependent nya
 Kriteria pengujian:
Terima 𝐻0 jika sig. > 0,05
 Intepretasi Hasil
Untuk menguji kelinieritasan pada data tersebut dapat diperhatikan pada table ANOVAa, nilai sig.
sebesar 0.000 < 0,05 berarti 𝐻0 ditolak, jadi variabel independent (X4 dan Y2) mempengaruhi variabel
Y3.
 Analisis Jalur
Telah ditunjukkan bahwa data tersebut memenuhi asumsi normalitas, multikolinearitas, autokorelasi,
heterokedastisitas, dan linearitas, kecuali untuk persamaan structural 2 yang tidak memenuhi asumsi
heterokedastisitas. Untuk permasalahan pemenuhan asumsi, dapat diabaikan terlebih dahulu dan berakibat
patau tidaknya terhadap model dapat dilihat setelah melakukan proses analisis jalur. Selanjutnya data akan
diuji kecocokkan model jalurnya. Dengan menggunakan Lisrel 8.8, estimasi dengan Maksimum
Likelihood, dan sample size sebanyak 300, maka langkah pengujiannya sebagai berikut.

7. Klik Start , klik All Program, klik Lisrel 8.8 (student), maka akan muncul tampilan awal sebagai
berikut.

8. Pilih menu File  New atau bisa dengan klik icon New maka akan muncul submenu pilihan sebagai
berikut.

9. Pilih menu Prelis Data, maka akan muncul tampilan sebagai berikut.
10. Import data yang akan dianalisis. Dengan cara klik File  Import Data. Jenis data yang dapat di
import pada Lisrel Student 8.8 hanya ada 5 (*.raw, *.dat, *csv, *.sav, dan *.txt). Karena sebelumnya
data telah di save dengan nama coba 2.sav, maka sebelumnya pada kolom files of type dipilih format
data berupa SPSS for Windows (*.sav) pilih file coba 2 >> open. Save data dengan nama coba 2
dengan save as type: “PRELIS Data (*.psf)” lalu klik OK. Maka tampilan akan terlihat sebagai
berikut.

11. Sebelum data diolah, data harus didefinisikan terlebih dahulu dengan cara pilih Data  Define
Variable atau dengan Klik Kanan  Define Variable, maka akan muncul kotak dialog sebagai
berikut.
 Setelah muncul kotak dialog define variables, klik salah satu variable lalu klik Variable Type. Maka
akan muncul kotak dialog sebagai berikut.

Kemudian pilih Continuous  Apply To All  Ok maka variabel yang telah diinputkan tadi telah
terdefinisi.
6. Kemudian jalur akan di gambar pada path diagram. Untuk mengaktifkan lembar path diagram, klik
New  Path Diagram  Ok. Maka akan muncul tampilan seperti berikut.
Selanjutnya definisikan dan inputkan Prelis data coba 2.psf. Klik Setup  Variables  Add/Read
Variables. Maka akan muncul kotak dialog sebagai berikut.

Pada kotak Read from files, pilih Prelis System File  browse file Kasus 1.psf  Ok. Kemudian
klik Next  pada kotak number of observation ketik 300  Ok  Ok.

Maka tampilan pada lembar path diagram menjadi seperti berikut.

 Sebelum menggambar path, harus ditentukan terlebih dahulu variabel endogen dan variabel
eksogennya pada kolom Observed Y. Tinjau kembali gambar model Delon Mc Lean, dapat diketahui
bahwa Y1, Y2, dan Y3 adalah variabel endogen sedangkan X1, X2, X3, dan X4 adalah variabel
eksogen. Maka pada kolom Observed Y centang kotak Y1, Y2, dan Y3 saja.

Langkah selanjutnya menggambar diagram jalur dengan cara memindahkan variabel X1, X2, X3, X4,
Y1, Y2, dan Y3 dari kolom Observed Y ke lembar kerja Path Diagram. Memindahkan variabel
tersebut hanya dengan klik variabel X1 kemudian tahan lalu lepaskan pada lembar kerja Path Diagram,
untuk variabel lainnya caranya sama. Maka akan memiliki tampilan sebagai berikut
 Kemudian untuk menggambar panah, klik Icon  Tarik garis dari X1, X2, X3, Y2, Y3 ke
Y1, X1, X2, X3, X4, Y3 ke Y2, dan X4, Y2 ke Y3  maka akan muncul tampilan seperti berikut.

Kemudian klik icon Run , maka akan tampil Syntax Simplis seperti dibawah ini.
 Untuk menampilkan output yang lebih lengkap, maka tambahkan option belum tertulis pada
syntax, setelah baris Path Diagram tekan Enter  tuliskan Options: SS EF. Kemudian klik Run

kembali. Maka akan muncul output sebagai berikut.

1. Path Diagram

Dari path diagram diatas dapat dilihat bahwa nilai yang terdapat pada anak panah satu arah yang
menghubungkan variabel eksogen ke variabel endogen merupakan nilai dari direct effect, sedangkan
nilai pada anak panah dua arah menunjukkan nilai korelasi, dan anak panah kecil menuju variabel
endogen merupakan nilai error varians nya.
2. Goodness of Fit Statistics
Goodness of Fit Statistics

Degrees of Freedom = 3
Minimum Fit Function Chi-Square = 40.17 (P = 0.00)
Normal Theory Weighted Least Squares Chi-Square = 38.73 (P = 0.00)
Estimated Non-centrality Parameter (NCP) = 35.73
90 Percent Confidence Interval for NCP = (19.25 ; 59.66)

Minimum Fit Function Value = 0.13

Population Discrepancy Function Value (F0) = 0.12
90 Percent Confidence Interval for F0 = (0.065 ; 0.20)
Root Mean Square Error of Approximation (RMSEA) = 0.20
90 Percent Confidence Interval for RMSEA = (0.15 ; 0.26)
 P-Value for Test of Close Fit (RMSEA < 0.05) = 0.00

Expected Cross-Validation Index (ECVI) = 0.30

90 Percent Confidence Interval for ECVI = (0.24 ; 0.38)
ECVI for Saturated Model = 0.19
ECVI for Independence Model = 3.73

Chi-Square for Independence Model with 21 Degrees of Freedom = 1086.92

Independence AIC = 1100.92
Model AIC = 88.73
Saturated AIC = 56.00
Independence CAIC = 1133.85
Model CAIC = 206.33
Saturated CAIC = 187.71

Normed Fit Index (NFI) = 0.96

Non-Normed Fit Index (NNFI) = 0.76
Parsimony Normed Fit Index (PNFI) = 0.14
Comparative Fit Index (CFI) = 0.97
Incremental Fit Index (IFI) = 0.97
Relative Fit Index (RFI) = 0.74

Critical N (CN) = 85.47

Root Mean Square Residual (RMR) = 0.30

Standardized RMR = 0.043
Goodness of Fit Index (GFI) = 0.96
Adjusted Goodness of Fit Index (AGFI) = 0.67
Parsimony Goodness of Fit Index (PGFI) = 0.10

Hasil ini memberikan arti bahwa model kurang fit, untuk analisisnya dapat diterangkan melalui tabel
berikut.
Ukuran Goodness of Fit Kriteria Pengujian Hasil Pengujian Keterangan
P-Value 𝑝 ≥ 0.05 𝑝 = 0.00 < 0.05 Kurang Fit
Chi-Square dan NCP Terlalu lebar, sehingga
Nilai 𝑋 2 dan NCP 𝑋 2 = 38.73 dan
(Non-Centrality menyebabkan model
haruslah rendah NCP = 35.73
Parameter) kurang fit
RMSEA (Root Mean Nilai RMSEA harus <
CI = (0.065 ; 0.20) >
Square Error of 0.10 dan nilai CI sisi
0.05 dan RMSEA = Kurang Fit
Approximation) dan CI kiri dan sisi kanan
0.20 > 0.10
(Confidence Interval) harus < 0.05
ECVI (Expected Cross- Nilai ECVI harus <
ECVI = 0.30 > 0.05 KurangFit
Validation Index) 0.05
Nilai AIC yang kecil Nilai AIC =
AIC (Akaike Information dan mendekati nol 1100.92, terlalu
Kurang Fit
Criterion) yang menunjukkan lebar dan menjauhi
model fit nol

CAIC
RMR (Root Mean Square
Residual) dan SRMR
(Standardized RMR)
GFI (Goodness of Fit
Index) dan AGFI
(Adjusted Goodness of Fit
Index)
CN (Critical N)
Model CAIC =
Nilai model CAIC
206.33 dan Saturated
yang mendekati nilai
CAIC = 187.71,
saturated CAIC Kurang Fit
nilai model
menunjukkan
menjauhi nilai
goodness of fit
saturated
Nilai RMR harus ≤ RMR = 0.30 > 0.05 Untuk RMR kurang fit
0.05 dan SRMR dan SRMR = 0.043 sedangkan SRMR sudah
harus < 0.10 < 0.10 mempunyai model fit
Nilai 0.80 < GFI dan
Untuk GFI, model sudah
AGFI < 0.9 adalah GFI = 0.96 > 0.90
good fit sedangkan
marginal fit dan GFI dan AGFI = 0.67 <
untuk AGFI, model
dan AGFI yang > 0.9 0.80
kurang fit.
adalah good fit
Sebaiknya nilai 𝐶𝑁 ≥
CN = 85.7 < 200 Model kurang fit
200

Dikarenakan model kurang fit, Lisrel dapat memberikan memberikan beberapa saran untuk
memperbaiki kecocokan model terhadap data penelitian yang diuji. Langkah-langkah untuk menampilkan
solusi tersebut, antara lain sebagai berikut.
1. Buka kembali pada menu simplis.

2. Menampilkan perbaikan model dapat dilakukan dengan cara menuliskan “Print residual” pada baris
setelah Options, seperti berikut.
 Kemudian klik icon Run , maka akan tampil tambahan output, yang dijelaskan berikut ini.
Lisrel menyajikan output covariance matrix yang telah di-fit-kan, tujuannya adalah untuk
mengestimasi covariance matrix model penelitian yang diajukan.

Fitted Covariance Matrix

Y1 Y2 Y3 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y1 5.94
Y2 3.59 10.40
Y3 3.42 4.25 8.67
X1 4.83 5.29 3.41 12.68
X2 2.92 4.99 3.21 4.66 7.51
X3 1.97 1.67 1.08 1.55 1.52 3.30
X4 2.04 2.97 1.95 3.05 2.52 1.69

Fitted Covariance Matrix

X4
--------
X4 5.62

Jika covariance matrix dikurangi dengan fitter covariance matrix, maka selisihnya menghasilkan
output residual dalam dua bentuk, yaitu fitted residuals dan standardized residuals. Jika fiited residuals
mendekati atau sama dengan nol, maka semodel memiliki fit yang baik, sedangkan model yang memiliki fit
yang buruk apabila matriks residualnya sangat besar. Jika standardized residuals mendekati atau sam dengan
nol, maka model memiliki fit yang baik

Fitted Residuals

Y1 Y2 Y3 X1 X2 X3
 -------- -------- -------- -------- -------- --------
Y1 0.13
Y2 -0.14 0.00
Y3 0.34 0.00 0.00
X1 0.16 -0.34 0.85 --
X2 -0.08 0.18 -0.45 0.00 --
X3 0.08 -0.17 0.41 -- 0.00 --
X4 0.99 0.00 0.00 0.00 0.00 0.00

Fitted Residuals

X4
--------
X4 --

Summary Statistics for Fitted Residuals

Smallest Fitted Residual = -0.45

Median Fitted Residual = 0.00
Largest Fitted Residual = 0.99

Standardized Residuals

Y1 Y2 Y3 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y1 3.72
Y2 -3.72 --
Y3 3.72 -- --
X1 2.85 -2.85 2.85 --
X2 -3.57 3.57 -3.57 -- --
X3 2.06 -2.06 2.06 -- -- --
X4 4.89 -- -- -- -- --

Standardized Residuals

X4
--------
X4 --

Summary Statistics for Standardized Residuals

Smallest Standardized Residual = -3.72

Median Standardized Residual = 0.00
Largest Standardized Residual = 4.89

Largest Negative Standardized Residuals

Residual for Y2 and Y1 -3.72
Residual for X1 and Y2 -2.85
Residual for X2 and Y1 -3.57
Residual for X2 and Y3 -3.57
Largest Positive Standardized Residuals
Residual for Y1 and Y1 3.72
Residual for Y3 and Y1 3.72
Residual for X1 and Y1 2.85
Residual for X1 and Y3 2.85
Residual for X2 and Y2 3.57
 Residual for X4 and Y1 4.89

Dengan memperhatikan ukuran Goodnes of Fit (GOF) yang kurang baik (fit), maka lisrel memberikan
beberapa saran untuk memperbaiki model seperti pada output berikut.

The Modification Indices Suggest to Add the

Path to from Decrease in Chi-Square New Estimate
Y2 Y1 24.3 -3.04
Y3 Y1 13.4 0.79
Y1 X4 24.3 0.25
Y3 X1 8.2 0.19
Y3 X2 12.9 -0.57

Pada output GOF, terlihat nilai chi-square terlalu besar yaitu 38,73 yang menyebabkan model tidak
fit. Untuk memperbaiki model, dapat dilakukan penambahan, pengurangan, ataupun penggantian jalur (path)
untuk mengurangi nilai chi-square agar lebih signifikan. Sesuai dengan output diatas, jika ditarik jalur dari
Y1 ke Y2 maka nilai chi-square akan berkurang sebesar 24,3, jika ditarik jalur dari Y1 ke Y3 maka nilai chi-
square akan berkurang sebesar 13,4, dst. Pada saat perbaikan model, jalur yang diganti atau ditambahkan
sebaiknya yang dapat mengurangi nilai chi-square secara signifikan serta perbaikan model tersebut akan
membawa beberapa konsekuensi, seperti penggantian atau penambahan hipotesis. Menambah hipotesis
artinya menambah pula teori pendukungnya, jika tidak terdapat teori pendukungnya sebaiknya tidak
dilakukan perbaikan model. Berikut ini akan dilakukan modifikasi model sesuai saran dari LISREL pada
output Modification Indices Suggest di atas. Langkah-langkah yang harus dilakukan adalah sebagai berikut.

 Buka kembali menu simplis. Pada menu simplis, modifikasi model sesuai dengan saran dari lisrel, maka
akan terjadi perubahan syntax seperti dibawah ini.

Syntax pada SIMPLIS sebelum di modifikasi Syntax pada SIMPLIS sesudah di modifikasi
Raw Data from file 'D:\COBA 2.psf' Raw Data from file 'D:\COBA 2.psf'
Sample Size = 300 Sample Size = 300
Relationships Relationships
Y1 = Y2 Y3 Y2 = Y1
Y2 = Y3 Y3 = Y1 Y2
Y3 = Y1 Y1 = X1 X2 X3 X4
Y1 = X1 X2 X3 Y2 = X1 X2 X3 X4
Y2 = X1 X2 X3 X4 Y3 = X1 X2 X4
Y3 = X4 Path Diagram
Path Diagram Options: SS EF
Options: SS EF Print residual
 Print residual End of Problem
End of Problem

Pada tabel diatas, terlihat bahwa persamaan Y1 = Y2 Y3 dihilangkan sebab jalur akan dirubah dari
Y1 menuju Y2 dan Y3, jika persamaan tersebut tidak dihilangkan maka akan menyebabkan model non-
recursive, dalam analisis jalur tidak diperbolehkan adanya arah panah berbalik maka dari itu, untuk jalur
dari Y3 ke Y2 juga dihilangkan. Pada persamaan Y1 ditambahkan jalur dari X4 dan pada persamaan Y3
ditambahkan jalur dari X1 dan X2.

 Kemudian klik icon Run , maka akan menghasilkan output sebagai berikut.

1. Path Diagram

Dari path diagram diatas dapat dilihat bahwa nilai yang terdapat pada anak panah satu arah yang
menghubungkan variabel eksogen ke variabel endogen merupakan nilai dari direct effect, sedangkan
nilai pada anak panah dua arah menunjukkan nilai korelasi, dan anak panah kecil menuju variabel
endogen merupakan nilai error varians nya.
2. Goodness of Fit Statistics
Goodness of Fit Statistics

Degrees of Freedom = 1
Minimum Fit Function Chi-Square = 0.85 (P = 0.36)
 Normal Theory Weighted Least Squares Chi-Square = 0.85 (P = 0.36)
Estimated Non-centrality Parameter (NCP) = 0.0
90 Percent Confidence Interval for NCP = (0.0 ; 6.58)

Minimum Fit Function Value = 0.0028

Population Discrepancy Function Value (F0) = 0.0
90 Percent Confidence Interval for F0 = (0.0 ; 0.022)
Root Mean Square Error of Approximation (RMSEA) = 0.0
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.15)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.51

Expected Cross-Validation Index (ECVI) = 0.19

90 Percent Confidence Interval for ECVI = (0.19 ; 0.21)
ECVI for Saturated Model = 0.19
ECVI for Independence Model = 3.73

Chi-Square for Independence Model with 21 Degrees of Freedom = 1086.92

Independence AIC = 1100.92
Model AIC = 54.85
Saturated AIC = 56.00
Independence CAIC = 1133.85
Model CAIC = 181.85
Saturated CAIC = 187.71

Normed Fit Index (NFI) = 1.00

Non-Normed Fit Index (NNFI) = 1.00
Parsimony Normed Fit Index (PNFI) = 0.048
Comparative Fit Index (CFI) = 1.00
Incremental Fit Index (IFI) = 1.00
Relative Fit Index (RFI) = 0.98

Critical N (CN) = 2330.51

Root Mean Square Residual (RMR) = 0.038

Standardized RMR = 0.0071
Goodness of Fit Index (GFI) = 1.00
Adjusted Goodness of Fit Index (AGFI) = 0.98
Parsimony Goodness of Fit Index (PGFI) = 0.036

Hasil ini memberikan arti bahwa model cukup fit, untuk analisisnya dapat diterangkan melalui tabel
berikut.
Ukuran Goodness of Fit Kriteria Pengujian Hasil Pengujian Keterangan
P-Value 𝑝 ≥ 0.05 𝑝 = 0.36 > 0.05 Model Fit
Chi-Square dan NCP
Nilai 𝑋 2 dan NCP 𝑋 2 = 0.85 dan
(Non-Centrality Model Fit
haruslah rendah NCP = 0.00
Parameter)
 RMSEA (Root Mean
Square Error of
Approximation) dan CI
(Confidence Interval)
ECVI (Expected Cross-
Validation Index)
AIC (Akaike Information
Criterion)
CAIC
RMR (Root Mean Square
Residual) dan SRMR
(Standardized RMR)
GFI (Goodness of Fit
Index) dan AGFI
(Adjusted Goodness of Fit
Index)
CN (Critical N)
Nilai RMSEA harus <
CI = (0.0 ; 0.15) >
0.10 dan nilai CI sisi
0.05 dan RMSEA = Cukup Fit
kiri dan sisi kanan
0.0 < 0.10
harus < 0.05
Nilai ECVI harus <
ECVI = 0.19 > 0.05 KurangFit
0.05
Nilai AIC yang kecil
Nilai AIC = 54.85,
dan mendekati nol
terlalu lebar dan Kurang Fit
yang menunjukkan
menjauhi nol
model fit
Model CAIC =
Nilai model CAIC
181.85 dan Saturated
yang mendekati nilai
CAIC = 187.71,
saturated CAIC Model Fit
nilai model
menunjukkan
mendekati nilai
goodness of fit
saturated
Nilai RMR harus ≤ RMR = 0.038 <
0.05 dan SRMR 0.05 dan SRMR = Model Fit
harus < 0.10 0.0017 < 0.10
Nilai 0.80 < GFI dan
AGFI < 0.9 adalah GFI = 1.00 > 0.90
marginal fit dan GFI dan AGFI = 0.98 > Model Fit
dan AGFI yang > 0.9 0.80
adalah good fit
Sebaiknya nilai 𝐶𝑁 ≥
CN = 2330.51 > 200 Model fit
200

1. Covariance Matriks

Y1 Y2 Y3 X1 X2 X3 X4
-------- -------- -------- -------- -------- -------- --------
Y1 6.06
Y2 3.45 10.40
Y3 3.76 4.25 8.67
X1 4.99 4.95 4.26 12.68
X2 2.84 5.17 2.76 4.66 7.51
X3 2.05 1.50 1.50 1.55 1.52 3.30
X4 3.03 2.97 1.95 3.05 2.52 1.69 5.62

Kovarians menunjukkan hubungan linear yang terjadi antar kedua variabel. Konsep dari kovarians
yaitu melihat hubungan variasi pada kedua variabel yang terjadi secara bersama-sama. Jika suatu variabel
memiiki hubungan linear yang positif maka nilai kovariansnya positif. Sebaliknya, jika suatu variabel
 memiliki hubungan linear yang negatif maka nilai kovariansnya negatif. Jika tidak terdapat hubungan
diantara kedua variabel tersebut maka nilai kovariansnya bernilai nol. Nilai kovarians tidak terbatas
(−∞, +∞). Dari matriks tersebut dapat diketahui kovarians matriks antar variabel yaitu

Y1 Y2 Y3 X1 X2 X3 X4
Y1 6.06 3.45 3.76 4.99 2.84 2.05 2.97
Y2 3.45 10.40 4.25 4.95 5.17 1.50 2.97
Y3 3.76 4.25 8.67 4.26 2.76 1.50 1.95
X1 4.99 4.95 4.26 12.68 4.66 1.55 3.05
X2 2.84 5.17 2.76 4.66 7.51 1.52 2.52
X3 2.05 1.50 1.50 1.55 1.52 33.0 1.69
X4 2.97 2.97 1.95 3.05 2.52 1.69 5.62

2. Correlation Matrix
Correlation Matrix of Y and X

Y1 Y2 Y3 X1 X2 X3
-------- -------- -------- -------- -------- --------
Y1 1.00
Y2 0.43 1.00
Y3 0.52 0.45 1.00
X1 0.57 0.43 0.41 1.00
X2 0.42 0.58 0.34 0.48 1.00
X3 0.46 0.26 0.24 0.24 0.31 1.00
X4 0.52 0.39 0.28 0.36 0.39 0.39

Correlation Matrix of Y and X

X4
--------
X4 1.00
Correlation matrix menampilkan korelasi atau hubungan dianatara variabel, korelasi yang positif
menunjukkan bahwa hubungan diantara variabel adalah searah. Korelasi yang negatif menunjukkan
hubungan yang berlawanan arah. Korelasi nol menunjukkan tidak ada korelasi antar kedua variabel.
Korelasi antara variabel X dan Y dapat dijelaskan melalui tabel berikut.

Y1 Y2 Y3 X1 X2 X3 X4
Y1 1.00 0.43 0.52 0.57 0.42 0.46 0.52
 Y2 0.43 1.00 0.45 0.43 0.58 0.26 0.39
Y3 0.52 0.45 1.00 0.41 0.34 0.24 0.28
X1 0.56 0.46 0.41 1.00 0.48 0.24 0.36
X2 0.44 0.56 0.34 0.48 1.00 0.31 0.39
X3 0.45 0.29 0.24 0.24 0.31 1.00 0.39
X4 0.35 0.39 0.28 0.36 0.39 0.39 1.00

3. Structural Equations

Y1 = 0.27*X1 + 0.054*X2 + 0.33*X3 + 0.27*X4, Errorvar.= 3.07 , R² = 0.49

(0.033) (0.044) (0.062) (0.050) (0.25)
8.03 1.22 5.33 5.38 12.14

Y2 = 0.18*Y1 + 0.097*X1 + 0.51*X2 - 0.017*X3 + 0.16*X4, Errorvar.= 6.23 , R² = 0.40

(0.083) (0.053) (0.063) (0.093) (0.075) (0.51)
2.15 1.85 8.07 -0.18 2.08 12.14

Y3 = 0.45*Y1 + 0.24*Y2 + 0.080*X1 + 0.0074*X2 - 0.067*X4, Errorvar.= 5.74 , R² = 0.34

(0.077) (0.056) (0.051) (0.067) (0.071) (0.47)
5.87 4.25 1.57 0.11 -0.94 12.14

Dari hasil diatas jelas terlihat ada 3 persamaan struktural.

1) Y1 = 0.27*X1 + 0.054*X2 + 0.33*X3 + 0.27*X4, Errorvar.= 3.07 , R² = 0.49

(0.033) (0.044) (0.062) (0.050) (0.25)
8.03 1.22 5.33 5.38 12.14

Dari hasil tersebut diperoleh persamaan strukturalnya adalah

𝒀𝟏 = 𝟎. 𝟐𝟕 ∗ 𝑿𝟏 + 𝟎. 𝟎𝟓𝟒 ∗ 𝑿𝟐 + 𝟎. 𝟑𝟑 ∗ 𝑿𝟑 + 𝟎. 𝟐𝟕 ∗ 𝑿𝟒 + 𝟑. 𝟎𝟕
Secara simultan, X1, X2, X3 dan X4 berpengaruh terhadap Y1 sebesar 0.49. Artinya besar pengaruh
X1, X2, X3 dan X4 terhadap Y1 sebesar 49% dengan parameter estimate (error variance) sebesar 3.07;
standard error variabel X1 sebesar 0.044, X2 sebesar 0.062, X3 sebesar 0.050, dan X4 sebesar 0.25; serta
t-value variabel X1 sebesar 1.22, X2 sebesar 5.33, X3 sebesar 5.38, dan X4 sebesar 12.14.

2) Y2 = 0.18*Y1 + 0.097*X1 + 0.51*X2 - 0.017*X3 + 0.16*X4, Errorvar.= 6.23 , R² = 0.40

(0.083) (0.053) (0.063) (0.093) (0.075) (0.51)
2.15 1.85 8.07 -0.18 2.08 12.14

Dari hasil tersebut diperoleh persamaan strukturalnya adalah

 𝒀𝟐 = 𝟎. 𝟏𝟖 ∗ 𝒀𝟏 + 𝟎. 𝟎𝟗𝟕 ∗ 𝑿𝟏 + 𝟎. 𝟓𝟏 ∗ 𝑿𝟐 − 𝟎. 𝟎𝟏𝟕 ∗ 𝑿𝟑 + 𝟎. 𝟏𝟔 ∗ 𝑿𝟒 + 𝟔. 𝟐𝟑
Secara simultan, Y1, X1, X2, X3, dan X4 berpengaruh terhadap Y2 sebesar 0.40. Artinya besar
pengaruh Y1, X1, X2, X3, dan X4 terhadap Y2 sebesar 40% dengan parameter estimate (error variance)
sebesar 6.23; standard error variabel Y1 sebesar 0.053, X1 sebesar 0.063, X2 sebesar 0.093, X3 sebesar
0.075, dan X4 sebesar 0.51; serta t-value variabel Y1 sebesar 1.85; X1 sebesar 8.07; variabel X2 sebesar
-0.18, X3 sebesar 2.08, dan X4 sebesar 12.14.

3) Y3 = 0.45*Y1 + 0.24*Y2 + 0.080*X1 + 0.0074*X2 - 0.067*X4, Errorvar.= 5.74 , R² = 0.34

(0.077) (0.056) (0.051) (0.067) (0.071) (0.47)
5.87 4.25 1.57 0.11 -0.94 12.14

Dari hasil tersebut diperoleh persamaan strukturalnya adalah

𝒀𝟑 = 𝟎. 𝟒𝟓 ∗ 𝒀𝟏 + 𝟎. 𝟐𝟒 ∗ 𝒀𝟐 + 𝟎. 𝟎𝟖𝟎 ∗ 𝑿𝟏 + 𝟎. 𝟎𝟎𝟕𝟒 ∗ 𝑿𝟐 − 𝟎. 𝟎𝟔𝟕 ∗ 𝑿𝟒
Secara simultan, Y1, Y2, X1, X2 dan X4 berpengaruh terhadap Y3 sebesar 0.34. Artinya besar
pengaruh Y1, Y2, X1, X2 dan X4 terhadap Y3 sebesar 34% dengan parameter estimate (error variance)
sebesar 5.74; standard error variabel Y1 sebesar 0.056, Y2 sebesar 0.051, X1 sebesar 0.067, X2 sebesar
0.071 dan X4 sebesar 0.47; serta t-value variabel Y1 sebesar 4.25, Y2 sebesar 1.57, X1 sebesar 0.11, X2
sebesar -0.94 dan X4 sebesar 12.14.

4. PSI
PSI
Note: This matrix is diagonal.

Y1 Y2 Y3
-------- -------- --------
0.51 0.60 0.66

PSI menampilkan mengenai measurement error (kesalahan pengukuran) pada variabel endogen, di
mana nilainya telah distandardisasi. Variabel Y1 memiliki measurement error sebesar 0.51, sedangkan
variabel Y2 memiliki measurement error sebesar 0.60, dan variabel Y3 memiliki measurement error
sebesar 0,66. Dengan kata lain, besarnya pengaruh variabel lain yang mempengaruhi Y1 di luar penelitian
sebesar 51%, dan besarnya pengaruh variabel lain yang mempengaruhi Y2 di luar penelitian sebesar 60%,
dan besarnya pengaruh variabel lain yang mempengaruhi Y3 di luar penelitian sebesar 66%.

3. Total and Indirect Effects

 Total and Indirect Effects

Total Effects of X on Y

X1 X2 X3 X4
-------- -------- -------- --------
Y1 0.27 0.05 0.33 0.27
(0.03) (0.04) (0.06) (0.05)
8.03 1.22 5.33 5.38
Y2 0.15 0.52 0.04 0.20
(0.05) (0.06) (0.09) (0.07)
3.02 8.18 0.48 2.83
Y3 0.23 0.16 0.16 0.10
(0.05) (0.07) (0.04) (0.07)
4.71 2.37 3.55 1.42

Indirect Effects of X on Y

X1 X2 X3 X4
-------- -------- -------- --------
Y1 -- -- -- --
Y2 0.05 0.01 0.06 0.05
(0.02) (0.01) (0.03) (0.02)
2.07 1.06 1.99 1.99
Y3 0.16 0.15 0.16 0.17
(0.03) (0.04) (0.04) (0.04)
5.34 3.78 3.55 4.54

Total Effects of Y on Y

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --
Y2 0.18 -- --
(0.08)
2.15
Y3 0.49 0.24 --
(0.08) (0.06)
6.26 4.25

Largest Eigenvalue of B*B' (Stability Index) is 0.284

Indirect Effects of Y on Y

Y1 Y2 Y3
-------- -------- --------
Y1 -- -- --
Y2 -- -- --
Y3 0.04 -- --
(0.02)
1.92

Matriks total effects menjelaskan mengenai total pengaruh variabel eksogen terhadap variabel endogen.
Indirect effect of X on Y menjelaskan besar pengaruh tidak langsung dari eksogen terhadap variabel endogen.
Sedangkan total effects of Y on Y menjelaskan total pengaruh antar variabel endogen. Untuk lebih jelasnya
intepretasi direct effect, indirect effect, dan total effect dijelaskan dalam tabel berikut.

Pengaruh
Variabel Koefisien Jalur
Langsung Tidak Langsung Total
X1 terhadap Y1 0,27 0,27 - 0,27
X2 terhadap Y1 0,05 0,05 - 0,05
X3 terhadap Y1 0,33 0,33 - 0,33
X4 terhadap Y1 0,27 0,27 - 0,27
X1 terhadap Y2 0,10 0,10 0,05 0,15
X2 terhadap Y2 0,51 0,51 0,01 0,52
X3 terhadao Y2 -0,02 -0,02 0,06 0,04
X4 terhadap Y2 0,16 0,16 0,05 0,20
Y1 terhadap Y2 0,18 0.18 - 0,18
X1 terhadap Y3 0,08 0,08 0,16 0,23
X2 terhadap Y3 0,01 0,01 0,15 0,16
X3 terhadap Y3 - - 0,16 0,16
X4 terhadap Y3 0,01 0,01 0,17 0,10
Y1 terhadap Y3 0,45 0,45 0,04 0,49
Y2 terhadap Y3 0,24 0,24 - 0,24
𝒆𝟏 3,07
𝒆𝟐 6,23
𝒆𝟑 5,74