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
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)
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)
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.
DATE: 4/15/2017
TIME: 9:45
L I S R E L 8.80
BY
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
Structural Equations
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
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
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)
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
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
X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.06 0.85 0.02
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
X1 X2 X3
-------- -------- --------
X4 0.11 0.18 0.46
X6 -0.06 0.85 0.02
X4 X6
-------- --------
X4 -- --
X6 -0.02 --
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
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).
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
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)
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
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
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
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
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
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
Model Summaryb
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.
Model Summaryb
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.
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
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
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
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
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
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
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
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
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
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.
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
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)
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
Model CAIC =
Nilai model CAIC
206.33 dan Saturated
yang mendekati nilai
CAIC = 187.71,
CAIC saturated CAIC Kurang Fit
nilai model
menunjukkan
menjauhi nilai
goodness of fit
saturated
RMR (Root Mean Square Nilai RMR harus ≤ RMR = 0.30 > 0.05 Untuk RMR kurang fit
Residual) dan SRMR 0.05 dan SRMR dan SRMR = 0.043 sedangkan SRMR sudah
(Standardized RMR) harus < 0.10 < 0.10 mempunyai model fit
Nilai 0.80 < GFI dan
GFI (Goodness of Fit Untuk GFI, model sudah
AGFI < 0.9 adalah GFI = 0.96 > 0.90
Index) dan AGFI good fit sedangkan
marginal fit dan GFI dan AGFI = 0.67 <
(Adjusted Goodness of Fit untuk AGFI, model
dan AGFI yang > 0.9 0.80
Index) kurang fit.
adalah good fit
Sebaiknya nilai 𝐶𝑁 ≥
CN (Critical N) 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.
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
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 --
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 --
Dengan memperhatikan ukuran Goodnes of Fit (GOF) yang kurang baik (fit), maka lisrel memberikan
beberapa saran untuk memperbaiki model seperti pada output berikut.
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)
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 Nilai RMSEA harus <
CI = (0.0 ; 0.15) >
Square Error of 0.10 dan nilai CI sisi
0.05 dan RMSEA = Cukup Fit
Approximation) dan CI kiri dan sisi kanan
0.0 < 0.10
(Confidence Interval) harus < 0.05
ECVI (Expected Cross- Nilai ECVI harus <
ECVI = 0.19 > 0.05 KurangFit
Validation Index) 0.05
Nilai AIC yang kecil
Nilai AIC = 54.85,
AIC (Akaike Information dan mendekati nol
terlalu lebar dan Kurang Fit
Criterion) yang menunjukkan
menjauhi nol
model fit
Model CAIC =
Nilai model CAIC
181.85 dan Saturated
yang mendekati nilai
CAIC = 187.71,
CAIC saturated CAIC Model Fit
nilai model
menunjukkan
mendekati nilai
goodness of fit
saturated
RMR (Root Mean Square Nilai RMR harus ≤ RMR = 0.038 <
Residual) dan SRMR 0.05 dan SRMR 0.05 dan SRMR = Model Fit
(Standardized RMR) harus < 0.10 0.0017 < 0.10
Nilai 0.80 < GFI dan
GFI (Goodness of Fit
AGFI < 0.9 adalah GFI = 1.00 > 0.90
Index) dan AGFI
marginal fit dan GFI dan AGFI = 0.98 > Model Fit
(Adjusted Goodness of Fit
dan AGFI yang > 0.9 0.80
Index)
adalah good fit
Sebaiknya nilai 𝐶𝑁 ≥
CN (Critical N) 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
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
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%.
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
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