TUGAS 4

ANALISIS JALUR (PATH ANALYSIS)

Semester : II (Dua)
Mata Kuliah : Statistika Terapan Dalam Pendidikan

Dosen Pengampu :
Dr. M.THOHA B.S. JAYA, M.S.
Dr. DWI YULIANTI, M.Pd.

Oleh :
Nama : DESTI MERIKA
NPM : 2023053021

PROGRAM STUDI MAGISTER KEGURUAN GURU SEKOLAH DASAR

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS LAMPUNG
2021
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT yang telah menganugerahkan kepada

kita ilmu yang mana dengan ilmu kita mampu mengisi hidup dengan tentram.
Juga dengan ilmu pula kita bisa mengerti kebesaran Allah SWT sehingga kita bisa
bersyukur kepada Allah SWT atas segala cipta dan kuasa Allah SWT sehingga
mahasiswa dapat menyelesaikan tugas “Analisis Jalur (Path Analysis)”.
Tugas ini dibuat sebagai salah satu syarat kelulusan mata kuliah Statistika
Terapan Dalam Pendidikan Program Studi Magister Kependidikan Guru Sekolah
Dasar, Fakultas Kependidikan Dan Ilmu Pendidikan, Universitas Lampung.
Shalawat dan salam semoga tetap terlimpahkan kepada Nabi Muhammad
SAW. Dan semoga shalawat juga tercurah kepada keluarganya, sahabatnya dan
kepada kita sebagai umatnya. Alhamdulillah berkat kerja keras tugas ini bisa
selesai sesuai dengan apa yang diharapkan.
Kami mengharapkan kritik dan saran yang membangun, guna pembenahan
dalam penyusunan tugas yang lebih baik.

Bandar Lampung, Juni 2021

Desti Merika
NPM. 2023053021
 DAFTAR ISI

A. Sejarah Analisis Jalur

B. Pengertian Analisis Jalur
C. Manfaat Analisis Jalur
D. Asumsi-Asumsi dan Prinsip-Prinsip Dasar Analisis Jalur
E. Istilah-Istilah Dasar Dalam Analisis Jalur
F. Model Analisis Jalur
G. Perbedaan Analisis Jalur dan Regresi
H. Diagram Jalur dan Persamaan Struktural
I. Pengujian Koefisien Jalur
J. Analisis Jalur Model Trimming
 ANALISIS JALUR (PATH ANALYSIS)

A. Sejarah Analisis Jalur

Path Analysis atau analisis jalur dikembangkan oleh Sewal Wright tahun
1934. Bohrnstedt mengartikan analisis jalur sebagai “a technique for estimating
the effect’s a set of independent variabels has on a dependent variabel from a set
of observed correlations, given a set of hypothesized causal asymetric relatin
among the variabels” (Riduan dan Kuncoro, 2011).
Analisis jalur ini merupakan perluasan atau kepanjangan dari regresi
berganda yang digunakan untuk menaksir hubungan kausalitas (sebab-akibat)
antar variabel yang telah ditetapkan sebelumnya, serta menguji besarnya
sumbangan atau kontribusi masing-masing variabel eksogen terhadap variabel
endogen (Ghozali, 2006, Riduan dan Kuncoro, 2011).
Dalam pengujian hubungan kausal tersebut yang didasarkan pada teori
yang memang menyatakan bahwa variabel yang dikaji memiliki hubungan secara
kausal. Analisis jalur bukan ditujukan untuk menurunkan teori kausal, melainkan
dalam penggunaannya harus didasarkan pada teori yang menyatakan bahwa
hubungan antar variabel tersebut bersifat kausal. Dengan demikian, kuat
lemahnya teori yang digunakan dalam menggambarkan hubungan kausal tersebut
menentukan dalam penyusunan diagram jalur dan mempengaruhi hasil dari
analisis serta pengimplementasian secara keilmuan (Widiyanto, 2013).

B. Pengertian Analisis Jalur

1. “Path analysis merupakan perluasan dari regresi linier berganda, dan yang
memungkinkan analisis model-model yang lebih kompleks” (Streiner, 2005)
2. “Path analysis ialah suatu teknik untuk menganalisis hubungan sebab akibat
yang tejadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel tergantung tidak hanya secara langsung tetapi juga secara tidak
langsung”. (Robert D. Retherford 1993).
3. “Path analysis merupakan pengembangan langsung bentuk regresi berganda
dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude)
 dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam
seperangakat variabel” (Paul Webley, 1997).
4. Path analysis sebagai “Model perluasan regresi yang digunakan untuk
menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan
sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam
bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan
sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam
suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain
sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang
dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel
dan dilakukan juga penghitungan uji keselarasan statistik (David Garson,
2003).
5. Path analysis merupakan teknik analisis yang digunakan untuk menganalisis
hubungan sebab akibat yang inheren antar variabel yang disusun berdasarkan
urutan temporer dengan menggunakan koefesien jalur sebagai besaran nilai
dalam menentukan besarnya pengaruh variabel independen exogenous
terhadap variabel dependen endogenous (Jonathan Sarwono, 2011)
6. Analisis jalur merupakan suatu bentuk terapan dari analisis multiregresi.
Dalam analisis ini digunakan diagram jalur untuk membantu konseptualisasi
masalah atau menguji hipotesis yang kompleks dan juga untuk mengetahui
pengaruh langsung dan tidak langsung dari variabel-variabel bebas terhadap
variabel terikat (Pedhazur dalam Kerlinger, 1983).
7. “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda
dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude)
dan signifikasi (significance) hubungan sebab akibat hipotetikal dalam
seperangkat variabel” (Paul Webley, 1997).
8. Analisis jalur sebagai model perluasan regresi yang digunakan untuk menguji
keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab
akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk
gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai
penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model
sebagai variabel tergantung (pemberi respons) sedang yang lain sebagai
 penyebab. Pembobotan regresi diprediksikan dalam suatu model yang
dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel
dan dilakukan juga penghitungan uji keselarasan statistik (David Garson,
2003).
Dari definisi-definisi di atas, dapat dsimpulkan bahwa sebenarnya path
analysis dapat dikatakan sebagai kepanjangan dari analisis regresi berganda,
meski didasarkan sejarah terdapat perbedaan dasar antara path analysis yang
bersifat independen terhadap prosedur statistik dalam menentukan hubungan
sebab akibat; sedang regresi linier memang merupakan prosedur statistik yang
digunakan untuk menganalisis hubungan sebab akibat antar variabel yang dikaji.
Tujuan menggunakan path analysis diantaranya ialah untuk :
1. Melihat hubungan antar variabel dengan didasarkan pada model apriori.
2. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan
suatu model yang berurutan secara temporer
3. Menggambar dan menguji suatu model matematis dengan menggunakan
persamaan yang mendasarinya.
4. Mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain
yang dipengaruhinya.
5. Menghitung besarnya pengaruh satu variabel independen exogenous atau lebih
terhadap variabel dependen endogenous lainnya.

C. Manfaat Analisis Jalur

Menurut Saparina (2013), ada beberapa manfaat analisis jalur diantaranya
adalah :
1. Sebagai penjelas terhadap fenomena yang dipelajari atau permasalahan yang
diteliti.
2. Untuk prediksi nilai variabel endogenous (Y) berdasarkan nilai variabel
eksogenous (X).
3. Sebagai faktor determinan yaitu penentuan variabel eksogenous (X) mana
yang berpengaruh dominan terhadap variabel endogenous (Y), juga untuk
menelusuri mekanisme (jalur-jalur) pengaruh variabel eksogenous (X)
terhadap variabel endogenous (Y).
4. Pengujian model, menggunakan theory triming, baik untuk uji reabilitas
konsep yang sudah ada ataupun uji pengembang konsep baru.

D. Asumsi - Asumsi Dan Prinsip - Prinsip Dasar Analisis Jalur

Solimun (2002), Riduan dan Kuncoro (2011), asumsi yang melandasi
analisis jalur diantaranya adalah :
1. Hubungan antar variabel haruslah linear dan aditif.
2. Ukuran sampel yang memadai sebaiknya diatas 100.
3. Pola hubungan antara variabel adalah rekursif (satu arah).
4. Data berskala interval.

Beberapa asumsi dan prinsip – prinsip dasar dalam path analysis

diantaranya ialah:
1. Linearitas (Linearity). Hubungan antar variabel bersifat linear, artinya jika
digambarkan membentuk garis lurus dari kiri bawah ke kanan atas, seperti
gambar di bawah ini:

Gambar 1. Linieritas

2. Ko-linier. Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa
variabel exogenous mempengaruhi satu variabel endogenous; atau sebaliknya
satu variabel exogenous mempengaruhi beberapa variabel endogenous jika
ditarik garis lurus akan membentuk garis-garis yang sama.
3. Model Rantai Sebab Akibat: Menunjukkan adanya model sebab akibat
dimana urutan kejadian akhirnya menuju pada variasi dalam variabel
 dependen / endogenous, seperti gambar di bawah ini. Dalam gambar dibawah
semua urutan kejadian X1, X2, X3, dan X4 menuju ke Y

Gambar 2. Model Rantai Sebab Akibat

4. Aditivitas (Additivity). Tidak ada efek-efek interaksi

5. Hubungan sebab akibat yang tertutup (Causal closure): Semua pengaruh
langsung satu variabel terhadap variabel lainnya harus disertakan dalam
diagram jalur.
6. Koefesien Beta (β). Merupakan koefesien regresi yang sudah distandarisasi
(standardized regression coefficient) yang menunjukkan jumlah perubahan
dalam variabel dependen endogenous yang dihubungkan dengan perubahan
(kenaikan atau penurunan) dalam satu standar deviasi pada variabel bebas
exogenous saat dilakukan pengendalian pengaruh terhadap variabel-variabel
independen lainnya. Koefesien beta disebut juga sebagai bobot beta (β). Nilai
ini yang digunakan sebagai besaran nilai dalam koefesien jalur (p) atau jumlah
pengaruh setiap variabel exogenous terhadap variabel endogenous secara
sendiri-sendiri atau disebut sebagai pengaruh parsial.
7. Koefesien Determinasi (R2): Disebut juga sebagai indeks asosiasi.
Merupakan nilai yang menunjukkan berapa besar varian dalam satu variabel
yang ditentukan atau diterangkan oleh satu atau lebih variasbel lain dan berapa
besar varian dalam satu variabel tersebut berhubungan dengan varian dalam
variabel lainnya. Dalam statistik bivariat disingkat sebagai r 2 sedang dalam
multivariat disingkat sebagai R2. Nilai ini yang digunakan sebagai besaran
 nilai untuk mengekspresikan besarnya jumlah pengaruh semua variabel
exogenous terhadap variabel endogenous secara gabungan atau disebut
sebagai pengaruh gabungan.
8. Data metrik berskala interval. Semua variabel yang diobservasi mempunyai
data berskala interval (scaled values). Jika data belum dalam bentuk skala
interval, sebaiknya data diubah dengan menggunakan metode suksesive
interval (Method of Successive Interval /MSI) terlebih dahulu. Jika data bukan
metrik digunakan maka akan mengecilkan nilai koefesien korelasi. Nilai
koefesien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin
kecil. Dengan demikian pemodelan yang dibuat menggunakan path analysis
tidak akan valid; karena salah satu indikator kesesuaian model yang dibuat
dengan teori ialah dengan melihat nilai R 2 yang mendekati 1. Jika nilai ini
semakin mendekati 1; maka model dianggap baik atau sesuai dengan teori.
9. Variabel - variabel residual tidak berkorelasi dengan salah satu variabel-
variabel dalam model.
10. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh
berkorelasi dengan semua variabel endogenous dalam model. Jika dilanggar,
maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan
parameter-parameter jalur.
11. Multikoliniearitas yang rendah. Multikolinieritas maksudnya dua atau lebih
variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika
terjadi hubungan yang tinggi maka kita akan mendapatkan standard error
yang besar dari koefesien beta (β) yang digunakan untuk menghilangkan
varians biasa dalam melakukan analisis korelasi secara parsial.
12. Recursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi
pemutaran kembali (looping) atau tidak menunjukkan adanya hubungan
timbal balik (reciprocal).
13. Spesifikasi model benar diperlukan untuk menginterpretasi koefesien-
koefesien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang
signifikan dikeluarkan dari model. Semua koefesien jalur akan merefleksikan
kovarians bersama dengan semua variabel yang tidak diukur dan tidak akan
 dapat diinterpretasi secara tepat dalm kaitannya dengan akibat langsung dan
tidak langsung.
14. Input korelasi yang sesuai. Artinya jika kita menggunakan matriks korelasi
sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel
berskala interval; korelasi polychoric untuk dua variabel berksala ordinal;
tetrachoric untuk dua variabel dikotomi (berskala nominal); polyserial untuk
satu variabel interval dan lainnya ordinal; dan biserial untuk satu variabel
berskala interval dan lainnya nominal.
15. Terdapat ukuran sampel yang memadai. Pergunakan sample minimal 100
dengan tingkat kesalahan 10% untuk memperoleh hasil analisis yang
signifikan dan lebih akurat. Untuk idealnya besar sampel sebesar 400 – 1000
(tingkat kesalahan 5%) sebagaimana umumnya persyaratan dalam teknik
analisis multivariat.
16. Tidak terjadi Multikolinieritas. Multikolinieritas terjadi jika antar variabel
bebas (exogenous) saling berkorelasi sangat tinggi, misalnya mendekati 1.
17. Sampel sama dibutuhkan untuk pengitungan regresi dalam model jalur.
18. Merancang model sesuai dengan teori yang sudah ada untuk menunjukan
adanya hubungan sebab akibat dalam variabel – variabel yang sedang diteliti.
Sebagai contoh: variabel motivasi, IQ dan kedisplinan mempengaruhi prestasi
belajar. Berdasarkan hubungan antar variabel yang sesuai teori tersebut,
kemudian kita membuat model yang dihipotesikan.
19. Karena penghitungan path analysis menggunakan teknik regresi linier; maka
asumsi umum regresi linear sebaiknya diikuti, yaitu:
a. Model regresi harus layak. Kelayakan ini diketahui jika angka signifikansi
pada ANOVA sebesar < 0.05.
b. Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan
ini diketahui jika angka Standard Error of Estimate < Standard Deviation.
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T.
Koefesien regresi signifikan jika THitung > TTabel (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi
yang sangat tinggi antar variabel bebas.
 e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Dubin dan Watson
sebesar < 1 dan > 3.

E. Istilah-Istilah Dasar Dalam Analisis Jalur

Menurut Sarwono (2007), ada beberapa istilah yang digunakan dalam
analisis jalur yaitu sebagai berikut:
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-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.
10. Model Non-Recursive
Model penyebab mempunyai arah yang membalik (feed back loop) dan
ada pengaruh sebab akibat (reciprocal).

F. Model Analisis Jalur

Beberapa istilah dan defenisi dalam analisis jalur. (1) Dalam Analisis
Jalur, kita hanya menggunakan sebuah lambung variabel, yaitu X. Untuk
membedakan X yang satu dengan X yang lainnya, kita menggunakan subscript
(indeks). Contoh: X1, X2, X3, ..... , Xk. (2) Kita membedakan dua jenis variabel,
yaitu variabel variabel yang menjadi pengaruh (exogenous variabel), dan variabel
yang dipengaruhi (endogenous variabel). (3) Lambang hubungan langsung dari
eksogen ke endogen adalah panah bermata satu, yang bersifat recursive atau arah
hubungan yang tidak berbalik/satu arah. (4) Diagram jalur merupakan diagram
atau gambar yang mensyaratkan hubungan terstruktur antar variabel (Harun Al
Rasyid, 2005).
Ada beberapa model yang dapat digunakan,mulai dari yang paling
sederhana sampai dengan yang lebih rumit, diantaranya:
1. Analisis Jalur Model Trimming
Model Trimming adalah model yang digunakan untuk memperbaiki
suatu model struktur analisis jalur dengan cara mengeluarkan dari model
variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila ternyata
ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel
yang tidak signifikan, perlu memperbaiki model struktur analisis jalur yang
telah dihipotesiskan.
2. Analisis Jalur Model Dekomposisi
Model dekomposisi adalah model yang menekankan pada pengaruh
yang bersifat kausalitas antar variabel, baik pengaruh langsung ataupun tidak
langsung dalam kerangka analisis jalur, sedangkan hubungan yang sifatnya
nonkausalitas atau hubungan korelasional yang terjadi antar variabel eksogen
tidak termasuk dalam perhitungan ini. Perhitungan menggunakan analisis jalur
dengan menggunakan model dekomposisi pengaruh kausal antar variabel
dapat dibedakan menjadi tiga yaitu:
a. Direct causal effects (Pengaruh Kausal Langsung) adalah pengaruh satu
variabel eksogen terhadap variabel endogen yang terjadi tanpa melalui
variabel endogen lain.
b. Indirect causal effects (Pengaruh Kausal Tidak Langsung) adalah
pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi
melalui variabel endogen lain terdapat dalam satu model kausalitas yang
sedang dianalisis.
c. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari pengaruh
kausal langsung dan pengaruh kausal tidak langsung.
3. Model Regresi Linier Berganda
Model regresi berganda ini sebenarnya merupakan pengembangan dari
teknik analisis regresi linier berganda dengan menggunakan lebih dari satu
variabel independen exogenous, yaitu X1 dan X2 dengan satu variabel
dependen endogenous Y. Model tersebut mempunyai diagram jalur seperti di
bawah ini:

Gambar 3. Analisis Jalur Model Regresi Linier Berganda

Dimana:
X1 : Variabel independen exogenous pertama
X2 : Variabel independen exogenous kedua
Y : Variabel dependen endogenous
Contoh Kasus:
Riset ingin melihat besarnya pengaruh variabel kualitas produk dan iklan
terhadap penjualan, maka X1 adalah variabel kualitas produk dan X2 adalah
variabel iklan sedangkan Y adalah variabel penjualan. Dalam terminologi
analisis jalur, variabel kualitas produk dan iklan adalah variabel exogenous
dan variabel penjualan adalah variabel endogenous.

4. Model Mediasi
Model mediasi atau perantara ialah di mana variabel Y memodifikasi
pengaruh variabel X terhadap variabel Z. Model path analysis mediasi atau
perantara (intervening variable) dimana kehadiran variabel Y sebagai variabel
perantara akan mengubah pengaruh variabel X terhadap variabel Z. Pengaruh
ini dapat menurun ataupun meningkat. Model kedua ini diagram jalurnya
seperti di bawah ini:
 Gambar 4. Model Mediasi

Dimana:
X : Variabel independen exogenous
Y : Variabel endogenous perantara
Z : Variabel dependen endogenous
Contoh Kasus:
Dalam rangka untuk meningkatkan laba, sebuah perusahaan menjual produk
dengan harga murah dengan mengabaikan kualitas produk itu sendiri.
Hasilnya laba tidak meningkat malahan semakin menurun. Apabila diterapkan
dalam model kedua ini, maka variabel X adalah produk, variabel Y adalah
variabel kualitas produk dan variabel Z adalah variabel laba. Variabel produk
mempengaruhi variabel laba melalui variabel kualitas produk.

5. Model Kombinasi Regresi Berganda dan Mediasi

Model ini merupakan kombinasi antara model pertama dan kedua,
yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara
tidak langsung mempengaruhi variabel Z melalui variabel Y.
Model kombinasi yaitu variabel X berpengaruh terhadap variabel Z
secara langsung (direct effect) dan secara tidak langsung (indirect effect)
mempengaruhi juga variabel Z melalui variabel perantara Y.
Dalam model ini dapat diterangkan sebagai berikut:
a. Variabel X berfungsi sebagai variabel independen exogenous terhadap
variabel Y dan Z.
b. Variabel Y mempunyai dua fungsi:
1) Fungsi pertama ialah sebagai variabel endogenous terhadap variabel
exogenous X.
 2) Fungsi kedua ialah sebagai variabel endogenous perantara untuk
melihat pengaruh X terhadap Z melalui Y
c. Variabel Z merupakan variabel dependen endogenous
Model digambarkan sebagai berikut:

Gambar 5. Model Kombinasi

Dimana:
X adalah variabel independen exogenous
Y adalah variabel endogenous dan sebagai variabel perantara
Z adalah variabel dependen endogenous
Contoh Kasus:
Dalam kasus ini variabel X adalah layanan, variabel Y adalah kepuasan dan
variabel Z adalah loyalitas pelanggan. Layanan pegawai secara langsung
mempengaruhi kepuasan pelanggan demikian pula layanan pegawai akan
mempengaruhi kepuasan yang kemudian akan berpengaruh terhadap loyalitas
pelanggan; dengan kata lain layanan akan berpengaruh terhadap loyalitas
setelah konsumen puas.

6. Model Kompleks
Model ini merupakan model yang lebih kompleks, yaitu variabel X1
secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak
langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh
variabel Y1.
Dalam model ini dapat diterangkan sebagai berikut:
a. Variabel X1 berfungsi sebagai variabel independen exogenous
b. Variabel X2 mempunyai dua fungsi:
 1) Fungsi pertama ialah sebagai variabel endogenous terhadap variabel
exogenous X1.
2) Fungsi kedua ialah sebagai variabel endogenous perantara untuk
melihat pengaruh X1 terhadap Y2 melalui X2.
c. Variabel Y2 merupakan variabel dependen endogenous
d. Variabel Y1 merupakan variabel independen exogenous
Model digambarkan sebagai berikut :

Gambar 6. Model Kompleks

Dimana:
X1 : Variabel independen exogenous
X2 : Variabel endogenous dan sebagai variabel perantara
Y1 : Variabel independen exogenous
Y2 : Variabel endogenous
Contoh Kasus:
Untuk model di atas kita dapat membuat contoh sebagai berikut:
X1 : Variabel kinerja pegawai
X2 : Variabel kualitas layanan
Y2 : Variabel kepuasan pelanggan
Y1 : Variabel kualitas produk
Dalam satu perusahaan kinerja pegawai akan mempengaruhi kualitas layanan
secara langsung dan mempengaruhi secara tidak langsung terhadap kepuasan
pelanggan melalui kualitas layanan. Dan kualitas produk akan mempengaruhi
juga tingkat kepuasan pelanggan.
7. Model Rekursif dan Non Rekursif
Model rekursif adalah jika semua anak panah menuju anak panah
seperti gambar di bawah ini :

Gambar 7. Model Rekursif

Model ini dapat diterangkan sebagai berikut:

1. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3 dan 4; dari 2 ke 3 dan dari 3
menuju 4. Tidak ada arah yang terbalik misalnyadari 4 ke 1.
2. Hanya terdapat satu variabel exogenous, yaitu 1 dan 3 variabel endogenous
yaitu 2, 3 dan 4. Masing-masing variabel endogenous diterangkan oleh
variabel 1 dan error (e2, e3 dan e4)
3. Satu variabel endogenous dapat menjadi penyebab variabel endogenous
lainnya, tetapi bukan ke variabel exogenous.
Model non rekursif terjadi jika arah anak panah tidak searah atau terjadi
arah yang berbalik, misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab
akibat. Pada bagian berikut untuk mempermudah kita dalam memahami analisis
jalur, maka kita bisa menggunakan model-model jalur berikut:
1. Model Persamaan Satu Jalur
Model Persamaan satu jalur merupakan hubungan sebenarnya sama
dengan regresi berganda, yaitu variabel bebas terdiri dari satu variabel dan
variabel tergantungnya hanya satu.
2. Model Persamaan Dua Jalur
Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel
tergantung.
3. Model Persamaan Tiga Jalur
Model ini terdiri dari tiga variabel bebas, salah satu variabel bebas
menjadi variabel perantara dan mempunyai dua variabel tergantung.

G. Perbedaan Analisis Jalur dan Regresi

Tabel 1. Perbedaan Analisis Jalur dan Regresi
Model Analisis
Penjelasan
Regresi Path (Jalur)
Variabel Bebas (X), Terikat (Y) Eksogen (X), Endogen (Y),
Intervening bila ada

Kegunaan 1. Penjelasan terhadap 1. Penjelasan terhadap fenomena

fenomena yang yang dipelajari atau
dipelajari atau permasalahan yang diteliti.
permasalahan yang 2. Prediksi kuantitatif.
diteliti. 3. Faktor diterminan yaitu
2. Prediksi kuantitatif. penentuan variable bebas (X)
3. Faktor diterminan yang berpengaruh dominan
yaitu penentuan terhadap variable terikat (Y).
variable bebas (X) 4. Penelusuran mekanisme
yang berpengaruh (lintasan) pengaruh.
dominan terhadap 5. Pengujian model,
variable terikat (Y). menggunakan teori trimming,
baik untuk uji reabilitas
konsep yang sudah ada
ataupun uji pengembangan
konsep baru.

Hubungan yang Bersifat tunggal Tunggal atau ganda

dianalisis

Jenis data yang Skala interval dan ratio Minimal skala interval dan data
dianalisis dinyatakan dalam satuan baku
atau z skor

Prinsip 1. Hubungan antar 1. Hubungan antar variabel

variabel berpola berpola linear, bersifat normal.
linear, bersifat 2. Sistem aliran kausal satu arah.
normal. 3. Sampel random
2. Sistem aliran kausal 4. Model dianalisis berdasarkan
satu arah. teori-teori yang relevan
3. Sampel random. 5. Variabel terikat/endogen (Y)
4. Model dianalisis minimal dalam skala ukur
berdasarkan teori- interval dan rasio.
teori yang relevan.
H. Diagram Jalur dan Persamaan Struktural
Pada saat akan melakukan analisis jalur, disarankan untuk terlebih dahulu
menggambarkan secara diagramatik struktur hubungan kausal antara variabel
penyabab dan variabel terikat. Diagram ini disebut diagram jalur (path diagram),
dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir
tertentu.

Gambar 8. Diagram Jalur Hubungan Kausal Dari X1 ke X2

Gambar diatas merupakan diagram jalur paling sederhana. Gambar di atas

menyatakan bahwa X1 sebagai variabel eksogen atau bebas yang mempengaruhi
variabel endogen atau terikat X2. Tetapi diluar daripada variabel X1 masih ada
variabel lain yang tidak diukur dan dinyatakan sebagai variabel residu (ε).

X 2  X 1 X 2 X 1  e
Persamaan strukturalnya adalah :

Gambar 9. Diagram Jalur Hubungan Kausal Dari X1, X2, X3 ke X4

 Pada gambar diatas terdapat tiga buah variabel eksogen yaitu X 1, X2 dan
X3 serta sebuah variabel residu ε. Pada diagram diatas juga menunjukkan
hubungan kausal dari X1 ke X4, X2 ke X4 dan X3 ke X4, sedangkan hubungan X1
dengan X2, X2 dengan X3, dan X1 dengan X3 menunjukkan hubungan korelasi.
X 4  X 4 X 1 X 1  X 4 X 2 X 2  X 4 X 3 X 3  e
Persamaan strukturalnya adalah

Gambar 10. Diagram Jalur Hubungan Kausal

Dari X1, X2 ke X3 dan dari X3 ke X4

Pada gambar terdapat dua buah sub-struktur. Pertama, sub-struktur yang

menyatakan hubungan kausal dari X1 dan X2 ke X3, serta kedua mengisyaratkan
hubungan kausal dari X3 ke X4.
X 3  X 3 X 1 X 1  X 3 X 2 X 2  e1
Persamaan struktural 1 adalah
X 4  X 4 X 3 X 3  e2
Persamaan struktural 2 adalah
Pada sub-strukur pertama X1 dan X2 merupakan variabel eksogen dan X3
merupakan variabel endogen serta ε1 merupakan variabel residu. Pada sub-struktur
kedua X3 merupakan variabel eksogen dan X4 merupakan variabel endogen, serta
ε2 merupakan variabel residu.
Berdasarkan beberapa diagram jalur diatas, maka dapat kita simpulkan
bahwa semakin kompleks sebuah hubungan structural semakin kompleks diagram
jalurnya, dan semakin banyak pula sub-struktur yang memnbangung diagram jalur
tersebut.
I. Pengujian Koefisien Jalur
Besarnya pengaruh langsung dari suatu variabel eksogen terhadap variabel
endogen dinyatakan oleh besarnya nilai numeric koefisien jalur (path analysis)
dari eksogen ke endogen.

Gambar 11. Hubungan Kausal Dari X1, X2 ke X3

Hubungan antara X1 dan X2 adalah hubungan korelasi. Intensitas keeratan

hubungan tersebut dinyatakan oleh besarnya koefisien korelasi RX1X2. Hubungan
X1 dan X2 ke X3 adalah hubungan kausal. Besarnya pengaruh langsung dari X 1 ke
X3 dan dari X2 ke X3 masing-masing dinyatakan oleh besarnya nilai numerik

 X 3 X1 X3X2  X 3e
koefisien jalur dan . Koefisien jalur menggambarkan besarnya
pengaruh langsung variabel residu terhadap X3.
Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah:
1. Menggambar diagram jalur yang mencerminkan proposisi hipotetik yang
diajukan, lengkap dengan persamaan strukturalnya.
2. Menghitung matrik korelasi antar variabel
 1 rx1x2 ... rx1xu 
r 1 
... rx2 xu 
R 21
x x

 ... ... ... ... 

 
rxu x1 rxu x2 ... 1 

Formula untuk menghitung koefisien korelasi yang dicari adalah

menggunakan Product Moment Coefficient dari Karl Pearson.

rxy 
 n x  XY     Y x  X 

[n x  Y     Y  ] x [ n x  X     X 
2 2 2 2
]
3. Mengidentifikasikan sub-struktur dan persamaan yang akan dihitung koefisien
jalurnya. Lalu hitung matrik korelasi antar variabel eksogen yang menyusun
sub-struktur tersebut.
4. Menghitung matrik invers korelasi variabel eksogen.
C11 C 21 ... C1k 
C C ... C 2 k 
  21 22
1
R1
 ... ... ... ... 
 
C k 1 C k 2 ... C kk 

Xu Xi
5. Menghitung semua koefisien jalur , dimana 𝑖=1,2,…,𝑘; melalui rumus :
  X u X 1  C11 C21 ... C1k   rX u X 1 
   r 
 X u X 2   C21 C22 ... C2 k   Xu X2 
 ...   ... ... ... ...   ... 
     
  X u X k  Ck 1 Ck 2 ... Ckk  rX u X k 

Untuk melihat seberapa besar kontribusi secara simultan antara variabel

bebas dengan variabel terikat digunakan rumus :

 rX u X 1 
r 
Rx2u ( X 1 X 2 ... X k )  [  X u X 1  X u X 2 ...  X u X k ]  Xu X2 

 ... 
 
rX u X k 
J. Analisis Jalur Model Trimming
Model trimming adalah model yang digunakan untuk memperbaiki suatu
model struktur analisis jalur dengan cara mengeluarkan dari model variabel
eksogen yang koefisien jalurnya tidak signifikan. Jadi model trimming terjadi
ketika koefisien jalur diuji secara keseluruhan ternyata ada variabel yang tidak
signifikan. Jika terdapat demikian maka model jalur yang telah dibuat sebelumnya
perlu diperbaiki.
Cara menggunakan trimming yaitu menghitung ulang koefisien jalur tanpa
menyertakan variabel eksogen yang koefisien jalurnya tidak signifikan. Langkah-
langkah pengujian analisis jalur (path analysis) dengan model trimming adalah:
1. Merumuskan persamaan struktural.

2. Menghitung koefisien jalur.

3. Menguji koefisien jalur secara simultan (keseluruhan).

Uji hipotesis secara keseluruhan :

 X u X1   X u X 2  ...   X u X k
Ho : =0

 X u X1   X u X 2  ...   X u X k
Hi : ≠0

Pengujian signifikansi menggunakan uji F

R x2u ( X1 X 2 ... X k ) ( n  k  1)
FHitung 
k (1  Rx2u ( X1 X 2 ... X k ) )

Dimana :

n = jumlah sampel

k = jumlah variabel eksogen

Rx2u ( X1 X 2 ... X k )
= koefisien determinasi

Kriteria pengujian:

Jika FHitung ≥ FTabel maka tolak H0, artinya signifikan.

Jika FHitung < FTabel maka terima H0, artinya tidak signifikan.

4. Menguji koefisien jalur secara individual

Hipotesis yang diuji :

Xu Xi : Artinya tidak terdapat pengaruh variabel eksogenus (xu)

H0= =
terhadap variabel endogenus (xi).
0
XuXi : Artinya terdapat pengaruh variabel eksogenus (xu) terhadap
H0= ≠
variabel endogenus (xi).
0
Pengujian menggunakan uji t

Xu Xi
t
1  1  Rx2u ( X 1 X 2 ... X k ) )Cii
n  k 1

Dengan kriteria pengujian: ditolak H0 jika THitung >TTabel.

5. Menguji kesesuaian antar model analisis jalur

Uji kesesuaian model dimaksud untuk menguji apakah model yang diusulkan
memiliki kesesuaian dengan data atau tidak. Untuk itu digunakan uji statistik
kesesuain model koefisien Q dengan rumus:

1  Rm2
Q
1 M

Dimana :

Q = Koefisien Q

Rm2 R 2
R 2
R p2
= 1 – (1 - 1 ) (1 - 2 )…(1 - )
2
M = Rm setelah dilakukan Trimming

Apabila Q = 1 mengindikasikan model fit sempurna. Jika Q < 1, untuk

menentukan fit tidaknya model maka statistic koefisien Q perlu diuji dengan
statistik W yang dihitung dengan rumus:

WHitung  (n  d ) ln Q

Dimana:

n Menunjukkan ukuran sampel

d Banyak koefisien jalur yang tidak signifikan sama dengan degree
of freedom
R 2
m
Koefisien determinasi multiple untuk model yang diusulkan.
M Koefisien determinasi multiple setelah koefisien jalur yang tidak
signifikan dihilangkan.
 (2df ; )
Dasar pengambilan keputusan adalah jika WHitung ≥ maka model
yang diperoleh signifikan.

6. Memaknai dan menyimpulkan