KATA PENGANTAR

Puji syukur kita panjatkan kepada hadirat Allah SWT yang telah
memberikan kita rahmat kesehatan dan kesempatan, sehingga bisa
menyusun atau menyelesaikan penyusunan makalah Statistik ini yang
berjudul ANALISIS JALUR (PATH ANALYSIS).
Shalawat dan rangkaian salam kehadirat nabi Muhammad SAW
yang kita dari alam kegelapan menuju terang benderang.
Pembuatan makalah ini bertujuan sebagai tugas pribadi Statistik
dan sebagai bahan perkuliahan.
Penulis mengucapkan terimakasih kepada Bapak Prof. Dr. Bornok
Sinaga, M. Pd. yang telah membimbing penulis dan pihak-pihak yang
telah membantu dalam pembuatan makalah ini.
Makalah ini penulis yakini jauh dari kesempurnaan dan masih
banyak kekurangannya seperti pepatah yang mengatakan “tak ada gading
yang tak retak“, baik isi maupun penyusunnya. Atas semua itu dengan
rendah hati penulis harapkan kritik dan saran yang membangun guna
menyempurnakan makalah ini. Semoga makalah ini dapat bermanfaat.

DAFTAR ISI

KATA PENGANTAR ....................................................................................i

DAFTAR ISI..................................................................................................ii
BAB I PENDAHULUAN ..............................................................................1
A. Latar belakang ..................................................................................1
B. Rumusan Masalah ............................................................................2
C. Tujuan Pembahasan .......................................................................2
D. Manfaat Pembahasan ......................................................................2
BAB II KAJIAN PUSTAKA .........................................................................3
Sejarah Analisis Jalur .......................................................................3
B. Pengertian Analisis Jalur ..................................................................3
C. Perbedaan Analisis Jalur dan Regresi..............................................5
D. Karakteristik Analisis Jalur ...............................................................6
E. Syarat-Syarat Analisis Jalur .............................................................7
F. Prinsip Dasar Analisis Jalur ..............................................................7
 G. Asumsi dalam Analisis Jalur .............................................................8
H. Istilah-Istilah Dasar dalam Analisis Jalur ..........................................9
I. Manfaat Analisis Jalur ....................................................................13
J. Keuntungan dan Kelemahan Analisis Jalur ...................................14
K. Model Analisis Jalur .......................................................................14
L. Hubungan: Data Mentah (Xi), skor baku (Zi) dan Koefisien
Korelasi (rij)......................................................................................20
M. Hubungan Koefisien Jalur dengan Koefisien Korelasi Sederhana. 21
N. Penyelesaian Masalah Analisis Jalur .............................................23
O. Contoh Soal Analisis Jalur .............................................................29
BAB III PENERAPAN ANALISIS JALUR ................................................51
BAB IV SIMPULAN dan SARAN .............................................................65
A. Kesimpulam.....................................................................................65
B. Saran ..............................................................................................65
DAFTAR PUSTAKA

BAB I

PENDAHULUAN

A. Latar Belakang

Statistika digunakan dalam semua bidang ilmu. Oleh sebab itu,

statistika merupakan ilmu pengetahuan yang telah banyak digunakan
dalam kehidupan sehari-hari. Pemerintah menggunakan statistika untuk
menilai hasil pembangunan masa lalu dan juga untuk mengambil rencana
masa datang. Selain itu pimpinan mengambil manfaat dari kegunaan
statistika untuk melakukan tindakan yang perlu dalam menjalani tugasnya.

Pengembangan suatu bidang ilmu yang dilakukan dengan

pendekatan penelitian kuantitatif sangat membutuhkan statistika. Dalam
penelitian pendidikan dan ilmu sosial, terdapat pengaruh terhadap suatu
variabel yang tidak selamanya didominasi oleh satu variabel bebas atau
beberapa variabel bebas secara langsung. Sering terjadi sifat pengaruh itu
tidak langsung, yaitu melalui satu variabel yang paling dekat dengan
variabel terikat (dependent variable). Variabel perantara (intervening
variable) merupakan variabel yang menerima pengaruh dari banyak
variabel bebas, yang kemudian variabel ini mempengaruhi secara
langsung terhadap variabel terkait.

Jika kita cermati secara teliti, tidak dimungkinkan akan menemukan

hubungan antarvariabel bebas terhadap variabel terikat secara murni
langsung. Untuk menganalisis pola hubungan yang tidak langsung itu
diperlukan analisis khusus, yaitu analisis jalur (path analysis). Analisis
jalur merupakan pengembangan analisis regresi ganda yang menguraikan
besaran pengaruh dari variabel bebas terhadap variabel terikat secara
tidak langsung. Selanjutnya terdapat beberapa hal yang perlu diketahui
dan dicermati dalam menerapkan analisis jalur dalam penelitian yang
akan dibahas didalam makalah ini.

B. Rumusan Masalah

Dari latar belakang yang ada maka rumusan maslah yang

dugunakan adalah:

1. Apakah yang dimaksud dengan analisis jalur?

2. Bagaimana penerapan analisis jalur?

C. Tujuan Pembahasan

Tujuan dari makalah ini, antara lain:

1. Memahami analisis jalur.

2. Mengetahui penerapan analisis jalur.

D. Manfaat Pembahasan
 Penulis berharap makalah ini memiliki manfaat bagi kita semua.
Dimana dengan adanya makalah ini dapat membantu semua kalangan
baik itu mahasiswa, pelajar dan masyarakat umum mendalami ilmu
statistika terutama dalam analisis jalur (path analysis). Selain itu sebagai
tambahan wawasan dalam menyelesaikan soal-soal yang berkaitan
dengan masalah analisis jalur.

BAB II

KAJIAN PUSTAKA

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 variables has
on a dependent variable from a set of observed correlations, given a set
of hypothesized causal asymetric relatin among the variables” (Riduan
dan Kuncoro 2011 dikutip oleh Sunjoyo dkk, 2013).
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 dikutip oleh Sunjoyo dkk, 2013).
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

Menurut Pedhazur dalam Kerlinger (1983) dikutip oleh Widiyanto
(2013), 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.
Analisis jalur ialah suatu tehnik untuk menganalisis hubungan
sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya
mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi
juga secara tidak langsung (Robert D. Rutherford 1993 dikutip oleh
Sarwono, 2007).
Defenisi lain mengatakan “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 dikutip oleh Sarwono, 2007).
David Garson dari North Carolina State University
mendefenisikan 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 dikutip oleh Sarwono, 2007).
Menurut Matondang (2014) “tujuan analisis jalur adalah apakah
model yang diusulkan cocok atau tidak dengan data, yaitu dengan cara
membandingkan matriks korelasi teoritis dengan matriks korelasi empiris.
Jika kedua matriks relatif sama, maka model dikatakan cocok atau fit”.
Sementara itu Al Rasyid (1993) dalam Sanusi (2011) menjelaskan
analisis jalur bertujuan untuk menerangkan akibat langsung dan tidak
langsung seperangkat variabel bebas dengan seperangkat variabel
terikat. Lebih lanjut Sanusi (2011: 156) dalam Supardi (2013) menjelaskan
hubungan kausalitas yang menunjukkan pengaruh langsung dan tidak
langsung antarvariabel dapat diukur besarnya.
Dari defenisi-defenisi diatas, dapat disimpulkan bahwa sebenarnya
analisis jalur merupakan kepanjangan dari analisis regresi berganda.
Jadi, model path analysis digunakan untuk menganalisis pola hubungan
antar variabel dengan tujuan untuk mengetahui pengaruh langsung
maupun tidak langsung seperangkat variabel bebas (eksogen) terhadap
variabel terikat (endogen). Oleh sebab itu, rumusan masalah penelitian
dalam kerangka path analysis berkisar pada:
a. Apakah variabel eksogen (X1, X2, … , Xk) berpengaruh terhadap
variabel endogen Y?
b. Berapa besar pengaruh kausal langsung, kausal tidak langsung,
kausal total maupun simultan seperangkat variabel eksogen (X1,
X2, …, Xk) terhadap variabel endogen?
 C. Perbedaan Analisis Jalur dan Regresi
Menurut Saparina (2013), ada beberapa perbedaan model analisis
jalur dan regresi yaitu:
Tabel 2.1 Perbedaan Analisis Jalur dan Regresi
Model Anlisis
Penjelasan
Regresi Jalur (Path)
Variabel Bebas (X), Terikat (Y) Eksogen (X), Endogen (Y),
Intervening bila ada.
Kegunaan 1. Penjelasan terhadap 1. Penjelasan terhadap
fenomena yang fenomena yang dipelajari atau
dipelajari atau permasalahan yang diteliti.
permasalahan yang 2. Prediksi kuantitatif.
diteliti. 3. Faktor diterminan yaitu
2. Prediksi kuantitatif. penentuan variabel bebas (X)
3. Faktor diterminan yang berpengaruh dominan
yaitu penentuan terhadap variabel terikat (Y).
variabel bebas (X) 4. Penelusuran mekanisme
yang berpengaruh (lintasan) pengaruh.
dominan terhadap
Hubungan Bersifat tunggal. Tunggal atau ganda
yang
dianalisis
Jenis data Skala interval dan ratio Minimal skala interval dan data
yang dinyatakan dalam satuan baku
dianalisis atau z skor
Prinsip 1. Hubungan antar 1. Hubungan antar variabel
variabel berpola linear, berpola linear, bersifat normal.
bersifat normal. 2. Sistem aliran kausal satu
2. Sistem aliran kausal arah.
satu arah. 3. Sampel random
3. Sampel random 4. Model dianalisis berdasarkan
4. Model dianalisis teori- teori yang relevan
berdasarkan teori-teori 5. Variabel terikat/endogen (Y)
 yang relevan. minimal dalam skala ukur
interval dan rasio.

D. Karakteristik Analisis Jalur

Merujuk pendapat yang dikemukakan oleh Land, ching heisi,
Maruyama, Schumaker, dan Lomax, Joreskog (dakam Kusnendi, 2008:
147-148), karakteristik analisis jalur adalah metode analisis dat
amultivariat dependensi yang digunakan untuk menguji hipotesis
hubungan asimetris yang dibangun atas dasar kajian teori tertentu dengan
tujuan untuk mengetahui pengaruh langsung dan tidak langsung
seperangkat variabel penyebab terhadap variabel akibat.
Menguji hipotesis hubungan asimetris yang dibangun atas kajian
teori tertentu artinya yang diuji adalah model yang menjelaskan hubungan
kausal antarvariabel yang dibangun atas kajian teori-teori tertentu.
Hubungan kausal tersebut secara eksplisit dirumuskan dalam bentuk
hipotesis direksional, baik positif maupun negatif.
E. Syarat-syarat Penggunaan Analisis Jalur
Analisis jalur merupakan pengembangan dari analisis regresi, maka
persyaratan dalam menggunakan analisis regresi harus juga dipenuhi
dalam menggunakan analisis jalur. Beberapa syarat penggunaan analisis
jalur adalah sebagai berikut:
1. Hubungan sebab akibat (landasan teoris)
2. Hubungan antar variabel haruslah linier dan aditif.
3. Semua variabel residu tak punya korelasi satu sama lain.
4. Pola hubungan antar variabel adalah rekursif atau hubungan yang
tidak melibatkan arahpengaruh yang timbal balik.
5. Tingkat pengukuran semua variabel sekurang-kurangnya adalah
interval
6. Terdapat masukan korelasi yang sesuai.
Sama halnya menurut Supardi (2013), sifat atau syarat yang harus
dipenuhi dalam analisis jalur, anatar lain:
1. Data masing-masing variabel merupakan data interval/ rasio.
2. Hubungan antara dua variabel adalah linier dan aditif.
3. Hubungan antara setiap dua variabel bersifat rekursif (satu arah)
4. Variabel sisa (residu) tidak berkorelasi dengan sesamanya dan
tidak juga dengan variabel dalam sistem: r xe = rex = 0 dan juga re1.e2
= re2.e1 = 0.

F. Prinsip Dasar Analisis Jalur

Beberapa prinsip dasar yang perlu dipenuhi adalah:
1. Skala pengukuran variabel minimal interval, bisa juga rasio.
2. Pola hubungannya (pengaruhnya) adalah linier.
3. Hubungan antara variabel bebas dengan variabel terikat bersifat
kausal (satu arah) atau tidak ada efek interaksi.
4. Tidak ada pengaruh yang signifikan dari variabel yang tidak diukur
(variabel residual) terhadap seluruh variabel yang dimasukkan
dalam model.
5. Antarvariabel bebas mempunyai hubungan (multikolinieritas) yang
rendah, jadi pada prinsipnya variabel bebas benar-benar bebas,
kalaupun ada hubungan besaran hubungannya tidak signifikan.
6. Jika antarvariabel bebas terdapat hubungan yang signifikan, maka
seyogiayanya digunakan salah satu variabel dari variabel yang
saling berhubungan itu.
7. Sampel penelitian hendaknya besar, analisis jalur akan member
makna yang tinggi jika sampel lebih dari 100 (harus diambil secara
random), tetapi jumlah tersebut tidak mutlak.
8. Adanya korelasi yang signifikan antara variabel bebas dengan
variabel antara atau antara variabel antara dengan variabel bebas.
9. Analisis jalur akan menyajikan besaran hubungan langsung dan
tidak langsung antara variabel eksogen (exogenous) terhadap
variabel indogen (endogenous).
10. Variabel eksogen (exogenous) adalah variabel yang tidak ada
penyebab eksplisitnya atau dalam diagram tidak ada anak panah
yang menuju kearahnya.
 11. Variabel indogen (endogenous) adalah variabel yang ada
penyebab eksplisitnya atau dalam diagram ada anak panah yang
menuju ke arahnya.
12. Jika antarvariabel eksogen (exogenous) dihubungkan, maka anak
panah akan menuju keduanya (garis tersebut mempunyai dua arah
atau dua anak panah).
13. Variabel bebas dan terikat dalam regresi diganti istilanya dengan
variabel eksogen (exogenous) dan variabel indogen (endogenous).

G. Asumsi dalam Analisis Jalur

Sebelum melakukan analisis, hendaknya diperhatikan beberapa
asumsi sebagai berikut:
a. Pada model analisis jalur, hubungan antar variabel adalah bersifat
linier, adaptif dan bersifat normal.
b. Hanya sistem aliran kausal kesatu arah artinya tidak ada arah
kausalitas yang berbalik.
c. Variabel terikat (endogen) minimal dalam skala ukur interval dan
rasio.
d. Menggunakan sampel probability sampling yaitu teknik
pengambilan sampel untuk memberikan peluang yang sama pada
setiap anggota populasi untuk dipilih menjadi anggota sampel.
e. Observed variables diukur tanpa kesalahan instrumen
pengukuran valid dan reliable artinya variabel yang diteliti dapat
diobservasi secara langsung.
f. Model yang dianalisis dispesifikasikan dengan benar
berdasarkan teori-teori dan konsep-konsep yang relevan artinya
model teori yang dikaji atau diuji dibangun berdasarkan teoritis
tertentu yang mampu menjelaskan hubungan kausalitas antar
variabel yang diteliti.
Adapun asumsi yang melandasi analisis jalur diantaranya adalah
(Solimun 2002, Riduan dan Kuncoro 2011 dikutip oleh Sunjoyo dkk,
2013):
 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.

H. Istilah-Istilah Dasar dalam Analisis Jalur

Ada beberapa istilah (terminologi) yang lazim digunakan dalam
analisis jalur antara lain:
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).
Beberapa istilah (terminologi) tersebut senada dengan pendapat
Supardi (2013), sebagai berikut:
1. Model Jalur
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
Variabel exogenous dalam suatu model jalur ialah 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 endogeous
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 variabel dependent.
5. Koefisien jalur/ pembobotan jalur
Kooefisien jalur adalah Adalah koefisien regresi standar atau
disebut ‘beta’ yang menunjukkan pengaruh langsung dari suatu
variabel bebas terhadap variabel tergantung dalam suatu model
tertentu. Oleh kaarena itu, jika suatu model mempunyai dua atau lebih
variabel-variabel penyebab, maka koefisien-kooefisien jalurnya
merupakan kooefisin-kooefisien regresi parsial yang menunjukkan
besarnya pengaruh satu variabel terhadap variabel lain dalam suatu
model jalur tertentu yang mengontrol dua variabel lain sebelumnya
dengan menggunakan data yang sudah distandarkan atau matriks
korelasi sebagai masukan.
6. Variabel Laten
Variabel laten dapat didefinisikan sebagai variabel penyebab yang
tdiak dapat diobservasi secara langsung (unobservable). Pengamatan
variabel tersebut diamati melalui variabel manifesnya. Variabel manifest
adalah variabel indicator terukur yang dapat diobservasi secara langsung
untuk mengukur variabel laten. Contoh: variabel laten motivasi. Tidak bisa
diobservasi manifesnya (indikator) seperti kerja keras, pantang
menyerahm tekun, teliti dan lain-lain.
7. Variabel Mediator/ Intervening
Menurut Tuckman (dalam Sugiyono, 2007) variabel intervening
adalah variabel yang secara teoritik mempengaruhi hubungan anatara
variabel independent dengan variabel dependent menjadi hubungan yang
tidak langsung. Variabel ini merupakan variabel penyela/ antara variabel
independent dengan variabel dependent, sehingga variabel independent
tidak langsung mempengaruhi berubahnya atau timbulnya dependent.
Menurut Baron dan Kenny dalam (Ghazali, 2011) suatu variabel disebut
mediator jika variabel tersebut ikut mempengaruhi hubungan antara
variabel prediktor (independent) dan variabel kriteria (dependent).
Dalam hubungan kausal antarvariabel serta dampaknya terhadap
angka baku ditunjukkan oleh koefisien jalur pada setiap jalur. Koefisien
jalur adalah koefisien regresi yang dihitung dari absis data yang dikonversi
dalam angka baku (Z-score) yang nilai rata-rata nya sudah di set = 0 dan
standar deviasinya = 1. Hal ini digunakan untuk mengetahui seberapa
besar pengaruh variabel eksogen terhadap variabel endogen.

I. 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 endogen (Y) berdasarkan nilai
variabel eksogen (X).
3. Sebagai faktor determinan yaitu penentuan variabel
eksogen (X) mana yang berpengaruh dominan terhadap
variabel endogen (Y), juga untuk menelusuri mekanisme
(jalur-jalur) pengaruh variabel eksogen (X) terhadap variabel
endogen (Y).
4. Pengujian model, menggunakan theory triming, baik untuk uji
reabilitas konsep yang sudah ada ataupun uji pengembang
konsep baru.

J. Keuntungan dan Kelemahan Analisis Jalur

Menurut Sarwono (2012), keuntungan menggunakan analisis jalur
diantaranya:
1. Kemampuan menguji model keseluruhan dan parameter-
parameter individual.
2. Kemampuan pemodelan beberapa variabel mediator/perantara.
3. Kemampuan mengestimasi dengan menggunakan persamaan
yang dapat melihat semua kemungkinan hubungan sebab
akibat pada semua variabel dalam model.
4. Kemampuan melakukan dekomposisi korelasi menjadi hubungan
 yang bersifat sebab akibat (causal relation), seperti pengaruh
langsung (direct effect) dan pengaruh tidak langsung (indirect
effect) dan bukan sebab akibat (non-causal association), seperti
komponen semu (spurious).
Kelemahan menggunakan analisis jalur diantaranya:
1. Tidak dapat mengurangi dampak kesalahan pengukuran.
2. Analisis jalur hanya mempunyai variabel-variabel yang dapat
diobservasi secara langsung.
3. Analisis jalur tidak mempunyai indikator-indikator suatu variabel
laten.
4. Karena analisis jalur merupakan perpanjangan regresi linier
berganda, maka semua asumsi dalam rumus ini harus diikuti.
5. Sebab akibat dalam model hanya bersifat searah (one direction),
tidak boleh bersifat timbal balik (reciprocal).

K. 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 variable), dan variabel yang dipengaruhi
(endogenous variable). (3) Lambang hubungan langsung dari eksogen
ke endogen adalah panah bermata satu, yang bersifat recursive atau
arah hubungan yang tidak berbalik/satu arah. (4) Diagram jalur
merupakan diagram atau gambar yang mensyaratkan hubungan
terstruktur antar variabel (Harun Al Rasyid, 2005).
Ada beberapa model analisis jalur yang dapat digunakan dalam
penelitian. Model mana yang akan digunakan tentu tergantung dari
kajian teori yang terkait dengan variabel yang akan dimasukkan dalam
analisis.
a. 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.

b. 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:
1. Direct causal effects (Pengaruh Kausal Langsung) adalah
pengaruh satu variabel eksogen terhadap variabel endogen
yang terjadi tanpa melalui variabel endogen lain.
2. 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.
3. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari
pengaruh kausal langsung dan pengaruh kausal tidak langsung.
c. Model Regresi Berganda
Model ini merupakan pengembangan regresi berganda dengan
menggunakan istilah variabel indogen (endogenous) (Y) dengan beberapa
variabel eksogen (exogenous) (X). Misalnya, analisis pengaruh antara
variabel harga dan promosi terhadapa penjualan. Bisa juga pengaruh
antara variabel kecerdasan dan sikap siswa atas mata pelajaran terhadap
hasil belajar. Model ini digambarkan sebagai berikut:
X1

Y2

X2
Gambar 2.1 Model Regresi Berganda Dua Variabel

d. Model Mediasi
Model mediasi atau model perantara dimana pengaruh
variabel X terhadap variabel Y melalui variabel I. Misalnya dalam
ilmu kependidikan, hasil belajar tidak secara langsung dipengaruhi
oleh kepandaian seseorang tetapi kepandaian seseorang akan
menciptakan efisiensi belajara dan efisiensi belajarlah yang akan
menentukan hasil belajar. Di bidang pemasaran: kualitas produk
tidak semata-mata/ secara langsung akan mempengaruhi
penjualan, tetapi melalui pengemasan produk itu hasil penjualan
akan terangkat naik. Model ini digambark.an sebagai berikut:
X1

I2

Y2

Gambar 2.2 Model Mediasi

e. Model Kombinasi

Model kombinasi merupakan gabungan dari model regresi ganda dan

model mediasi di mana variabel X1 dan X2, masing-masing berpengaruh

terhadap variabel Y. Misalkan kepuasan pelanggan (Y) dipengaruhi oleh

kinerja karyawan (X1) dan kualitas layanan (X2), dimana kualitas layanan
dipengaruhi oleh kinerja karyawan. Dalam dunia pendidikan bisa juga terjadi

proses pemebelajran (Y) dipengaruhi kualitas guru (X1) dan ketenangan

hidup guru (X2), dimana kualitas guru dalam berpenampilan/ bekerja/

melakukan proses pembelajaran dipengaruhi oleh ketenangan hidupnya.

Model tersebut dapat digambarkan sebagai berikut:

X1

Y2

X2

Gambar 2.3 Model Kombinasi

f. Model Kompleks
Model ini merupakan model yang melibatkan lebih dari tiga
variabel diamana variabel indogen (exogenous) dipengaruhi oleh
beberapa variabel eksogen (exogenous) dengan pola pengaruh
langsung dan pola tidak langsung. Misal dalam studi psikologi:
psikopatologi tahap pertama seorang ibu (X 1 ) akan menjadi penentu
terhadap patologi tahap kedua ibu yang bersangkutan (X 2 ); patologi
tahap pertama anaknya (X 3 ) akan mempengaruhi patologi anak
tahap kedua (Y); patologi anak tahap kedua (Y) juga dipengaruhi
oleh X 1 langsung dan X 1 melalui X 2 . Model digambarkan sebagai
berikut:
\
X1 X2

X3 Y
 Gambar 2.4 Model Kompleks

g. Model Rekursif dan Model Non Rekursif

Dari sisi pandang arah sebab dan akibat, ada dua tipe model jalur,
yaitu jalur rekursif dan non rekursif. Model rekursif dan model non
rekursif merupakan model penggabungan antara pengaruh satu arah dan
pengaruh dua arah (saling mempengaruhi) antara dua variabel eksogen
(exogenous). Misalnya, dalam pembelajaran di mana hasil belajar bidang
keguruan (Y2) dipengaruhi secara langsung oleh efektivitas belajar
mahasiswa (Y1), serta bakat dan minatnya menjadi guru (X 1) dan
persepsinya terhadap profesi guru (X2) Bakat dan minat menjadi guru (X1)
saling berhubungan dengan persepsinya terhadap profesi guru (X2), serta
persepsi terhadap profesi guru juga dipengaruhi oleh bakat dan minatnya
menjadi guru. Bakat dan minat menjadi guru (X1) serta persepsinya
terhadap profesi guru (X2) juga mempengaruhi efektivitas belajarnya (Y1)
yang selanjutnya berpengaruh pada hasil belajar (Y2).
Model rekursif ialah jika semua anak panah menuju satu arah
seperti gambar dibawah ini:
X1 Py1
P31
r12 P21 Y1 Py3 Y2
P32
X2 Py2

e2 e3 e4
Model rekursif dapat juga digambarkan sebagai berikut ini:
1
P41
P31 P43
P21
P32 3 4
 P42

e2 e3 e4
Gambar 2.5 Model Rekursif
Model tersebut 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 ke 4. Tidak ada arah yang terbalik,
misalnya dari 4 ke 1.
2. Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga 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 terbalik, misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2,
atau bersifat sebab akibat.
Dari berbagai model sebelumnya masih bisa dikembangkan
berbagai model yang lebih kompleks tergantung dari kepengtingan
penelitian yang ditopang oleh teori yang relevan. Model-model analisis
jalur sangat membantu melakukan analisis yang yang lebih teliti dan
kompleks tanpa mengorbankan variabel yang benar-benar berperan
dalam mempengaruhi variabel indogen, walaupun sifat pengaruhnya tidak
langsung. Kondisi ini sangat cocok dalam mendalami kehidupan manusia,
mengingat faktor sebab akibat dalam kehidupan manusia itu sangat
kompleks dan tidak mungkin faktor yang mempengaruhinya itu diabaikan
begitu saja.
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 lebih
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.

L. Hubungan: Data Mentah (Xi), skor baku (Zi) dan Koefisien

Korelasi (rij)
Konsep dasar analisis jalur dikembangkan dari transformasi data mentah/
raw data (Xi) kedalam skor baku (Zi). Selanjutnya berdasarkan teori baku
tersebut dapat dianalisis koefisien korelasi sederhana antar setiap 2 buah
variabel bebas yang terkoreksi (rij). Secara matematika hubungan antara skor
mentah (Xi), angka baku (Zi) dan koefisein korelasi sederhana (rij) dapat
dijelaskan seperti berikut.
X i  X xi
1. Skor baku: zi  
si si

Keterangan:
xi = simpangan (deviasi) = X i  X
si = simpangan baku (deviasi standart)
zi = angka/ skor baku
s2 = varian

s2 
x 2
untuk populasi, atau s2 
x 2

untuk sampel.
n ( n  1)
xi xj
2. Karena z i  dan z j 
si sj

xi . x j
maka: z i .z j 
si .s j
 x i .x j  x .x  x .x  x .x
 z .z 
i j i j i j
   n.
  x   x 
i j 2
n.rij
si. s j s i .s j
x . x 2 2 2
i j i j

n n

 z .z 1
z 
 z i .z j maka
i j 2
sehingga rij   i
n n
3. Karena z i
.z j  n.rij maka: z 2
i   z i .z j  n.rij  n.1  n

sehingga: z 2
n

4.  z e  n.r
i xi ,e  0 atau  z.e  n.r xe 0

M. Hubungan Koefisien Jalur dengan Koefisien Korelasi

Sederhana
Koefisien jalur antara suatu variabel eksogen terhadap suatu variabel
endogen pada hakikatnya merupakan koefisien korelasi sederhana yang
terkoreksi antara suatu variabel bebas (Xi) terhadap variabel terikat (X2). Oleh
karenanya dalam menentukan koefisien jalur dari suatu variabel eksogen (X1) ke
variabel lainnya (X2) dapat ditentukan melalui pendekata korelasi sederhana.
Secara matematik, hubungan koefisien jalur dengan koefisien sederhana dapat
diturunkan seperti berikut:
1. Matriks Koefisien Korelasi sederhana
Tabel 2. 2 Matriks Koefisien Korelasi untuk Koefisien Jalur
rij X1 X2 X3 X4

X1 1 r12 r13 r14

X2 1 r 23 r24

X3 1 r34

X4 1

2. Menentukan hubungan antara Variabel dalam z (skor baku):

z1 = e1
z2 = p21.z1 + e2
z3 = p31.z1 + p32.z2 + e3
1z4 = p41.z1 + p42.z2 + p43. z3 + e4
3. Hubungan Koefisien Jalur dengan Koefisien Korelasi:
a.
r12 
1
n

1
z1 .z 2   z1  p 21 .z1  e2  
n
1
n
 1
n

p 21.  z12   z1 .e2   p 21 .n  0  p 21

 r21  p 21
b.

r13 
1
n

1
z1 .z 3   z1  p31 .z1  p31 .z 2  e3  
n
1
n

p31.  z12  p32  z1 .z 2   z1 .e3 
1
  p31 .n  p32 .n.r12  0  p31  p32 .r12
n
 r13  p 31  p 32 .r21

1 1
c. r14   z1 .z 4   z1  p 41 .z1  p 42 .z 2  p 43 .z 3  e4 
n n


1
n

p 41  z12  p 42  z1 .z 2  p 43  z1 .z 3   x1 .e 4 
1
  p 41 .n  p 42 .n.r12  p 43 .n.r13  0  p 41  p 42 .r12  p 43 .r13
n
 r14  p 41  p 42 .r12  p 43 .r13

1 1
d. r23   z 2 .z 3   z 2  p31 .z1  p32 .z 2  e3 
n n


1
n

p31  z 2 .z1  p32  z 22   z 2 .e3 
1
  p31 .n.r21  p32 .n.  0  p31 r21  p32
n

 r23  p 31 r21  p 32

e. r24  1  z 2 .z 4  1  z 2  p 41 .z1  p 42 .z 2  p 43 .z 3  e4 
n n


1
n

p 41  z 2 .z1  p 42  z 22  p 43  z 2 .z 3   x 2 .e4 
1
  p 41 .n.r21  p 42 .n.  p 43 .n.r23  0  p 41 .r21  p 42  p 43 .r23
n
 r24  p 41 .r21  p 42  p 43 .r23

1 1
f. r34   z 3 .z 4   z 3  p 41 .z1  p 42 .z 2  p 43 .z 3  e4 
n n


1
n

p 41  z 3 .z1  p 42  z 3 .z 2  p 43  z 32   x3 .e4 
 1
  p 41.n.r31  p 42 .n..r32  p 43 .n.  0  p 41 .r31  p 42 .r32  p 43
n

 r34  p 41 .r31  p 42 .r32  p 43

4. Resume sistem persamaan untuk mencari p (koefisien jalur).

Berdasarkan uraian di atas, secara singkat dapat dibuat sistem
persamaan rumus reduksi untuk mentukan koefisien jalur (p) yang diturunkan
berdasarkan koefisien korelasi sederhana seperti berikut:
r12 = P21

r13 = P31 + P32 . r21

r23 = P31. r12 + P32

r14 = P41 + P42 . r21 + P43 . r31

r24 = P41. r12 + P42 + P43 . r32
r34 = P41. r13 + P42 .r23 + P43

N. Penyelesaian Masalah Analisis Jalur

Secara garis besar penyelesaian masalah dengan analisis jalur
dapat diselesaikan melalui:
1. Pendekatan korelasi sederhana
2. Pendekatan regresi linier
Berikut ini akan dipaparkan penyelesaian koefisien jalur melalui
pendekatan korelasi sederhana dan pendekatan regresi linier.

1. Menghitung dan Menguji Koefisien Jalur dengan Pendekatan

Korelasi
Secara umum langkah-langkah analisis jalur dengan pendekatan
korelasi sederhana sebagai berikut:
a. Menentukan model jalur
Misal untuk masalah dengan 4 variabel (X 1, X2, X3, dan X4)
menggunakan model jalur seperti berikut:

e1 X1 r14
p41
p31 r13 e3 e4
 r12 X3 r34 X4
p21 r23 r24 p43
p32 p42
e2 X2

Gambar 2.6 Paradigma penelitian X1, X2, X3, dan X4

b. Membuat matriks koefisien korelasi sederhana

Tabel 2. 3 Matriks Koefisien Korelasi antara X1, X2, X3, dan X4
rij X1 X2 X3 X4

X1 1 r12 r13 r14

X2 1 r 23 r24

X3 1 r34

X4 1

c. Menghitung koefisien jalur (pji)

Harga-harga koefisien jalur dari paradigma penelitian atau model
jalur di atas dapat dihitung dengan menyelesaikan sistem
persamaan berikut:
r12 = P21
r13 = P31 + P32 . r21
r23 = P31. r12 + P32
r14 = P41 + P42 . r21 + P43 . r31
r24 = P41. r12 + P42 + P43 . r32
r34 = P41. r13 + P42 .r23 + P43
Selain pendekatan ini, penentuan koefisien jalur dapat ditentukan
dengan menempuh langkah-langkah berikut:
1) Merumuskan hipotesis dan persamaan struktural
a) Xˆ 3  p31 x1  p32 x 2  p3

b) Xˆ 4  p 41 x1  p 42 x 2  p 43  p3
2) Menentukan matriks korelasi antar variabel eksogen
a) Untuk persamaan struktural 1:
 X1 X2
R1 = 1 r12
r21 1
b) Untuk persamaan struktural 2:
X1 X2 X3
1 r12 r13
R1 = r21 1 r23
r31 r32 1
3) Menentukan invers matriks variabel eksogen
Invers matriks ditentukan untuk matriks variabel eksogen
struktural 1 maupun struktural 2. Secara umum invers
matriks variabel eksogen yaitu:
X1 X2 … Xk
C11 C12 … C1k
R11  C22 … C2k
.
.
.
Ckk
4) Menentukan koefisien jalur
pXuX1 C11 C12 … C1k rXuX1
pXuX2 = C22 … C2k rXuX2
. . .
. . .
. . .
pXuXk Ckk rXuXk
Berdasarkan model jalur di atas, maka ada dua sistem
persamaan matriks yang harus diselesaikan, yaitu:

a) P31 C11 C12 r31

=
P31 C21 C22 r32
b) P41 C11 C12 C13 r41
P42 = C21 C22 C23 r42
P43 C31 C32 C33 r43
 d. Menentukan harga koefisien determinasi ganda (struktur)
rXuX1
rXuX2
R X u ( X 1 X 2 ........ X k )  (pXuX1 pXuX2 ……. pXuXk)
2
.
.
.
rXuXk
Berdasarkan model jalur di atas, maka dua koefisien determinasi
yang harus dihitung, yaitu:
1) R X 3 ( X 1 X 2 ) 
2
(p31 p31) r31

r32
r41

2) R X 4 ( X 1 X 2 X 3 ) 
2
(p41 p41 p43) r42

r43
e. Menguji keberartian koefisien jalur
Pengujian dapat dilakukan untuk uji dua pihak maupun uji satu
pihak (baik pihak kanan maupun pihak kiri).
Hipotesis untuk uji dua pihak yaitu:

H 0 : p ji  0
H 1 : Pji  0

Hipotesis untuk uji satu pihak kanan yaitu:


H 0 : p ji  0
H 1 : Pji  0

Hipotesis untuk uji satu pihak kiri yaitu:


H 0 : p ji  0
H 1 : Pji  0

2. Penyelesaian Masalah Analisis Jalur dengan Pendekatan

Regresi Linier
Langkah-langkah penyelesaian analisis jalur denagn pendekatan
regresi linier yaitu:
1. Menetukan model jalur (paradigma penelitian) lengkap.
2. Menentukan model-model struktural dari model jalur yang ada.
3. Menentukan koefisien jalur dari masing-masing model struktural
yang terindentifikasi, dengan tahapan sebagai berikut:
a. Konversi skor mentah setiap variabel (Xi)menjadi skor baku
(Zi):
Xi  Xi
Zi 
si

b. Dangan data skor baku (Zi) lakukan analisis regresi sesuai

model struktural terkait.
c. Koefisien regresi (bui) yang di dapat dari skor/ angka baku
merupakan koefisien jalur (pui), dan konstanta regresi a =
p u  0 .

4. Menguji keberartian koefisien jalur

Pengujian hipotesis ini dilakukan dengan uji-t, baik uji dua pihak,
uji satu pihak kanan, maupun uji satu pihak kiri.
Hipotesis yang diuji, untuk uji dua pihak yaitu:
H0 : pui = 0
H1 : pui  0 ; i = 1, 2, 3, …, k
atau untuk uji satu pihak kanan yaitu:
H0 : p ui  0
H1 : pui  0 ; i = 1, 2, 3, …, k
atau untuk uji satu pihak kiri yaitu:
H0 : p ui  0
H1 : pui  0 ; i = 1, 2, 3, …, k
Langkah-langkah pengujiannya, yaitu:
a. Hitung varian kekeliruan taksiran dari model struktur ganda:

s e2  su2.12.....k 
X u  Xˆ u 
( n  k  1)
atau dengan rumus lain:

s 2

z 2
u  bu1  z1 z u  bu 2  z 2 z u  ....  bui  z i z u
e
n  k 1
b. Hitung R = koefisien korelasi antara variabel eksogenus X i
 yang dianggap sebagai variabel endogen dengan variabel-
variabel eksogenus lainnya yang ada dalam model struktur.
Jika dalam model struktur hanya memiliki 2 variabel
eksogenus, maka:
n. Z 1 Z 2    Z 1   Z 2 
R = r21 = r12 =
n Z 12    Z 1  n Z 22    Z 2 
2 2

atau dengan rumus lain:

b21   z1 z 2 
R = r21 = r12 =
z 2
2

atau secara umum:

bu1   z1 z u   bu 2   z 2 z u   .........  bui   z i z u 

R = ru.12…….k =
z u2

c. Hitung simpangan kekeliruan baku setiap koefisien jalur b ui =

pui ;

s e2
sui 
  Z  Z  1  R 
i i
2
i
2

atau rumus:

s e2
s ui 
  zi2 1  Ri2 
d. Tentukan nilai thitung :
bui p
th =  ui ; i = 1, 2, …, k
s ui sui

e. Menentukan nilai t dan pengujian hipotesis:

Harga ttabel dibaca dari tabel distribusi-t untuk taraf
signifikansi (  ) tertentu, misal  = 0, 05 dengan dk = n – k
– 1 ; k = banyaknya variabel eksogen dalam model struktur.
f. Pengujian hipotesis dilakukan dengan kriteria : terima H 0 jika
th  tt , dan tolak H0 jika t h  tt .

O. Contoh Soal Analisis Jalur

 Seperti yang telah dijabarkan di atas, bahwa secara garis besar
penyelesaian masalah analisis jalur dapat diselesaikan melalui: (1)
pendekatan korelasi sederhana, dan (2) pendekatan regresi linier. Untuk
lebih memahami penggunaan pendekatan analisis jalur tersebut dapat
dilihat dalam contoh berikut ini:
Sebuah penelitian yang berjudul: “Pengaruh motivasi belajar (X 1)
dan kompetensi kognitif matematika (X2) terhadap konsistensi diri (X3)
siswa SMU di Jakarta Selatan”. Dalam penelitian ini diketahui, bahwa
kompetensi kognitif matematika (X2) merupakan variabel mediator/
intervening. Hasil penelitian memperoleh data sebagai berikut:

Tabel 3. 1 Data Motivasi Belajar (X1), Kompetensi Kognitif

Matematika (X2), dan Konsistensi Diri (X3)

Res. X1 X2 X3

1 30 70 6

2 32 78 7

3 45 56 5

4 24 45 5

5 46 68 6

6 32 67 7

7 33 54 6

8 35 50 8

9 20 45 6
 10 41 70 8

Jika konsistensi masalah (paradigma penelitian) dari ketiga variabel

tersebut seperti berikut:
X1
r13
p31
r12 P21 X3
p32
r23
X2
1. Hitung koefisien jalur p21, p31, dan p32!
2. Ujilah keberartian koefisien jalur tersebut.
Penyelesaian:
a. Menggunakan Pendekatan Korelasi Sederhana
1. Dari data di atas diperoleh harga-harga:
 X 1 = 338  X 12 = 12069  X 1X2 = 20770
 X 2 = 603  X 22 = 37599  X 1X3 = 2175
 X 3 = 64  X 32 = 420  X 2X3 = 3902
2. Menghitung koefisien korelasi sederhana antar dua variabel.
n. X 1 X 2   X 1  X 2 
r12 
n X 12    X 1  n X 22    X 2 
2 2

10.20770  (338)(603)
=
10.12060  (338) 2 10.37599  (603) 2

207700  203814
=
(79,7245)(111,2699)
3886
= 8870,9371  0,44

n. X 1 X 3   X 1  X 3 
r13 
n X 12    X 1  n X 32    X 3 
2 2

10.20770  (338)(64)
=
10.12060  (338) 2 10.420  (64) 2
 21750  21632
=
(79,7245)(10,1980)
118
= 813,0305  0,15

n. X 2 X 3   X 2  X 3 
r23 
n X 22    X 2  n X 32    X 3 
2 2

10.3902  (603)(64)
=
10.37599  (603) 2 10.420  (64) 2

428
=
(111,2699)(10,1980)
428
= 1134,7304  0,38

Sehinggga diperoleh matriks koefisien eksogen sederhana

berikut:
R X1 X2 X3

X1 1 0, 44 0, 15

X2 0, 44 1 0, 38

X3 0, 15 0, 38 1

3. Menentukan model struktural yang harus dianalisis

Dari model jalur di atas, ada 2 model struktural yang perlu
dianalisis yaitu:
a) Xˆ 2  p 21 x1  p 2

b) Xˆ 3  p31 x1  p32 x 2  p3

Catatan:
Untuk model struktur 1:
p21 = r12 = 0, 44


p 2  0


Sehingga model struktural 1, yaitu: Xˆ 2  0,44 X 1

4. Menentukan harga-harga koefisien jalur untuk model struktural
2:
a. Menentukan matriks koefisien korelasi antar variabel
eksogen
X1 X2
R1 = 1 r12
r21 1
X1 X2
 R1 = 1 0,44
0,44 1

b. Menentukan invers matriks variabel eksogen:

C11 C12
R11  C21 C22

1 1  0,44
R11 
(1  0,1936)  0,44 1

1, 24  0,55
=  0,55 1,24
c. Menentukan koefisien jalur:
rX 3 X 1
p31 C11 C12
=
rX 3 X 2
p32 C21 C22
 0,55
p 31 1,24 0,15
 
p 32  0,55 1,24 0,38

p31  0,02
 
p32 0,39

Sehingga dipeoleh koefisien jalur: p31 = -0, 02 dan p32 = 0, 39

Sesuai defenisi dan asumsi di atas, harga p 3  0

Dengan demikian diperoleh persamaan model struktural-2,

yaitu:

Xˆ 3  0,02 X 1  0,39 X 2
5. Menghitung koefisien determinasi ganda (struktur) untuk
masing-masing model struktural.
a. Untuk struktur 1: Xˆ 2  0,44 X 1
Koefisien determinasinya yaitu:
R X2 2 ( X 1 )  ( p 21 ) r12

= (0,44)(0,44) = 0,19

b. Untuk struktur 2: Xˆ 3  0,02 X 1  0,39 X 2

Koefisien determinasinya yaitu:
r31
2
RX 3 ( X1 X 2 )
 ( p 31 p 21 )
r32

0,15
= (-0,22 0,39) 0,38 = -0,0030 + 0,1482 =

0,14
6. Menguji keberartian koefisien jalur
a. Menguji hipotesis pengaruh langsung motivasi belajar (X 1)
terhadap kompetensi kognitif matematika (X2).
Hipotesis yang diuji yaitu:
H0 : p21 = 0
H1 : p21  0
harga thitung yaitu:
pX u X 1
th 
1  R 2
Xu  X 1 X 2 .....X k  Cii
( n  k  1)

p 21
 th 
1  R 2
X2 
( X 1 ) C11
(n  k  1)
0,44 0,44
0,44
= 1  0,191 = 0,81 =
0,32
 1,375
(10  1  1) 8

Untuk  = 0, 05 dan dk = n – k – 1 = 8 untuk uji dua pihak

diperoleh ttabel = 2, 306.
 Karena th < tt (1, 375 < 2, 306) maka H0 diterima, dan
disimpulkan tidak terdapat pengaruh langsung yang
signifikan motivasi belajar (X1) terhadap kompetensi kognitif
matematika (X2).
b. Menguji hipotesis pengaruh langsung motivasi belajar (X 1)
terhadap konsistensi diri (X3).
Hipotesis yang diuji yaitu:
H0 : p31 = 0
H1 : p3  0
harga thitung yaitu:
pX u X 1
th 
1  R 2
Xu  X 1 X 2 .....X k  Cii
( n  k  1)

p31
 th 
1  R 2
X3 
( X 1 X 2 ) C11
(n  k  1)
 0,02  0,02
= 1  0,141,24 = 1,07 = 00,39
,02
 0,051
(10  2  1) 7

Untuk  = 0, 05 dan dk = n – k – 1 = 7 untuk uji dua pihak

diperoleh ttabel = 2, 365.
Karena th < tt (0, 051 < 2, 365) maka H0 diterima, dan
disimpulkan tidak terdapat pengaruh langsung yang
signifikan motivasi belajar (X1) terhadap konsistensi diri(X3).
c. Menguji hipotesis pengaruh langsung kompetensi kognitif
matematika (X2) terhadap konsistensi diri (X3).
Hipotesis yang diuji yaitu:
H0 : p32 = 0
H1 : p32  0
harga thitung yaitu:
 pX u X 1
th 
1  R 2
Xu  X 1 X 2 .....X k  Cii
( n  k  1)

p32
 th 
1  R 2
X3 
( X 1 X 2 ) C22
(n  k  1)
0,39 0,39
0,39
= 1  0,141,24 = 1,07 =
0,39
 1,000
(10  2  1) 7

Untuk  = 0, 05 dan dk = n – k – 1 = 7 untuk uji dua pihak

diperoleh ttabel = 2, 365.
Karena th < tt (1, 000 < 2, 365) maka H0 diterima, dan
disimpulkan tidak terdapat pengaruh langsung yang
signifikan kompetensi kognitif matematika (X 2) terhadap
konsistensi diri (X3).
d. Menguji keefektifan variabel intervening (X2).
Berdasarkan hasil perhitungan di atas, dapat disajikan model
analisis jalur sperti berikut.
X1
r13
p31
r12 P21 X3
p32
r23
X2
Koefisien jalur X1 ke X2 secara langsung = p21 = 0, 44.
Koefisien jalur X1 ke X3 secara langsung = p31 = -0, 02.
Koefisien jalur X2 ke X3 secara langsung = p32 = 0, 39.
Koeefisien jalur tidak langsung X1 ke X3 melalui X2 = (p21)
X(p32) = p321 = (o, 44) (0, 39) = 0,17.
Kriteria:
Variabel intervening (X2) diakatakan berfungsi efektif, apabila
 koefisien jalur tidak langsung X1 ke X3 melalui X2 (p321) lebih
tinggi dari pada koefisien jalur langsung X 1 ke X3 (p31).
Dari hasil di atas ternyata p 321 = 0, 17 lebih besar dari pada
p31 = -0,02, maka dapat disimpulkan bahwa dalam
permasalahan ini X2 berfungsi efektif sebagai variabel
intervening (variabel moderator). Hal ini memberikan makna,
bahwa pengaruh X1 terhadap X2 lebih efektif apabila melalui
X2, dari pada X1 langsung terhadap X3.
e. Menguji perbedaan koefisien jalur antara p31 dengan p32
Hipotesis yang diuji:
H0 : tidak terdapat perbedaan pengaruh antara motivasi
belajar dan kompetensi kognitif matematika terhadap
konsistensi diri.
H1 : terdapat perbedaan pengaruh antara motivasi belajar
dan kompetensi kognitif matematika terhadap konsistensi
diri.
Atau secara statistik ditulis:
H0 : p31 = p32
H1 : r21  p32
Kriteria pengujian:
Tolak H0 jika thitung > ttabel dan terima H0 jika thitung < ttabel.
Invers matriks korelasi koefisien jalur X1 dan X2:

1 0,44
R    , adalah
0,44 1 

1,24  0,55
R 1  
  0,55 1,24 

p31  p32
t
1  r  R
2
21
1 1
 R 22  2 R12
11
1

n  k 1
 0,02  0,39

1  0,438 1,24  1,24  2(0,55
2

10  2  1
  0,02  0,39  0,41
   1,03
(0,81)(1,38) 0,40
7
Untuk  = 0, 05 dan dk = n – k – 1= 10 – 2 – 1 = 7 untuk uji
dua pihak diperoleh t tabel= 2, 365.
Karena t < ttabel, maka proposisi hipotesis yang diajukan
tidak terdapat perbedaan pengaruh motivasi belajar dan
kompetensi kognitif matematika terhadap konsistensi diri
diterima (H0 diterima). Berdasarkan pengujian perbedaan
koefisien jalur X1 ke X3 dan X2 ke X3 secara statistik tidak
bermakna atau besarnya koefisien jalur X 1 ke X3 tidak
berbeda secara signifikan denagn koefisien jalur X 2 ke X3.
hal ini menunjukkan bahwa besarnya pengaruh motivasi
belajar terhadap konsistensi diri dan pengaruh kompetensi
kognitif matematika terhadap konsistensi diri tidak memiliki
perbedaan yang berarti.
7. Kesimpulan
Berdasarkan hasil perhitungan analisi jalur dari model jalur di
atas diperoleh informasi sebagai berikut:
a. Koefisien jalur X1 terhadap X2 (p21) sebesar 0,44 dan setelah
diuji dengan uji-t pengaruh tersebut nyaris nyata/ signifikan.
Hal tersebut menunjukkan tidak ada pengaruh langsung
yang signifikan motivasi belajar (X 1) terhadap kompetensi
kognitif matematika (X2). Kontribusi langsung motivasi
belajar (X1) terhadap kompetensi kognitif matematika (X 2)
hanya sebesar 0,442 x 100 % = 19, 36 %
b. Koefisien jalur X1 terhadap X3 (p31) sebesar -0, 02 dan
setelah diuji dengan uji-t pengaruh tersebut tidak nyata/
signifikan. Hal tersebut menunjukkan tidak ada pengaruh
langsung yang signifikan motivasi belajar (X 1) terhadap
konsistensi diri siswa (X3). Kontribusi langsung motivasi
belajar (X1) terhadap konsistensi diri siswa (X 3) sangat kecil
bahkan nyaris tidak berkontribusi, yaitu hanya sebesar (-0,
 022) x 100 % = 0, 04 %
c. Koefisien jalur X2 terhadap X3 (p32) sebesar 0,39 dan setelah
diuji dengan uji-t pengaruh tersebut tidak nyata/ signifikan.
Hal tersebut menunjukkan tidak ada pengaruh langsung
yang signifikan kompetensi kognitif matematika (X 2)
terhadap konsistensi diri siswa (X 3). Kontribusi langsung
kompetensi kognitif matematika (X2) terhadap konsistensi diri
siswa (X3) hanya sebesar 0, 392 x 100 % = 15, 21 %
d. Koefisiensi determinasi atau kontribusi motivsi belajar (X 1)
dan kompetensi kognitif matematika (X2) secara bersama-
sama terhadap konsistensi diri siswa (X 3) ditunjukkan oleh
koefisien determinasi ganda dari model struktural kedua
yaitu sebesar 0, 14 = 14 %. Hal ini menunjukkan bahwa
keberadaan atau skor konsistensi diri siswa dapat dijelaskan
oleh faktor motivasi belajar dan kompetensi kognitif
matematika sebesar 14 %, sedangkan sisanya sebesar 86
% dipengaruhi oleh faktor (variabel) lain yang tidak dapat
dijelaskan dalam penelitian ini.
e. Koefisien jalur pengaruh tidak langsung motivasi belajar (X 1)
terhadap konsistensi diri (X3) melalui kompetensi kognitif
matematika (X2) ditentukan dari hasil kali koefisien jalur X1 ke
X2 dan X2 ke X3. koefisien jalur pengaruh tidak langsung X 1
ke X2 melalui X3 yaitu:
p21 x p32 = 0, 44 x 0, 39 = 0, 17
Koefisien jalur sebesar 0, 17 ini tidak signifikan.
Tabel 2.5 Ringkasan Analisis Jalur
Variabel Koefisien Jalur Pengaruh (koefisien Pengaru
determinasi) h
Bersama

X1 -0,02 0,1 0,1 0,04 % 2,89 2,25 % -

7 5 %

X2 0,39 - 0,3 15,21 - 15,21 -

 9 % %

X1 dan X2 - - - - - - 14 %

b. Menggunakan Pendekatan Regresi Linier

1. Menentukan model struktural dari model jalur.
Dari diagram jalur di atas, dapat diidentifikasi menjadi 2 buah model
struktural yang perlu dianalisis, yaitu struktur 1 dan struktur 2
seperti berikut:
 X1 Struktur 1 Struktur 2
X1 X1

X3
X3

X2 X2 X2

a. Pada struktur 1 terdiri atas dua variabel yaitu X 1 dan X2 dengan

persamaan:
Xˆ 2  a  b21 X 1  Xˆ 2  p 21 X 1  p
b. Pada struktur 2 terdiri atas tiga variabel yaitu X 1, X2, dan X3
dengan persamaan:
Xˆ 3  a  b31 X 1  b32 X 2  Xˆ 3  p31 X 1 p 32 X 2  p3

2. Menghitung Rerata dan Simpangan Baku skor mentah setiap

variabel (X1, X2, dan X3) serta mengkonversi data mentah setiap
variabel (Xi) ke dalam angka/ skor baku (Zi).
Tabel 2.6 konversi data Mentah Motivasi Belajar (X1). Hasil BelajarKognitif Mateatika (X2) dan Konsistensi

Diri (X3) ke dalam Angka Baku Z1, Z2, dan Z3

Res. X1 X2 X3 X12 X22 X32 Z1 Z2 Z3

-
1 30 70 6 900 4900 36 0,83 -0,37
0,45

-
2 32 78 7 1024 6084 49 1,51 0,56
0,21

-
3 45 56 5 2025 3136 25 1,33 -1,31
0,37

-
4 24 45 5 576 2025 25 -1,3 -1,31
1,17
5 46 68 6 2116 4624 36 1,45 0,65 -0,37

-
6 32 67 7 1024 4489 49 0,57 0,56
0,21

-
7 33 54 6 1089 2916 36 -0,1 -0,37
0,54

-
8 35 50 8 1225 2500 64 0,14 1,49
0,88

-
9 20 45 6 400 2025 36 -1,3 -0,37
1,64

10 41 70 8 1681 4900 64 0,86 0,83 1,49

 338 603 64 12060 37599 420 0,00 0,00 0,00

Keterangan :
Xi  Xi
Zi 
si

 Z1 = skor baku variabel X1 (motivasi belajar)

 Z2 = skor baku variabel X3 (kompetensi kognitif matematika)
 Z3 = skor baku variabel X3 (konsistensi diri)
338
a. X 1   33,8 dan
10

  X 2 
  X 12  1   338 2 
 12060  
 n   10 
s1    8,4
n 1 10  1
603
b. X 2   60,3 dan
10

  X 2 
  X 22  2   603 2 
  37599  
n  10 
s2      11,7
n 1 10  1
64
c. X 3   6,4 dan
10
   X 2 
  X 32  3   64 2 
  420  
n  10 
s3      1,1
n 1 10  1
3. Menghitung mean (rerata) dan standar deviasi dari data dalam skor
baku (Z).
a. Mean (rerata) angka baku setiap variabel.
 Rerata angka baku dari variabel X1 (Z1):

Z1 
Z 1
0
n
 Rerata angka baku dari variabel X2 (Z2):

Z2 
Z 2
0
n
 Rerata angka baku dari variabel X3 (Z3):

Z3 
Z 3
0
n
b. Standar deviasi angka/ skor baku dari setiap variabel.
 Standar deviasi angka baku dari variabel X 1 atau Z1:

 Z  2
1  Z1 9
s z1   1
n 1 9

 Standar deviasi angka baku dari variabel X 2 atau Z2:

 Z  2
2  Z2 9
s z2   1
n 1 9

 Standar deviasi angka baku dari variabel X 3 atau Z3:

 Z  2
3  Z3 9
s z3   1
n 1 9

4. Menentukan koefisien jalur dari masing-masing struktur.

a. Analisis koefisien jalur pada struktur 1
Struktur 1 merupakan model regresi linier sederhana dari X̂ 2 =

a + b21X1 atau Ẑ 2 = a + b21Z1

1) Dari data Z1 dan Z2 di atas dapat dihitung harga-harga
jumlah ukuran-ukuran untuk menentukan koefisien regresi
 linier sederhana dari angka/ skor baku:

Tabel 2.7 Harga-Harga Jumlah Ukuran-Ukuran

untuk Menentukan Persamaan Regresi X̂ 2 = a + b21X1 atau

Ẑ 2 = a + b21Z1

Res. Z1 Z2 Z3 Z12 Z22 Z1Z2 Ẑ 2 ( Z 2 Zˆ 2 ) ( Z 2  Zˆ 2 ) 2

1 -0,45 0,83 -0,37 0,2 0,69 -0,37 - 1,03 1,06

0,20

2 -0,21 1,51 0,56 0,04 2,28 -0,32 - 1,60 2,57

0,09

3 1,33 -0,37 -1,31 1,77 0,14 -0,49 0,59 -0,96 0,91

4 -1,17 -1,3 -1,31 1,37 1,69 1,52 - -0,79 0,62

0,51

5 1,45 0,65 -0,37 2,1 0,42 0,94 0,64 0,01 0,00

6 -0,21 0,57 0,56 0,04 0,32 -0,12 - 0,66 0,44

0,09

7 -0,1 -0,54 -0,37 0,01 0,29 0,05 - -0,50 0,25

0,04

8 0,14 -0,88 1,49 0,02 0,77 -0,12 0,06 -0,94 0,89

9 -1,64 -1,3 -0,37 2,69 1,69 2,13 - -0,58 0,33

0,72

10 0,86 0,83 1,49 0,74 0,69 0,71 0,38 0,45 0,20

 0,00 0,00 0,00 8,98 8,98 3,93 0,00 0,00 7,26

2) Menghitung koefisien dan konstanta regresi linier sederhana

(model struktur 1)
 n. Z 1 Z 2   Z 1 . Z 2 10(3,93)  (0)(0)
b21    0,44
n. Z 12    Z 1  10(8,98)  0 2
2

a
 Z  Z   Z . Z Z
2 1
2
1 1 2

0(8,98)  (0)(3,93)
 0,00
n. Z    Z  10(8,98)  0 2
2 2
1 1

atau
a  Z 2  b21 Z 1  0  0,44(0)  0

3) Menetapkan persamaan struktur 1:

Jadi diperoleh persamaan regresi model struktur 1:
yaitu Xˆ 2  0,44 X 1 atau Zˆ 2  0,44Z 1 .
Sehingga koefisien jalur dari X1 ke X2 = p21 = b21 = 0, 44.
4) Menguji keberartian koefisien jalur
Hipotesis yang diuji, yaitu:
H 0 : p 21  0
H 1 : p 21  0

Langkah-langkah pengujiannya, yaitu:

a) Hitung varian kekeliruan taksiran dari model struktur
1:

s e2  s y2. x 
 (Z 2  Zˆ 2 ) 2

7,26

7,26
 0,91
n  k 1 10  1  1 8
Atau dengan rumus lain:

s e2 
z 2
2  b21  z1 z 2

8,98  (0,44)(3,93)
 0,91
n  k 1 10  1  1
b) Hitung R = koefisien korelasi antara variabel
eksogenus Xi (Zi) yang dianggap sebagai variabel
endogen dengan variabel-variabel eksogenus lainnya
yang ada dalam model struktur.
Karena dalam model struktur 1, hanya memiliki 1
variabel eksogenus, maka tidak ada R (R = 0).
c) Menghitung simpangan kekeliruan baku setiap
koefisien jalur bui = pui :
( Z 1 ) 2 02
 z12   Z12  n
 8,98 
10
 8,98
 Sehingga;

s e2 0,91
s p 21    0,101  0,32
( z i2 )(1  Ri2 (8,98)(1  0)

d) Menentukan nilai thitung:

p 21 0,44
t hitung    1,375
s p 21 0,32

e) Menentukan nilai ttabel dan pengujian hipotesis:

Untuk  = 0,05 dan dk diperoleh harga t tabel untuk uji
dua pihak yaitu ttabel = 2,306.
f) Karena thitung < ttabel (1,375 > 2, 306) maka H 0 diterima
dan disimpulkan tidak terdapat pengaruh langsung
yang signifikan motivasi belajar (X 1) terhadap
kompetensi kognitif matematika (X2).
b. Analisis koefisien jalur pada struktur 2
Struktur 2 merupakan model regresi linier berganda dengan 2

variabel bebas dari persamaan Xˆ 3  a  b31 X 1  b32 X 2 atau

Zˆ 3  a  b31 Z 1  b23 Z 2 .

Langkah-langkahnya, yaitu:
1. Dari data Z1, Z2, dan Z3 di atas dapat dihitung harga-harga
jumlah untuk menentukan koefisien regresi linier berganda
dengan 2 variabel bebas dari angka/ skor baku:
Tabel 2.8 Harga-Harga Jumlah Ukuran-Ukuran untuk

Menentukan Persamaan Regresi X̂ 2 = a + b21X1 atau Ẑ 2 = a

+ b21Z1
Res. Z1 Z2 Z3 Z12 Z22 Z32 Z1 Z2 Z1 Z3 Z2Z3

1 -0,45 0,83 -0,37 0,2 0,69 0,14 -0,37 0,17 -0,31

2 -0,21 1,51 0,56 0,04 2,28 0,31 -0,32 -0,12 0,85

3 1,33 -0,37 -1,31 1,77 0,14 1,72 -0,49 -1,74 0,48

4 -1,17 -1,3 -1,31 1,37 1,69 1,72 1,52 1,53 1,7

5 1,45 0,65 -0,37 2,1 0,42 0,14 0,94 -0,54 -0,24

 6 -0,21 0,57 0,56 0,04 0,32 0,31 -0,12 -0,12 0,32

7 -0,1 -0,54 -0,37 0,01 0,29 0,14 0,05 0,04 0,2

8 0,14 -0,88 1,49 0,02 0,77 2,22 -0,12 0,21 -1,31

9 -1,64 -1,3 -0,37 2,69 1,69 0,14 2,13 0,61 0,48

10 0,86 0,83 1,49 0,74 0,69 2,22 0,71 1,28 1,24

 0,00 0,00 0,00 8,98 8,98 9,06 3,93 1,32 3,41

2. Menghitung skor deviasi ukuran deskriptif seperti berikut:

 Z1 
2
02
a. z  z2
1
2
1 
n
 8,98 
10
 8,98

 Z2  2 02
b.  z 22   z 22  n
 8,98 
10
 8,98

 Z3  2 02
c.  z32   z32  n
 9,06 
10
 9,06

  Z   Z  (0)(0)
z z   Z1 Z 3 
1 3
d. 1 3  1,32   1,32
n 10
  Z   Z  (0)(0)
 z 2 z3   Z 2 Z 3 
2 3
e.  3,41   3,41
n 10
  Z   Z  (0)(0)
z z   Z1 Z 2 
1 2
f. 1 2  3,93   3,93
n 10
3. Menentukan koefisien-koefisien dan konstanta persamaan
regresi ganda:
a. Koefisien regresi X1 (Z1):

b31 
  z   z z     z z   z z 
2
2 1 2 1 2 2 3

  z   z     z z 
2
1
2
2 1 2
2

(8,98)(1,32)  (3,93)(3,41)
  0,02
(8,98)(8,98)  3,93 2

b. Koefisien regresi X2 (Z2):

b32 
  z   z z     z z   z z 
2
1 2 3 1 2 1 3

  z   z     z z 
2
1
2
2 1 2
2
 (8,98)(3,41)  (3,93)(1,32)
  0,39
(8,98)(8,98)  3,93 2

c. Konstanta regresi ganda

a
Z 3   Z1 
 b31    b32   2
 Z  0
  0   0 
 (0,02)   (0,39)   0
n  n   n  10  10   10 
   
Catatan:
Koefisien regresi ganda dari skor baku tersebut
merupakan koefisien jalur, sehingga:
- b31 = p31 = koefisien jalur dari X1 ke X3 (Z1 ke Z2)
- b32 = p32 = koefisien jalur dari X2 ke X3 (Z2 ke Z3)
Dengan demikian diperoleh persamaan regresi ganda
sebagai model struktur 2, yaitu:
Xˆ 3  0,02 X 1  0,39 X 2 atau Zˆ 3  0,02 Z 1  0,39 Z 1

4. Menguji keberartian. Koefisien jalur

Dalam hal ini ada 2 koefisien jalur yang harus diuji, yaitu:
a. Koefisien jalur tentang pengaruh langsung X 1 terhadap X3
yaitu (p31).
b. Koefisien jalur tentang pengaruh langsung X 2 terhadap X3
yaitu (p32).
Hipotesis yang diuji, yaitu:
a) Hipotesis pertama
H0 : p31 = 0
H1 : p31  0
b) Hipotesis kedua
H0 : p32 = 0
H1 : p32  0

Langkah-langkah pengujiannya, yaitu:

a) Menghitung varian kekeliruan (varian error) taksiran
dari model struktur 2:

s e2 
z 2
3  b31  z1 z 3  b32  z 2 z 3
n  k 1
 9,06  ( 0,02)(1,32)  (0,39)(3,41)
  1,108
10  2  1
b) Menghitung R = koefisien antara variabel eksogen X i
(Zi) yang dianggap sebagai variabel endogen dengan
variabel-variabel eksogen lainnya yang ada dalam
model struktur 2.
n. Z 1 Z 2    Z 1   Z 2 
R  r21  r12 
n. Z 22    Z 2  n.. Z 12    Z 1 
2 2

10(3,93)  (0)(0)

10(8,98)  (0) 2 10(8,98)  (0) 2

39,3
 0,44
89,9 89,8

c) Menghitung kekeliruan baku koefisien jalur p31, dan

p32:

s e2 1,108
s p 31 
  z12 1  r122   (8,98)(1  0,44 2 )
 0,153  0,39

s e2 1,108
s p 32 
  z 22 1  r212   (8,98)(1  0,44 2 )
 0,153  0,39

d) Menguji keberartian (Signifikansi) koefisien jalur

(1) Hipotesis 1: koefisien jalur p31 = b31
Hipotesis yang diuji:
H0 : tidak terdapat pengaruh langsung motivasi
belajar (X1) terhadap konsistensi diri (X3) melawan
H1 : terdapat pengaruh langsung motivai belajar
(X1) terhadap konsistensi diri (X3)
Atau H0 : p31 = 0 melawan H1 : p31  0
Hipotesis tersebut diuji denga uji-t sebagai berikut.
p 31  0,02
th    0,051
s p 31 0,39

Untuk  = 0, 05 dan dk = n – k- 1 = 10 – 2- 1 = 7
untuk uji dua pihak diperoleh ttabel = 2, 365
 Karena –ttabel < thitung < ttabel maka H0 diterima dan
disimpulkan tidak terdapat pengaruh langsung
yang signifikan motivasi belajar (X 1) terhadap
konsistensi diri (X3).
(2) Hipotesis 2: Menguji koefisien jalur p = b
Hipotesis yang diuji:
H0 : tidak terdapat pengaruh langsung hasil belajar
kognitif matematika (X2) terhadap konsistensi diri
(X3) melawan
H1 : terdapat pengaruh langsung hasil belajar
kognitif matematika (X2) terhadap konsistensi diri
(X3)
Atau H0 : p32 = 0 melawan H1 : p32 0
Hipotesis tersebut diuji denga uji-t sebagai berikut.
p32 0,39
th    1,00
s p 32 0,39

Untuk  = 0, 05 dan dk = n – k- 1 = 10 – 2- 1 = 7
untuk uji dua pihak diperoleh ttabel = 2, 365
Karena –ttabel < thitung < ttabel maka H0 diterima dan
disimpulkan tidak terdapat pengaruh langsung
yang signifikan langsung hasil belajar kognitif
matematika (X2) terhadap konsistensi diri (X3).
Dengan kat alain, proporsi hipotesis yang diajukan
memberikan keterangan objektif, bahwa tidak
terdapat jalur antara X2 dengan X3, karena
berdasarkan pengujian koefisien jalur X 2 ke X3
secara statistik tidak bermakna. Hal ini
menunjukkan bahwa hasil belajar kognitif
matematika tidak memberikan pengaruh langsung
yang signifikan terghadap konsistensi diri.
e) Menguji koefisien jalur tidak langsung

Hipotesis yang diuji:

H0 : tidak ada pengaruh tidak langsung X 1 terhadap X3

melalui X2.

H1 : ada pengaruh tidak langsung X 1 terhadap X3

melalui X2

Atau secara statisik:

H 0 : p 321  0
H 1 : p321  0

Koefisien jalur X ke X melalui X, yaitu:

p321 = p21 x p32 = 0, 44 x 0,39 = 0, 17

Pengujian hipotesis:
2 2
Dari data di atas diketahui: s21 = 0, 32 = 0, 1024 dan
2 2
s32 = 0, 39 = 0, 1521

Sehingga didapat simpangan baku gabungan:

(n2  1) s 21
2
 (n32  1) s32
2

S =
g
n 21  n32  2

(10  1)(0,1024)  (10  1)(0,1521)

=
10  10  2

0,9216  1,3689
=  0,12725  0,36
18

Maka diperoleh nilai th yaitu:

p321 0,17
th    0,472
sg 0,36

Untuk  = 0, 05 dan dk = n – k -1 = 7 pada uji dua

pihak diperoleh nilai ttabel = tt = 2,365.

Karena nilai th < tt (0, 472 < 2,365) maka H0 dietrima

dan sisimpulkan tidak terdapat pengaruh tidak

langsung yang signifikan X1 terhadap X3 melalui X2.

 BAB III

PENERAPAN ANALISIS JALUR

A. Penerapan Analisis Jalur dalam Penelitian

a. Judul Penelitian:
Adapun yang menjadi judul penelitian penerapan analisis jalur
dengan menggunakan SPSS Amos adalah sebagai berikut:
“Pengaruh Kemampuan Pemahaman Matematika, Kemampuan
Koneksi Matematik, Kemampuan Pemecahan Masalah, Kemampuan
Berpikir Logis, Kemampuan Berpikir Kreatif, dan Kompetensi Kognitif
Matematika Terhadap Konsistensi Diri”

b. Variabel Penelitian dan Skala Data

Terdapat tujuh variabel penelitian yang sesuai dengan judul, yaitu:
1. Kemampuan Pemahaman Matematika: X1
2. Kemampuan Koneksi Matematik : X2
3. Kemampuan Pemecahan Masalah : X3
4. Kemampuan Berpikir Logis : X4
5. Kemampuan Berpikir Kreatif : X5
6. Kompetensi Kognitif Matematika : X6
7. Konsistensi Diri : X7
Adapun skala pengukuran yang digunakan dalam penelitian, yaitu:
Skala Interval dengan jumlah responden sebanyak 110 orang (N = 110).

c. Hipotesis Penelitian
Berdasarkan judul di atas, maka hipotesis penelitian yaitu:
H0 : Tidak terdapat perbedaan pengaruh antara kemampuan
pemahaman matematika, kemampuan koneksi matematik,
kemampuan pemecahan masalah, kemampuan berpikir logis,
 kemampuan berpikir kreatif, dan kompetensi kognitif matematika
terhadap konsistensi diri.
H1 : Terdapat perbedaan pengaruh antara kemampuan
pemahaman matematika, kemampuan koneksi matematik,
kemampuan pemecahan masalah, kemampuan berpikir logis,
kemampuan berpikir kreatif, dan kompetensi kognitif matematika
terhadap konsistensi diri.

e1 X1

r12 p16 r17

e2 X2 r27 p71
r23 p41 p72
e3 p26 r13 e6 e7
X3 r36 X6 p73 r67 X7
p36 r46 r24 p74
r34 p146 p75
e4 X4
p56
r45 r56
e5
X5

Gambar 3. 1 Diagram Jalur

Persamaan strukturalnya sebagai berikut:

X7 = β0 + β1X7X1 + β2X7X2 + β1X7X3 + β1X7X4 + β1X7X5 + Ɛ … (sebagai
persamaan struktur 1).
X6 = β0 + β1X6X1 + β2X6X2 + β2X6X3 + β2X6X4 + β2X6X5 + Ɛ … (sebagai
persamaan struktur 2).
d. Data Penelitian

Tabel 3. 1. Pengaruh Kemampuan Pemahaman Matematika,

Kemampuan Koneksi Matematik, Kemampuan Pemecahan Masalah,
Kemampuan Berpikir Logis, Kemampuan Berpikir Kreatif, dan
Kompetensi Kognitif Matematika Terhadap Konsistensi Diri

Kemampua
Kemampua Kompetensi
Nomor n Kemampuan Kemampua Kemampua
n Koneksi Kognitif Konsistens
Responde Pemahaman Pemecahan n Berpikir n Berpikir
Matematik Matematika i Diri (X7)
n Matematika Masalah (X3) Logis (X4) Kreatif (X5)
(X2) (X6)
(X1)
1 80 70 80 70 70 80 80
2 80 80 80 80 80 80 80
3 60 80 50 60 80 50 50
4 50 60 77 50 60 80 80
5 90 80 90 90 80 90 90
6 30 70 50 30 70 50 50
7 100 66 100 100 70 100 100
8 80 60 90 50 60 90 90
9 70 80 90 70 80 90 90
10 90 70 10 90 70 10 10
11 50 40 50 50 40 50 90
12 100 80 70 100 80 70 70
13 50 70 30 50 70 30 30
14 70 80 90 70 80 90 90
15 80 70 60 80 77 90 80
16 90 60 90 90 60 90 90
17 80 80 90 80 80 90 90
18 70 70 70 70 70 70 70
19 100 60 80 100 60 80 80
20 80 90 80 80 90 80 80
21 100 70 80 100 70 80 80
22 20 40 10 20 40 10 10
23 20 70 80 20 70 80 80
24 90 70 90 90 70 90 90
25 60 90 80 60 90 80 80
26 80 70 80 80 70 80 80
27 80 80 90 80 80 90 90
28 60 60 60 60 60 60 60
29 90 90 90 90 90 90 90
30 60 70 80 60 70 80 80
31 40 50 60 40 50 60 60
32 80 80 90 80 80 90 90
33 30 50 80 30 50 80 80
34 90 90 80 90 90 80 80
35 100 90 100 100 90 100 100
36 90 80 100 90 80 100 100
37 30 60 70 30 60 70 70
38 90 70 80 90 70 80 80
39 90 30 60 90 30 60 60
40 80 70 80 80 70 80 80
41 50 60 30 50 60 30 30
42 100 90 90 100 90 90 90
43 80 70 80 80 70 80 80
44 60 40 50 60 40 50 50
45 20 30 10 20 30 10 10
46 67 99 80 80 100 60 80
47 40 50 20 40 50 20 20
48 90 70 80 90 70 80 80
49 60 80 70 60 80 70 70
50 90 70 80 90 70 80 80
51 100 70 30 100 70 30 30
52 90 60 70 90 60 70 70
53 80 60 60 80 60 60 60
54 90 70 90 90 70 90 90
55 90 80 70 90 80 70 70
56 60 90 80 60 90 80 80
57 90 90 90 90 90 90 90
58 60 60 60 60 60 60 60
59 30 70 80 30 70 80 80
60 80 80 90 80 80 90 90
61 90 90 80 90 90 80 80
62 100 90 90 100 90 90 90
63 80 70 90 80 70 90 90
64 30 80 60 30 80 60 60
65 60 70 70 60 70 70 70
66 70 60 60 70 60 60 60
67 50 50 40 50 50 40 40
68 70 80 80 70 80 80 80
69 50 50 70 50 50 70 70
70 40 60 60 40 60 60 60
71 80 80 50 50 50 50 50
72 80 50 10 10 10 10 40
73 60 77 60 80 60 80 80
74 80 90 20 20 20 20 80
75 70 50 80 80 80 80 60
76 66 100 70 70 70 70 80
 77 60 90 80 80 80 80 70
78 80 90 30 30 30 30 66
79 70 10 70 70 70 70 60
80 40 50 60 60 60 60 80
81 80 70 90 90 90 90 70
82 70 30 70 70 70 70 40
83 80 90 80 80 80 80 80
84 70 60 90 90 90 90 70
85 60 90 60 60 60 60 80
86 80 90 80 80 80 80 70
87 70 70 90 90 90 90 60
88 60 80 80 80 80 80 80
89 90 80 90 90 90 90 70
90 70 80 90 90 90 90 60
91 40 10 60 60 60 60 90
92 70 80 70 70 70 70 70
93 70 90 60 60 60 60 40
94 90 80 40 40 40 40 70
95 70 80 80 80 80 80 70
96 80 90 70 70 70 70 90
97 60 60 60 60 60 60 70
98 90 90 90 90 90 90 70
99 70 80 70 80 70 80 50
100 50 60 50 60 50 60 80
101 80 90 80 90 80 90 50
102 50 80 50 80 50 80 90
103 90 80 90 80 90 80 90
104 90 100 90 100 90 100 80
105 80 100 80 100 80 100 60
106 60 70 60 70 60 70 70
107 70 80 70 80 70 80 30
108 30 60 30 80 90 60 70
109 70 80 70 80 70 80 60
110 60 30 88 30 60 30 50

B. Analisis Data
Analisis data menggunakan bantuan software SPSS 22.0 for
windows dengan langkah-langkah berikut: Buka aplikasi SPSS > copy
paste data X1, X2 dan > analyze > Regression > Linear, seperti
gambar:

Selanjutnya, Pindahkan X1, X2, X3, X4, dan X5 ke independet dan

X6 ke dependent > klik OK, seperti gambar:
 Berdasarkan langkah-langkah di atas, maka akan muncul hasil
sebagai berikut:
 Model Summaryb

Std. Error Change Statistics

Adjusted R of the R Square df df Sig. F Durbin-

Model R R Square Square Estimate Change F Change 1 2 Change Watson

1 10
,953a ,908 ,904 6,645 ,908 206,187 5 ,000 1,534
4

a. Predictors: (Constant), X5, X1, X2, X3, X4

b. Dependent Variable: X6

ANOVAa

Model Sum of Squares Df Mean Square F Sig.

1 Regression 45517,336 5 9103,467 206,187 ,000b

Residual 4591,755 104 44,151

Total 50109,091 109

a. Dependent Variable: X6
b. Predictors: (Constant), X5, X1, X2, X3, X4

Coefficientsa

Unstandardized Standardized 95,0% Confidence Collinearity

Coefficients Coefficients Interval for B Correlations Statistics

Std. Lower Upper Zero- Tolera

Model B Error Beta T Sig. Bound Bound order Partial Part nce VIF

1 (Consta
5,533 3,306 1,674 ,097 -1,023 12,089
nt)

X1 -,355 ,057 -,334 -6,254 ,000 -,468 -,242 ,405 -,523 -,186 ,308 3,242

X2 ,222 ,046 ,187 4,809 ,000 ,131 ,314 ,408 ,427 ,143 ,586 1,708

X3 ,892 ,043 ,883 20,536 ,000 ,806 ,978 ,920 ,896 ,610 ,476 2,100

X4 ,447 ,059 ,463 7,604 ,000 ,330 ,563 ,648 ,598 ,226 ,237 4,212

X5 -,277 ,072 -,216 -3,862 ,000 -,419 -,135 ,673 -,354 -,115 ,282 3,547

a. Dependent Variable: X6
 Correlations

X6 X1 X2 X3 X4 X5

Pearson Correlation X6 1,000 ,405 ,408 ,920 ,648 ,673

X1 ,405 1,000 ,408 ,433 ,751 ,315

X2 ,408 ,408 1,000 ,341 ,371 ,535

X3 ,920 ,433 ,341 1,000 ,570 ,678

X4 ,648 ,751 ,371 ,570 1,000 ,636

X5 ,673 ,315 ,535 ,678 ,636 1,000

Sig. (1-tailed) X6 . ,000 ,000 ,000 ,000 ,000
X1 ,000 . ,000 ,000 ,000 ,000
X2 ,000 ,000 . ,000 ,000 ,000
X3 ,000 ,000 ,000 . ,000 ,000
X4 ,000 ,000 ,000 ,000 . ,000
X5 ,000 ,000 ,000 ,000 ,000 .
N X6 110 110 110 110 110 110

X1 110 110 110 110 110 110

X2 110 110 110 110 110 110

X3 110 110 110 110 110 110

X4 110 110 110 110 110 110

X5 110 110 110 110 110 110

Berdasarkan hasil analisis tersebut kita tinggal memberi makna,

yaitu:
1. Analisis regresi ganda menunjukkan adanya hubungan linier yang
signifikan dengan   0,05 antara kelima variabel eksogen secara
bersama terhadap variabel indogen dengan melihat tabel ANOVA
di mana angka pada kolom sign menunjukkan angka 0,000 yang
lebih kecil dari pada   0,05 . Dengan demikian, persamaan
regresi tersebut dapat digunakan untuk melihat besaran peran/
kontribusi secara bersama kelima variabel eksogen (kemampuan
pemahaman matematika, kemampuan koneksi matematik,
kemampuan pemecahan masalah, kemampuan berpikir logis, dan
kemampuan berpikir kreatif) terhadap variabel indogen (kompetensi
kognitif matematika).
 2. Besaran kontribusi secara bersama kelima variabel eksogen
terhadap variabel indogen sebesar 90,8 %. Angka ini dapat dilihat
pada tabel Model Summary kolom R square di mana tertera
angka .908. ini berarti 90,8 % terbentuknya kompetensi kognitif
matematika oleh kemampuan pemahaman matematika,
kemampuan koneksi matematik, kemampuan pemecahan masalah,
kemampuan berpikir logis, dan kemampuan berpikir kreatif,
sedangkan 9,2 % dibentuk oleh variabel yang tidak
dipertimbangkan dalam analisis ini.
3. Pengaruh masing-masing variabel eksogen terhadap variabel
indogen dapat dilihat pada tabel Coefficient. Dari tabel tersebut
kelima variabel eksogen tersebut, ternyata sama tidak ada yang
paling berpengaruh terhadap variabel kompetensi kognitif
matematika, yang ditunjukkan dengan angka signifikan yang jauh
lebih besar dari pada   0,05 .
4. Angka korelasi antar variabel-variabel eksogen menunjukkan
tingkat korelasi yang tinggi antara (kemampuan pemahaman
matematika, kemampuan koneksi matematik, kemampuan
pemecahan masalah, kemampuan berpikir logis, dan kemampuan
berpikir kreatif). Adapun antara variabel memiliki tigkat
signifikannya lebih besar dari pada   0,05 . Dengan demikian
terdapat hubungan multi kolineritas.

Untuk menyelesaukan struktur kedua untuk melihat kontribusi

seluruh variabel yang diteliti termasuk variabel kemampuan pemahaman
matematika, kemampuan koneksi matematik, kemampuan pemecahan
masalah, kemampuan berpikir logis, kemampuan berpikir kreatif, dan
kompetensi kognitif matematika terhadap konsistensi diri. Selanjutnya,
Pindahkan X1, X2, X3, X4, X5, dan X6 ke independet dan X7 ke dependent
> klik OK, seperti gambar:
 Berdasarkan langkah-langkah di atas, maka akan muncul hasil
sebagai berikut:
 Model Summaryb

Change Statistics

R
R Adjusted Std. Error of Square df df Sig. F Durbin-

Model R Square R Square the Estimate Change F Change 1 2 Change Watson

1 10
,786a ,618 ,596 12,451 ,618 27,774 6 ,000 2,600
3

a. Predictors: (Constant), X6, X1, X2, X5, X4, X3

b. Dependent Variable: X7

ANOVAa

Model Sum of Squares Df Mean Square F Sig.

1 Regression 25835,643 6 4305,941 27,774 ,000b

Residual 15968,575 103 155,035

Total 41804,218 109

a. Dependent Variable: X7
b. Predictors: (Constant), X6, X1, X2, X5, X4, X3

Coefficientsa

Standar
Unstandardi dized 95,0%
zed Coeffici Confidence Collinearity
Coefficients ents Interval for B Correlations Statistics

Std. Lower Upper Zero- Toler

Model B Error Beta T Sig. Bound Bound order Partial Part ance VIF

1 (Cons 23,00 6,27

3,664 ,000 10,554 35,455
tant) 4 8

X1 ,136 ,125 ,140 1,091 ,278 -,111 ,384 ,352 ,107 ,066 ,224 4,461

X2 ,148 ,096 ,136 1,548 ,125 -,042 ,338 ,342 ,151 ,094 ,479 2,088

X3 ,307 ,183 ,333 1,677 ,096 -,056 ,670 ,716 ,163 ,102 ,094 10,617

X4 -,185 ,137 -,210 -1,346 ,181 -,457 ,088 ,372 -,131 -,082 ,153 6,555

X5 -,316 ,144 -,270 -2,200 ,030 -,600 -,031 ,363 -,212 -,134 ,247 4,055

X6 ,575 ,184 ,629 3,127 ,002 ,210 ,939 ,730 ,294 ,190 ,092 10,913

a. Dependent Variable: X7
 Correlations

X7 X1 X2 X3 X4 X5 X6

Pearson Correlation X7 1,000 ,352 ,342 ,716 ,372 ,363 ,730

X1 ,352 1,000 ,408 ,433 ,751 ,315 ,405

X2 ,342 ,408 1,000 ,341 ,371 ,535 ,408

X3 ,716 ,433 ,341 1,000 ,570 ,678 ,920

X4 ,372 ,751 ,371 ,570 1,000 ,636 ,648

X5 ,363 ,315 ,535 ,678 ,636 1,000 ,673

X6 ,730 ,405 ,408 ,920 ,648 ,673 1,000

Sig. (1-tailed) X7 . ,000 ,000 ,000 ,000 ,000 ,000
X1 ,000 . ,000 ,000 ,000 ,000 ,000
X2 ,000 ,000 . ,000 ,000 ,000 ,000
X3 ,000 ,000 ,000 . ,000 ,000 ,000
X4 ,000 ,000 ,000 ,000 . ,000 ,000
X5 ,000 ,000 ,000 ,000 ,000 . ,000
X6 ,000 ,000 ,000 ,000 ,000 ,000 .
N X7 110 110 110 110 110 110 110

X1 110 110 110 110 110 110 110

X2 110 110 110 110 110 110 110

X3 110 110 110 110 110 110 110

X4 110 110 110 110 110 110 110

X5 110 110 110 110 110 110 110

X6 110 110 110 110 110 110 110

Berdasarkan hasil analisis tersebut kita tinggal memberi makna,

yaitu:
1. Analisis regresi ganda menunjukkan adanya hubungan linier yang
signifikan dengan   0,05 antara keenam variabel eksogen secara
bersama terhadap variabel indogen dengan melihat tabel ANOVA
di mana angka pada kolom sign menunjukkan angka 0,000 yang
lebih kecil dari pada   0,05 . Dengan demikian, persamaan
regresi tersebut dapat digunakan untuk melihat besaran peran/
kontribusi secara bersama kelima variabel eksogen (kemampuan
pemahaman matematika, kemampuan koneksi matematik,
 kemampuan pemecahan masalah, kemampuan berpikir logis, dan
kemampuan berpikir kreatif dan kompetensi kognitif matematika)
terhadap variabel indogen (konsistensi diri).
2. Besaran kontribusi secara bersama keenam variabel eksogen
terhadap variabel indogen sebesar 61,8 %. Angka ini dapat dilihat
pada tabel Model Summary kolom R square di mana tertera
angka .618. ini berarti 61,8 % terbentuknya konsistensi diri oleh
kemampuan pemahaman matematika, kemampuan koneksi
matematik, kemampuan pemecahan masalah, kemampuan berpikir
logis, kemampuan berpikir kreatif dan kompetensi kognitif
matematika, sedangkan 38,2 % dibentuk oleh variabel yang tidak
dipertimbangkan dalam analisis ini.
3. Pengaruh masing-masing variabel eksogen terhadap variabel
indogen dapat dilihat pada tabel Coefficient. Dari tabel tersebut
kelima variabel eksogen tersebut, ternyata yang memiliki pengaruh
terhadap konsistensi diri adalah variabel kompetensi kognitif
matematika, yang ditunjukkan dengan angka signifikan 0,02 jauh
lebih kecil dari   0,05 namun diatas   0,01 . Sedangkan kelima
variabel lain sama sekali tidak ada yang berpengaruh terhadap
variabel kompetensi kognitif matematika, yang ditunjukkan dengan
angka signifikan yang jauh lebih besar dari pada   0,05 .
4. Angka korelasi antar variabel-variabel eksogen menunjukkan
tingkat korelasi yang tinggi antara (kemampuan pemahaman
matematika, kemampuan koneksi matematik, kemampuan
pemecahan masalah, kemampuan berpikir logis, kemampuan
berpikir kreatif dan kompetensi kognitif matematika). Adapun antara
variabel memiliki tigkat signifikannya lebih besar dari pada
  0,05 . Dengan demikian terdapat hubungan multi kolineritas.
 BAB IV

SIMPULAN DAN SARAN

A. Simpulan

Path Analysis atau analisis jalur dikembangkan oleh Sewal

Wright tahun 1934. analisis jalur merupakan kepanjangan dari analisis
regresi berganda. Jadi, model path analysis digunakan untuk
menganalisis pola hubungan antar variabel dengan tujuan untuk
mengetahui pengaruh langsung maupun tidak langsung seperangkat
variabel bebas (eksogen) terhadap variabel terikat (endogen). Oleh sebab
itu, rumusan masalah penelitian dalam kerangka path analysis berkisar
pada:
a. Apakah variabel eksogen (X1, X2, …, Xk) berpengaruh terhadap
variabel endogen Y?
b. Berapa besar pengaruh kausal langsung, kausal tidak langsung,
kausal total maupun simultan seperangkat variabel eksogen (X1,
X2, .., Xk) terhadap variabel endogen?
Persyaratan dalam analisis jalur sama dengan persyaratan yang
dituntut dalam analisis regresi ganda, baik itu yang terkait dengan skala
pengukuran dan sifat hubungannya linier. Untuk model analisis jalur
bermacam-macam diantaranya: model regresi ganda, model mediasi,
model kombinasi, model kompleks, model rekrusif dan non rekrusif, model
persamaan satu jalur, dua jalur, tiga jalur, dan seterusnya.
Pengembangan model hendaknya didasarkan pada teori, dan persamaan
substruktur tergantung dari model yang digunakan. Pola pengaruh terdiri
dari pengaruh langsung, pengaruh tidak langsung, dan pengaruh total.
B. Saran

Sebelum menggunakan analisis jalur dalam menganalisis pola

hubungan antar variabel dengan tujuan untuk mengetahui pengaruh
langsung maupun tidak langsung seperangkat variabel bebas (eksogen)
terhadap variabel terikat (endogen), perlu diyakini terlebih dahulu bahwa
secara teoritis atau perkiraan sebelumnya, bahwa variabel-variabel
tersebut memiliki hubungan sebab akibat. Dalam menganalisis analisis
jalur kita harus memperhatikan langkah-langkah yang kita ambil. Lakukan
seperti yang tertera di dalam makalah ini. Perhatikan langkah-langkah
pengerjaannya, supaya saat dalam proses pengerjaan tidak terjadi
kesalahan yang dapat mengakibatkan analisis jalurnya menjadi salah
total. Pahami baik-baik penjelasan yang ada dalam makalah ini.

Dalam makalah ini penulis memiliki harapan agar pembaca

memberikan kritik dan saran yang membangun. Karena penulis sadar
dalam penulisan makalah ini terdapat begitu banyak kekurangan.
 DAFTAR PUSTAKA

Duwi. 2014. Analisis Regresi Linier Sederhana,

(http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-
sederhana.html, diakses 22 Oktober 2015).

Irianto, Agus. 2015. Statistik. Padang: Prenadamedia Group.

Repository USU. 2012. BAB II Tinjauan Pustaka,

(http://repository.usu.ac.id/bitstream/123456789/23658/3/Chapter
%20II.pdf, diakses 23 Oktober 2015).

Silitonga, Pasar Maulim. 2011. Statistik. Edisi Pertama. Medan: Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Medan.

Supardi. 2013. Aplikasi Statistika Dalam Penelitian. Jakarta: Change

Publication.