ANALISIS JALUR

(PATH ANALYSIS)
Penemu: Sewall Wright (Joreskog & Sorbom;1996)
Sejarah
n  1920 : Sewall (ahli genetika)
n  1966 : Otis D. Ducan (sosiolog)
n  1970 : Karl G. Joreskog & Dag Sorbon
(ahli statistika)

LISREL (LInier Structural RELationship)

SEM (Structural Equation Modeling)
MODEL PERSAMAAN STRUKTURAL

n  Mpk suatu teknik statistik yg menganalisis variabel

indikator, variabel laten, dan kesalahan pengukurannya
n  Dapat menganalisis secara 2 arah (reciprocal)
n  Software yg dapat digunakan:
n  LISREL (Joreskog & Sorbom)
n  EQS5 (Bentler)
n  SEPATH (Steiger)
n  AMOS (Arbuckle)
n  CALIS (SAS Institute)
n  LISCOMP (Muthen)
n  MPLUS (Muthen & Muthen)
n  RAMONA (Browne & Mels)
 MODEL PERSAMAAN STRUKTURAL

n  Jenis-jenis Model Persamaan Struktural (Raykov &

Marcoulides, 2000)
1.  Model analisis jalur (path analysis models)
o  Digunakan untuk menerangkan akibat langsung dan tidak
langsung seperangkat variabel
o  Tidak mempertimbangkan kesalahan pengukuran
2.  Model analisis faktor konfirmatif (confirmatory factor
analysis models)
o  Biasanya tidak mengasumsikan arah hubungan, tp hanya
ada hubungan korelatif
o  Digunakan untuk mengevaluasi pola-pola hubungan antar
variabel
MODEL PERSAMAAN STRUKTURAL

n  Jenis-jenis Model Persamaan Struktural (Raykov &

Marcoulides, 2000)
3.  Model persamaan struktural (structural equation
models)
o  Diasumsikan secara spesifik arah hubungan antar variabel
o  Dapat digunakan untuk menguji apakah teori yg diusulkan
(proposed theory) sesuai dg model empirisnya.
4.  Model perubahan laten (latent change models)
o  Memungkinkan untuk melakukan studi pola perubahan
karena waktu
o  Fokus untuk memantau pola perubahan, seperti pola
pertumbuhan (growth) dan penurunan (decline)
PATH ANALYSIS

n  Merupakan perluasan dr analisis regresi yg digunakan

untuk menerangkan akibat langsung dan tidak langsung
seperangkat variabel, sbg variabel penyebab terhadap
seperangkat variabel lain yg merupakan variabel akibat.
n  Bertujuan utk menguji apakah model yg diusulkan
didukung oleh data, dg cara membandingkan matriks
korelasi teoritis dan matriks korelasi empiris. Jika kedua
matriks relatif sama, maka model dikatakan cocok.
n  Pengujian dilakukan dg menggunakan koefisien
determinasi ganda (multiple determination) - (Pedhazur,
1982).
Pengertian
n  Model Path Analysis digunakan untuk
menjelaskan pola hubungan antar
variabel dengan tujuan mengetahui
pengaruh langsung maupun tidak
langsung dari seperangkat variabel
bebas (eksogen) terhadap variabel
terikat (endogen)
Manfaat
1.  Penjelasan fenomena yang dipelajari.
2.  Prediksi nilai variabel terikat berdasarkan
variabel bebas (bersifat kualitatif)
3.  Faktor determinan : Variabel bebas mana
yang berpengaruh dominan terhadap
varibel terikat
4.  Pengujian Model : baik konsep yang sudah
ada maupun pengembangan konsep baru
 PATH ANALYSIS
n  Model digambarkan dlm bentuk lingkaran-dan-panah
dimana panah tunggal menyatakan “sesuatu yg
menyebabkan”x1 x3

x2 x4
n  Contoh:

n  Memerlukan asumsi-asumsi spt pada analisis regresi.

n  Sangat sensitif pd spesifikasi model krn kesalahan dlm
menentukan variabel akan berpengaruh thd koefisien
jalur, yg digunakan utk menilai pengaruh langsung/tdk
langsung suatu variabel thd variabel terikat.
KONSEP PENTING (1)

n  Estimasi jalur dapat dilakukan dengan regresi OLS atau

MLE (antar software bisa berbeda metode estimasi)
n  Model Jalur (Path Model), mpk diagram yg
mengaitkan variabel bebas, variabel antara, dan variabel
terikat.
n  Panah tunggal menunjukkan hubungan antara

variabel bebas (eksogen)/variabel antara dan variabel

endogen (terikat).
n  Panah ganda menunjukkan hubungan sepasang

variabel eksogen.
n  Terkadang panjang panah dalam model jalur

menunjukkan proporsi besarnya koefisien jalur.

 KONSEP PENTING (2)
n  Causal Path, untuk suatu variabel meliputi (1) jalur langsung yg
mengarah ke variabel tsb, dan (2) korelasi jalur (variabel endogen
berkorelasi dg variabel lain yg memiliki jalur (panah) menuju ke
variabel tertentu.
n  Contoh model jalur:
A B C

D E

n  Model diatas memiliki variabel eksogen A, B, dan C yg saling

berkorelasi dan variabel endogen D dan E.
n  Suku error tidak dimunculkan.
n  Jalur yg menyatakan variabel yg mempengaruhi D adalah A ke D,
B ke D, dan jalur yg menyatakan pengaruh tdk langsung thd D
adalah dari B ke A ke D, dari C ke A ke D, dan dari C ke B ke D.
KONSEP PENTING (3)

n  Variabel eksogen dan endogen.

n  Variabel eksogen = variabel yg tdk dipengaruhi variabel lain
(tdk ada panah yg mengarah ke variabel tsb).
Jika 2 variabel eksogen saling berkorelasi, hal ini diindikasikan
oleh panah 2 arah yg menghubungkan variabel tsb.
n  Variabel endogen = variabel yang dipengaruhi oleh variabel
lain (ada panah yg mengarah ke variabel tsb).
Variabel endogen terdiri atas variabel antara (intervening
variables) dan variabel terikat (dependent variables).
n  Variabel antara memiliki panah yg mengarah dan yg
meninggalkan variabel tsb, sedangkan variabel terikat hanya
memiliki panah yg mengarah ke variabel tsb.
KONSEP PENTING (4)

n  Koefisien Jalur (path coefficient), mpk koefisien

regresi yg distandarisasi (beta) yg menunjukkan
pengaruh langsung dr suatu variabel bebas thd variabel
terikat pada suatu model jalur.
Misal pada model regresi dg satu variabel bebas,
koefisien beta (koefisien b untuk data yg dibakukan) akan
sama dg koefisien korelasi, shg pada kasus model jalur dg
satu variabel terikat dan satu variabel eksogen, koefisien
jalur dlm kasus tsb merupakan koefisien korelasi ordo nol.
Asumsi-Asumsi
1.  Hubungan antar variabel bersifat linier,
adaptif, dan normal.
2.  Hubungan kausal satu arah.
3.  Variabel terikat berskala interval atau rasio.
4.  Menggunakan probability sampling
5.  Observed variables diukur dengan valid dan
reliable
6.  Model dispesifikasikan dengan benar
berdasar teori dan konsep yang relevan
KONSEP PENTING (8)

n  Path multiplication rule. Nilai suatu jalur gabungan mpk perkalian

dari masing-masing koefisien jalur.
Misal pendidikan berpengaruh thd pendapatan dan selanjutnya
berpengaruh thd motivasi kerja. Misalkan juga koefisien regresi
pendidikan thd pendapatan adlh 1000, artinya jika pendidikan
bertambah 1 th, maka pendapatan akan bertambah $1000. Koefisien
regresi pendapatan thd motivasi kerja adlh 0,0002, artinya jika
pendapatan bertambah $1, maka skor motivasi akan bertambah
0,0002 poin.
Jadi, jika pendidikan bertambah 1 th dan pendapatan naik $1000,
maka skor motivasi akan bertambah (1000)x(0,0002) = 0,2 poin.
 KONSEP PENTING (9)

n  Effect decomposition. Koef. jalur dpt jg digunakan utk

menguraikan korelasi dlm model jalur menjadi pengaruh langsung &
tdk langsung, spt digambarkan melalui panah dlm model jalur. Hal ini
didasarkan pd aturan bhw dlm suatu sistem persamaan linier, total
pengaruh suatu variabel j thd variabel i mpk jumlah nilai pd setiap
jalur dari j ke i.
n  Pd kasus sblmnya, satisfaction sbg var. terikat, & age sbg var. bebas.
Indirect effect dr age thd satisfaction dihitung dg mengalikan masing-
masing koef. jalur dr age ke satisfaction.
n  Age ⇒ income ⇒ satisfaction = (0,57)x(0,47) = 0,26
n  Age ⇒ autonomy ⇒ satisfaction = (0,28)x(0,58) = 0,16
n  Age ⇒ autonomy ⇒ income ⇒ satisfaction = (0,28)x(0,22)x(0,47) = 0,03
n  Total indirect effect = 0,45
n  Diketahui direct effect age thd satisfaction = -0,08
n  Total pengaruh age thd satisfaction adlh (-0,08+0,45) = 0,37
 KONSEP PENTING (10)

n  Signifikansi dan goodness of fit dalam model jalur.

n  Untuk menguji koefisien jalur secara individual dpt

digunakan nilai uji t atau F dari output regresi.

n  Untuk menguji model jalur digunakan uji goodness of

fit.
n  Uji goodness of fit dpt dilakukan dg memasukkan

model beserta data yg digunakan ke dlm program

model persamaan struktural (structural equation
modeling) spt LISREL dan AMOS.
CONTOH DIAGRAM JALUR (1)

X1 X3 u

X2 X4 v

n  Variabel X1 dan X2 mpk variabel eksogen

n  Hubungan kedua variabel bersifat korelatif → dinyatakan
oleh grs lengkung dg 2 kepala panah
n  Grs dg 1 kepala panah mpk hubungan yg bersifat
kausalitas, spt X1 thd X3 dan X3 thd X4
n  Variabel X3 dan X4 disebut variabel endogen dan terikat
dengan kesalahan (error)
CONTOH DIAGRAM JALUR (2)

n  Besarnya pengaruh dr satu variabel thd variabel lain

dinyatakan dg suatu koefisien, misalkan pengaruh X3 thd
X4 dinyatakan dg pX4X3.
n  Indeks pertama menyatakan variabel yg dipengaruhi dan
indeks kedua menyatakan variabel yg mempengaruhi.
ANALISIS JALUR

n  Pada analisis jalur berlaku suatu aturan yg disebut the

first law (Kenny, 1979), yaitu:
ρ yz = ∑ pyx ρ x z
i i
i

dimana pyxi mpk koefisien jalur dari variabel xi thd

variabel y dan ρxiz adlh korelasi antara variabel xi dan
variabel z.
n  Rumus tersebut menyatakan bahwa untuk mendapatkan
korelasi antara variabel z dan variabel endogen y sama dg
jumlah perkalian setiap parameter untuk setiap variabel
yg mempengaruhi dg korelasi setiap variabel tsb dg
variabel prediktor z.
ANALISIS JALUR
a f
X1 X3 u
c
b e
d g
X2 X4 v

n  Pada model diatas, korelasi antara X1 dan X3 dapat

dijabarkan ke dalam:
p31 = p31ρ11 + p32ρ21 + p3uρu1
n  Dari model diketahui, variabel endogen X3 dipengaruhi
oleh variabel eksogen X1dan X2, dan unsur kesalahan u.
n  Karena ρ11 = 1 dan ρu1 = 0, persamaan diatas menjadi
p31 = p31 + p32ρ21
ANALISIS JALUR

n  Dg cara yg sama diperoleh:

ρ32 = p32 + p31ρ12
ρ34 = p31ρ14 + p32ρ12
ρ41 = p41 + p42ρ21 + p43ρ31
ρ42 = p42 + p41ρ12 + p43ρ32
ρ43 = p43 + p42ρ23 + p41ρ13

p31 p3u
X1 X3 u
p41
p32 p43
p42 p4v
X2 X4 v
ANALISIS JALUR
a f
X1 X3 u
c
b e
d g
X2 X4 v

n  Persamaan regresi utk model di atas:

X3 = aX1 + bX2 + fu
X4 = dX2 + cX1 + eX3 + gv
n  Koefisien regresi parsial pada kedua model diatas mpk
koefisien regresi parsial standardized yg dapat dihitung
dg mengolah masing-masing persamaan regresi.
ANALISIS JALUR
n  Uji signifikansi koefisien jalur (pyx) sama spt uji koefisien
regresi klasik dg uji t (Schumacker & Lomax, 1996).
n  Uji kecocokan model (model fit) dpt digunakan statistik
uji khi-kuadrat (Specht, 1975 & Pedhazur, 1982).
n  Hipotesis:
H0: R = R(θ)
(model cocok (fit) = matriks korelasi model teoritis
sama dg matriks korelasi empiris)
H1: R ≠ R(θ)
(model tidak cocok = matriks korelasi model teoritis
tidak sama dg matriks korelasi empiris)
ANALISIS JALUR
n  Statistik Uji:
W = -(n-d)ln(Q) ~ Khi-Kuadrat (d)
 Model Path Analysis
ε ε
ρ31
1
ρ31 1
r12 3
3
ρ32
2 ρ32 2
ε2
Correlated 1 ρ31 Independent
ρ21 3
ρ32
ε1
ρ2
2

Mediated
 Contoh
Hipotesis :
Diduga kemampuan berkoordinasi dan
motivasi kerja pegawai berkontribusi secara
simultas dan signifikan terhadap
produktivitas kerja ε1

KOORDINASI ρyx1 ρy
(X1)
PRODUKTIVITAS
r12 KERJA
(Y)
MOTIVASI KERJA ρyx2
(X2)
 Model Struktural
X1 ε1

ρYX1 ε2
r12 ρZX1
r13 ρYX2
X2
ρZY
Y ρZX3
Z
r23 ρYX3

X3 Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+ε1
Z=PZX1X1+PZX3X3+PZYY+ε2
 Sub Struktur 1
X1 ε1

r12 ρYX1

r13 ρYX2
X2 Y
r23 ρYX3

X3 Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+ε1
Z=PZX1X1+PZX3X3+PZYY+ε2
 Sub Struktur 2
X1 ε1

ρYX1 ε2
ρZX1
r13
ρZY
Y ρZX3
Z
ρYX3

X3 Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+ε1
Z=PZX1X1+PZX3X3+PZYY+ε2
Contoh
Penelitian : Kontribusi Kemampuan Pegawai dan Motivassi Kerja
Pegawai terhadap Produktivitas Kerja
Kemampuan Motivasi Produktivitas
No.
Pegawai Pegawai Kerja
Resp
X1 X2 Y
1 36 55 64
2 46 45 55
3 47 60 72
4 25 35 50
5 68 64 79
6 69 44 77
7 57 64 78
8 49 65 72
9 58 63 66
10 67 74 82
11 79 84 87
12 52 73 82
 Langkah 1 :
Hipotesis & Persamaan Struktural

Hipotesis : Kemampuan pegawai dan motivasi

kerja berkontribusi secara simultan
dan signifikan terhadap produktivitas
kerja
Struktur : Y=ρYX1X1+ ρYX2X2 + ρY ε1
 Langkah 2 :
Hitung koefisien jalur (1)
a. Gambar Diagram Jalur

Y=ρYX1X1+ ρYX2X2 + ρY +ε1

ε1

KOORDINASI ρyx1 ρy
(X1)
PRODUKTIVITAS
r12 KERJA
(Y)
MOTIVASI KERJA ρyx2
(X2)
Langkah 2 :
Hitung koefisien jalur (2)
b. Hitung koefisien korelasi & regresi (SPSS)
Correlations

Kemampuan Motivasi Produktivitas

Pegawai (X1) Kerja (X2) Kerja (Y)
Kemampuan Pearson Correlation 1 ,645* ,829**
Pegawai (X1) Sig. (2-tailed) . ,024 ,001
N 12 12 12
Motivasi Kerja (X2) Pearson Correlation ,645* 1 ,824**
Sig. (2-tailed) ,024 . ,001
N 12 12 12
Produktivitas Kerja (Y) Pearson Correlation ,829** ,824** 1
Sig. (2-tailed) ,001 ,001 .
N 12 12 12
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
 Langkah 2 :
Hitung koefisien jalur (3)
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1170,257 2 585,129 22,151 ,000a
Residual 237,743 9 26,416
Total 1408,000 11
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
b. Dependent Variable: Produktivitas Kerja (Y)

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)

Model Summary

Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,912a ,831 ,794 5,140 ,831 22,151 2 9 ,000
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
 Langkah 3 :
Hitung koefisien jalur scr simultan
ANOVAb

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1170,257 2 585,129 22,151 ,000a
Residual 237,743 9 26,416
Total 1408,000 11
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
b. Dependent Variable: Produktivitas Kerja (Y)

H0 : ρyx1= ρyx2=0
Ha : ρyx1= ρyx2≠0

H0 : Kemampuan pegawai dan motivasi kerja tidak berkontribusi secara

simultan dan signifikan terhadap produktivitas kerja
Ha : Kemampuan pegawai dan motivasi kerja berkontribusi secara simultan
dan signifikan terhadap produktivitas kerja

Nilai F = 22,151 sig. 0,00 <0,05 berarti H0 ditolak Ha diterima

 Langkah 4 :
Hitung koefisien jalur scr individu (1)
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)

H0 : ρyx1=0
Ha : ρyx1>0

H0 : Kemampuan pegawai tidak berkontribusi secara simultan dan signifikan

terhadap produktivitas kerja
Ha : Kemampuan pegawai berkontribusi secara simultan dan signifikan
terhadap produktivitas kerja

Nilai t = 2,845 sig. 0,019 <0,05 berarti H0 ditolak Ha diterima

 Langkah 4 :
Hitung koefisien jalur scr individu (2)
Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)

H0 : ρyx2=0
Ha : ρyx2>0

H0 : Motivasi Pegawai tidak berkontribusi secara simultan dan signifikan

terhadap produktivitas kerja
Ha : Motivasi Pegawai berkontribusi secara simultan dan signifikan terhadap
produktivitas kerja

Nilai t = 2,763 sig. 0,022 <0,05 berarti H0 ditolak Ha diterima

 Memaknai Hasil Analisis Jalur (1)
Y=ρYX1X1+ ρYX2X2 + ρYε1
Y=0,510 X1+0,495X2+0,411 ε1
ε1

KOORDINASI ρyx1= 0,51 ρy =0,411

(X1)
PRODUKTIVITAS
r12= 0,645 KERJA
(Y)
MOTIVASI KERJA ρyx2=0,495
(X2)

ρY ε = 1 − R y2. x1. x 2 = 1 − 0,831 = 0,169 = 0,411

 Memaknai Hasil Analisis Jalur (2)
Kontribusi Kemampuan Pegawai (X1) yang secara
langsung mempengaruhi produktivitas kerja (Y) =
0,512=0,2601 = 26,01 %
Kontribusi Motivasi Pegawai (X2) yang secara langsung
mempengaruhi produktivitas kerja (Y) = 0,4952=0,2450 =
24,50 %
Kontribusi Kemampuan Pegawai (X1) dan Motivasi Pegawai
(X2) secara simultan yang secara langsung
mempengaruhi produktivitas kerja (Y) = 0,831=83,1 %.
Sisanya 16,9% dipengaruhi faktor lain yang tidak dapat
dijelaskan dalam penelitian ini.
Trims