ANALISIS JALUR
analisis jalur (path analysis), merupakan bentuk terapan dari analisis multiregresi
variabel yang cukup rumit. Dalam analisis jalur, korelasi antar variabel dihubungkan
dengan parameter dari model yang dinyatakan dengan diagram jalur atau path
diagram.
dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat
variabel bebas terhadap variabel terikat. Analisis Jalur yang ditemukan oleh Sewall
Analisis jalur adalah sebuah metode yang dikembangkan untuk mengkaji hubungan
langsung dan tidak langsung dari beberapa variabel, dimana beberapa variabel
dipandang sebagai variabel independen dari variabel lain yang dipandang sebagai
kuantitatif.
meski pada dasarnya terdapat perbedaan dasar anatar analisis jalur yang bersifat
sedangkan regresi linear memang merupakan prosedur statistic yang digunakan untuk
dipengaruhinya.
model bersifat linier, artinya jika digambarkan membentuk garis lurus dari
1.2
0.8
0.6
Y
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1 1.2
X
2. Ko-linear, menunjukan suatu garis yang sama, maksudnya jika ada beberapa
X3 Y
X2
. Gambar 1.2. Model Rantai Sebab Akibat
5. Hubungan sebab akibat yang tertutup, artinya semua pengaruh langsung satu
perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel
independen lainya. Koefisien beta disebut sebagai bobot beta ( , namun nilai
7. Merupakan nilai yag menunjukan berapa besar varian dalam satu variabel
yang ditentukan atau diterangkan oleh satu atau lebih variabel lain dan berapa
besar varian dalam satu variabel tersebut berhubungan dengan varian dalam
secara gabungan.
8. Variabel yang diobservasi beskala interval. Jika data yang digunakan bukan
metric maka akan mengecilkan nilai koefisien korelasi yang menyebakan nilai
R2 menjadi kecil dan akan membuat model tidak valid, karena salah satu
indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat R2
10. Istilah gangguan atau variabel residual tidak boleh berkorelasi dengan semua
variabel endogen dalam model, jika dilanggar akan megakibatkan hasil regresi
11. Multikolonearitas yang rendah, artinya dua atau lebih varaibel bebas
yang besar dari koefisien beta yang digunakan untuk menghilangkan varians
12. Recursivitas, artinya anak apanah hanya satu arah, tidak boleh terjadi
14. Input korelasi yang sesuai, artinya jika kita menggunakan korelasi matrik
korelasi sebagai masukan, maka korelais pearson yang digunakan jika dua
ordinal, tetrachoric untuk dua varaibel berskala nominal, polyserial untuk satu
variabel interval dan lainnya ordinal dan biserial untuk satu variabel beskala
15. Menggunakan sampel minimal 100 dengan tingkat kesalahan 10% dan
17. Sampel sama dibutuhkan untuk perhitungan regresi dalam model jalur
18. Karena perhitugan analisis jalur menggunakan teknik regresi linear, maka
a. Model regresi harus layak, yaitu angka signifikan pada ANOVA sebesar
<0,05
b. Prediktor yang digunakan sebagai variabel bebas hatus layak, yaitu jika
thitung>ttabel.
jalur dapat diduga dengan metode kuadrat terkecil (ordinary least square). Salah
satu keuntungan dari pendekatan OLS adalah error dari pendugaan parameter dari
persamaaan lainnya.
1. Merancang model
Tingkat
Pendidikan
Kepuasan
2. Membuat Hipotesis
H0: Variabel tingkat pendidikan, disiplin kerja dan kepuasan kerja tidak
dikaji.
Tingkat e1
Pendidikan
Kepuasan
Tingkat e1
Pendidikan PYX1
rX1X2
Dimana:
5. Persamaan Struktural
PYX3+ e1
6. Melakukan prosedur analisis jalur dengan langkah sebagai berikut:
ρyxi = ∑
yaitu:
ρyƐ = √
Hipotesis
H0: PYXi=….PYXk= 0
k 1 RYX1 X 2 .......X k
dan Hα ditolak.
ii. Jika nilai signifikansi < taraf nyata (0,05), maka H0 ditolak
dan Hα diterima.
toleransi 5%.
Hipotesis
H0: PYXi= 0
H1: PYXi 0
r n k 1
t
1 r2
Keterangan:
t : Nilai Uji t
r : Koefisien korelasi
dan Hα ditolak.
ii. Jika nilai signifikansi < taraf nyata (0,05), maka H0 ditolak dan
Hα diterima.
1. Instal SPSS
2. Instal Lisrel
3. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file:
path.sav. Kemudian buka software Lisrel
4. Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi “SPSS
Data File(*.sav)” seperti pada gambar di bawah ini. kemudian carilah file
dengan nama “PATH, kemudian klik open
5. Setelah diklik Open maka akan muncul tampilan kotak Save As. Simpan data
dalam bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang
anda inginkan pada bagian File name lalu klik Save.
kemudia klik oke, setelah itu beri nama “Latihan Path” kemudian Save As.
8. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label
9. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,
sebelumnya,lalu klik OK. Kemudian akan kembali ke kotak Label lalu klik
OK
10. Klik Setup, pilih Data, Kemudian masukkan Number of Observation dengan
angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
11. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan
Path”
12. Lengkapi kotak kotak “Latihan Path” dengan variabel, seperti di bawah,
kemudian Klik tombol Run seperti pada gambar dibawah ini
Klik RUN
13. Dengan hasil sebagai berikut
14. Untuk melihat output lebih detail, maka klik Windows kemudian pilih file
dengan ekstensi .OUT seperti pada gambar di bawah ini.
E. Analisis Jalur Menggunakan Amos
1. Instal SPSS
2. Instal AMOS
3. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file: path.sav
4. Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu akan
muncul kotak seperti berikut,
5. Klik file name, pilih data yang telah disimpan dalam SPSS/excel (.sav), lalu
klik open, setelah itu klik OK.
10. Simpan pada File-Save As, program tidak bisa dijalankan sebelum disimpan.
Kemudian Pilih View-Analysis Properties
11. Kemudian akan muncul kotak dialog sebagai berikut lalu pilih Output dan
centang seerti pada gambar. Lalu tutup
Hasil Estimate
13. Jika hasilUntuk melihat hasil estimate loading faktor, klik View-Text Ouput
Nilai p-value
Joreskog, karakteristik analisis jalur adalah metode analisis data multivariat yang
digunakan untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar
kajian teori tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak
A. Model Regresi
menggunakan lebih dari satu varaibel exogen dengan saru varaibel endogen.
X1
X2
Dimana:
X Z
Dimana:
d.
Model gabungan antara model regresi dengan model mediasi, yaitu varaibel X
melalui Y
Model gabungan antara model regresi dan model mediasi mempunyai diagram
X Z
Dimana:
D. Model Kompleks
Y2 melalui X2
X1 X2
Y1 Y2
Dimana:
a. X1 sebagai variabel exogen
b. X2 sebagai variabel endogen perantara
c. Y1 sebagai variabel exogen
d. Y2 sebagai variabel endoge
BAB 1II
CONFIRMATORY FACTOR ANALYSIS
variabel laten dan variabel indikator. Variabel laten adalah variabel yang tidak dapat
diukur secara langsung sedangkan variabel indikator adalah variabel yang dapat
diamati dan diukur secara langsung. Model umum analisis factor konfirmator adalah
𝑋=𝜆 𝜉+𝛿
Dimana:
X = variabel indikator
𝜉 = variabel laten
Pada Analisis Faktor Konfirmatori Tingkat Pertama suatu variabel laten yang
𝛿1 X1
𝜆1
𝛿2 X2 𝜉
𝜆2
𝜆3
𝛿3 X3
Berdasarkan Gambar 2.1. yang menunjukkan model first order CFA maka dapat
𝑋1 = 𝜆1 𝜉 + 𝛿1
𝑋2 = 𝜆2 𝜉 + 𝛿2
𝑋3 = 𝜆3 𝜉 + 𝛿3
Persamaan ini akan diestimasi dengan tujuannya untuk melihat seberapa dalam
Analisis second order CFA merupakan model pengukuran yang terdiri dari dua
indikator dari variabel laten terkait. Tingkat kedua adalah sebuah Analisis Faktor
tingkat pertama sebagai indikator- indikator dari sebuah variabel laten pada
variabel tingkat pertama disimbolkan dengan . lebih detailnya dapat dilihat pada
ilustrasi berikut :
𝛿1 X1
1 𝜆1
𝛿2 X2 𝜆2 𝜉1
2
𝜆3
𝛿3 X3
3 η
𝛿4 X4
1 𝜆4
𝛿5 X5 𝜆5 𝜉2
2
𝜆6
𝛿6 X6
3
maka peneliti mampu melihat indikator apa saja yang berkontribusi besar dalam
a) Siapkan data dalam worksheet SPSS/ excel (.sav), pada folder datasem
c) Buka Lisrel
d) Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi
Pada bagian ini Lisrel meminta Anda untuk menyimpan datanya dalam
bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang
kemudia klik oke, setelah itu beri nama “Latihan CFA” kemudian Save AS.
16. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label
17. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,
klik Browse, pilih data dengan ekstensi .psf yang telah disimpan
sebelumnya,lalu klik OK. Kemudian klik Add Latent Variables untuk
memberi nama laten variabel, kemudian setelah selesai maka klik OK
angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
2. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan
CFA”
Klik RUN
2. CFA First Order Menggunakan Amos
a) Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu
akan muncul kotak seperti berikut,
b) Klik file name, pilih data yang telah disimpan dalam SPSS/excel
(.csv), lalu klik open, setelah itu klik OK. Carilah file yang sudah
disiapkan untuk CFA kemudian klik Open lalu akan muncul tampilan
seperti gambar berikut. Setelah itu klik OK
Variables
in Data Set
digunakan untuk membangun dan menguji model statistik yang biasanya dalam
bentuk model-model sebab akibat. SEM sebenarnya merupakan teknik hibrida yang
meliputi aspek-aspek penegasan (confirmatory) dari analisis faktor, analisis jalur dan
sebagai teknik analisis untuk lebih menegaskan dari pada untuk menerangkan.
apakah suatu model tertentu valid atau tidak dari pada menggunakannya untuk
menemukan suatu model tertentu cocok atau tidak, meski analisis SEM sering pula
a) Spesifikasi model
• Model aditif
(multinormal)
pengukuran.
2. Kesalahan model struktural adalah kesalahan yang ada pada model structural,
jika pada diagram jalur kesalahan structural ada pada variabel endogen.
1. Variabel laten
Variabel laten dibedakan menjadi dua yaitu variabel eksogen dan endogen.
setara dengan variabel terikat. Notasi matematik dari variabel laten eksogen
2. Variabel Terukur
Variabel teramati adalah variabel yang dapat diukur secara empiris dan sering
disebut sebagai indikator. Variabel teramati merupakan efek atau ukuran dari
variabel laten. Variabel teramati yang berkaitan atau merupakan efek dari
variabel laten eksogen diberi notasi matematik dengan label X, sedangkan
yang berkaitan dengan variabel laten endogen diberi label Y. Simbol diagram
jaluran dari variabel teramati adalah bujur sangkar atau empat persegi
panjang.
1. Model Struktural
variabel laten. Selain itu model structural bisa berupa model analisis jalur
2. Model Pengukuran
diberi notasi (“lambda”), dimana pada sisi X adalah x (lambda x) dan sisi
justifikasi secara teoritis yang kuat guna mendukung upaya analisis terhadap
langkah pertama kedalam sebuah diagram jalur agar peneliti dengan mudah
diagram jalur padal model SEM seperti pada Gambar 4.1. Diagram jalur
dalam SEM digunakan untuk menggambarkan model SEM dengan lebih jelas
diketahui tentang variabel dalam SEM beserta notasi dan simbol yang
Model struktural
1 = 12+ 1 1 + 1
2 = 21+ 2 1 + 2
Model pengukuran
asumsi ini akan terpenuhi jika ukuran sampel cukup besar (Bollen,1989) .
ML digunakan pada data yang berskala minimal interval dengan matriks
GLS dan ML asalkan ukuran sampel cukup besar ( ≥ 100), dan asumsi
terpenuhi maka penaksir kedua metode ini adalah relatif sama (Saris
&Stronkhorst, 1984).
ULS tidak perlu asumsi multinormal. ULS tidak memilki scale invariant
ULS.
bermakna, atau tidak masuk akal. Hal ini disebabkan karena program tidak
dapat menghaslkan sebuah solusi yang unik. Satu hal yang harus dipenuhi
adalah bahwa persamaan yang ada harus lebih banyak dari parameter yang
akan ditaksir. Semakin kompleks model yang akan diestimasi, tidak ada
Bila sebuah model diidentifikasi, ada tiga macam kesimpulan yang dapat
diambil, yaitu :
a) Just – Identified
b) Underidentified
df<0.
c) Overidentified
nilai derajat kebebasan positif, yang dimana informasi yang dimiliki lebih
Untuk mengetahui apakah model yang dibuat didasarkan pada data observasi
sesuai dengan model teori atau tidak diperlukan acuan indeks kecocokan model.
Berikut ini nilai-nilai indeks kecocokan model yang sering digunakan dalam
SEM, diantaranya:
1. Nilai Chi Square: semakin kecil maka model semakin sesuai antara model
teori dan data sampel. Nilai ideal sebesar 1,96 maka kovarian
dibuat standar, misalnya 2; maka var laten tergantung akan meningkat sebesar
kovarian populasi. Model baik jika nilainya lebih kecil atau sama dengan 0,05
umum. Reliabilitas berikutnya ialah Varian Extracted dengan besar diatas atau
sama dengan 0,5. Dengan ketentuan nilai yang semakin tinggi menunjukkan
dikembangkan
7. Parameter dengan nilai 0 mempunyai arti tidak ada hubungan antar variabel
yang diobservasi. Parameter dapat secara bebas diestimasi dengan nilai tidak
sama dengan 0. Fixed parameter diestimasi tidak berasal dari data, misalnya 1;
free parameter diestimasi dari data sampel yang diasumsikan oleh peneliti
8. Root Mean Square Residual (RMR): nilai rata-rata semua residual yang
10. Normed Fit Index (NFI): Nilai NFI mulai 0 – 1 diturunkan dari perbandingan
Model mempunyai kecocokan yang ideal dengan nilai 0.95 – First Fit Index
13. The Expected Cross Validation Index (ECVI): mengukur perbedaan antara
kovarian yang diharapkan yang akan diperoleh dari sampel lain dengan
ukuran yang sama. Nilai ECVI dapat berapa saja dan tidak ada kisarannya.
Jika model mempunyai nilai ECVI terkecil, maka model tersebut dapat
direplikasi.
14. Hoelter‟s Critical N (CN): berfungsi untuk melihat kecukupan ukuran sampel
15. Residual: perbedaan antara matriks kovarian model dengan matriks kovarian
H0 : λi = 0 lawan
H1 : λi ≠ 0
endogen:
H0 : γi = 0 lawan
H1 : γi ≠ 0
endogen:
H0 : βi = 0 lawan
H1 : βi ≠ 0
Rumusan Masalah
Kualitas
Kepuasan Loyalitas
Manfaat
Kemudahan
Kerangka konseptual
K. SEM First Order Menggunakan Lisrel
1. Siapkan data dalam worksheet SPSS/ excel (.sav), dengan nama file:
SEM.sav. Kemudian buka software Lisrel
2. Klik File lalu pilih Import Data, lalu Ubah “File of Type” menjadi “SPSS
Data File(*.sav)” seperti pada gambar di bawah ini. kemudian carilah file
dengan nama “SEM, kemudian klik open
3. Setelah diklik Open maka akan muncul tampilan kotak Save As. Simpan data
dalam bentuk PRELIS Data (*.psf). Kemudian isi nama sesuai dengan yang
anda inginkan pada bagian File name lalu klik Save.
4. Maka akan muncul data sebagai berikut
5. Lalu klik menu File, kemudian pilih File, klik New lalu pilih Path Diagram,
kemudia klik oke, setelah itu beri nama “Latihan SEM” kemudian Save As.
6. Selanjutnya Klik Setup, pilih Variables, maka akan keluar kotak Label
7. Klik Add/Read Variables, pada Read from file pilih PRELIS System File,
klik Browse, pilih data dengan ekstensi.psf yang telah disimpan sebelumnya,
lalu klik Add Latent Variables untuk memberi nama varaibel laten, lalu klik
angka 200 (angka ini adalah jumlah observasi data) lalu klik OK.
10. Klik Setup, pilih Build SIMPLIS Syntax, maka akan muncul kotak “Latihan
SEM”
11. Lengkapi sintax dengan variabel, seperti di bawah, kemudian Klik tombol
Run seperti pada gambar dibawah ini
Klik RUN
12. Dengan hasil sebagai berikut
L. SEM First Order Menggunakan Amos
1. Buka AMOS, masukan data dalam AMOS, klik File-Data File, lalu akan
Klik
untuk
indikator Arahkan kursor ke area kerja seperti pada
gambar berikut, double Click pada varaibel
laten, jika jumlah indikator ada 4 klik 4 kali
6. Putar posisinya untuk gambar model yang diinginkan dengan menggunakan
simbol rotasi kemudian klik pada variabel laten beberapa kali sampai sesuai
dengan rotasi yang anda inginkan misalnya seperti pada gambar berikut :
7. Set data ke dalam model dengan cara memilih List Variables in Data Set
(lihat pada gambar di bawah), kemudian akan muncul kotak Variables in
Data Set
Kemudian klik kiri dan tahan (drag) nama Indikator pada Variables in
Data Set, arahkan ke Indikator (kotak) di gambar, lepaskan persis setelah
kursor ada di tengah kotak (sampai muncul warna merah). Lakukan
seterusnya untuk seluruh indikator yang ada. Setelah itu berikan input
pada Variable Label untuk seluruh indikator yang baru dimasukkan tadi,
dengan cara melakukan double click pada kotak indikator. Lakukan untuk
masing-masing ketiga indikator tersebut
8. Double click untuk seluruh error (bulatan kecil) yang ada dan kemudian
isikan Variable name dan Variable labelnya, seperti pada gambar di bawah
ini
9. Untuk variabel laten yang lain, lakukan hal yang sama seperti pada langkah di
atas, agar menghasilkan tampilan sebagai berikut
10. Hubungkan antara variabel laten dengan menggunakan tanda dan tanda
sesuai dengan gambar di bawah ini
11. Masukkan Error pada variabel laten endogen. Pilih symbol . Kemudian
arahkan kursor ke arah Variabel Laten (endogen) sampai muncul warna merah
pada line-nya, kemudian klik kiri. Hasilnya akan seperti pada gambar di
bawah ini
12. Simpan gambar model, klik File-Save As. Pilih View-Analys Properties.
Akan muncul kotak dialog sebagai berikut lalu pilih Output dan centang
seperti pada gambar. Lalu close
1. Uji Normlitas
ratio skewness value sebesar ± 2,58 pada signifikasi 10%. Data dikatakan
berdistribusi normal jika nilai critical ratio skewness value kurtosis value di
bawah harga mutlak 2,58 dapat dibulatkan menjadi 3. Secara umum nila c.r.
skew dan c.r. kurtosis berada lebih dari -3 sampai lebih 3 sehingga dapat
3. Uji Hipotesis