ANALISIS JALUR (PART ANALISIS)

Analisis jalur (path analysis) untuk pertama kali diperkenalkan oleh

biolog bernama Sewall Wright (1921) dan selanjutnya dikembangkan ke
dalam ilmu-ilmu sosial oleh sosiolog O.D. Duncan (1960).
Aspek teoritis analisis jalur model Sewall Wright tidak ada hall baru,
analisis regresi klasik dapat digunakan sehingga asumsi-asumsi regresi klasik
terikat pada analisis jalur tersebut. Tujuan analisis jalur adalah apakah model
yang diusulkan cocok 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. Secara formal pengujian
ini menggunakan koefisien multipel determinasi umum (Pedhazur, 1982).
Pembahasan selanjutnya perhatikan diagram jalur pada Gambar 1.

X1 X3

X2 X4

Gambar 1. Konstalasi Penelitian

Variabel x1 dan x2 pada Gambar 1 merupakan variabel eksogen.

Hubungan kedua variabel tersebut bersifat korelatif yang dinyatakan garis
lengkung dengan dua kepala panah. Garis lurus dengan satu kepala panah
merupakan hubungan bersifat kausalitas, misalnya variabel x 1 terhadap x3.
Variabel x3 dan x4 dikenal sehagai endogen. Kedua variabel endogen selalu
terikat kekeliruan, dalam hal ini dinotasikan e3 dan e4. Besarnya pengaruh
dari satu variabel ke variabel lain dinyatakan dengan suatu koefisien,
katakanlah p. Misalnya, besarnya pengaruh x1 terhadap x4, dinotasikan
dengan px4x1 atau ditulis p41. Perjanjiannya adalah indeks pertama pada
koefisien tersebut merupakan variabel yang dipengaruhinya, sedangkan
indeks kedua adalah variabe! yang mempengaruhinya.
Pada analisis jalur berlaku suatu aturan yang disebut sebagai the first
law (Kenny, 1979), yaitu:
pxy= Σpxy.yz

di mana pxy koefisien jalur dari variabel x, terhadap variabel y dan yz adalah
korelasi antara variabel y dan variabel z. Secara verbal rumus tersebut
menyatakan bahwa untuk mendapatkan korelasi antara variabel z dan variabel
endogen y, sama dengan jumlah perkatian setiap parameter untuk setiap
variabel yang mempengaruhi variabel y dengan korelasi setiap variabel
tersebut dengan variabel prediktor z. Agar lebih memahami aturan tersebut
perhatikan diagram jalur pada Gambar 1. Perhatikan korelasi x 1 dan x3, dapat
dijabarkan ke dalam:
p31= p31.11 + p32.21 + p3e3.e31

Gambar 1 memperlihatkan bahwa yang mempengaruhi variabel

endogen x3 itu adalah variabel eksogen x1 dan x2, dan kekeliruan e3. Karena
korelasi 11 =1, dan pe31= 0 sehingga persamaan tersebut menjadi: .
p31= p31 + p32.21
Akhirnya dengan cara yang sama akan diperoleh:
p32= p32 + p31.12
p34= p31. 14 + p32.12
p41= p41 + p42.21 + p43.31

p42= p42 + p41.22 + p43.32

p43= p43 + p42.23 + p41.13

 Dalam hal ini, koefisien jalur pada Gambar 1 masing-masing adalah:
p31, p32, p41, p42, dan p43. Jika diperiksa terdapat enam buah persamaan dan
enam buah parameter sehingga diperoleh solusi tunggal.
Alternatif lain dapat dilakukan dengan the tracing rules (Kenny, 1979),
tetapi tidak akan dibahas di sini. Persamaan regresi pada Gambar 1 yaitu:
x3 = a. X1 + b x2 + u3
x 4 = d . X 2 + c x1 + e x3 + u4

Koefisien-koefisien regresi parsial pada kedua persamaan tersebut

adalah koefisien regresi parsial standardized yang dapat dihitung dengan
mengolah masing-masing persamaan regresi.
Uji signifikansi untuk koefisien jalur yang dinotasikan dengan p yx, sama
seperti pada uji koefisien regresi klasik dengan menggunakan t-tes
(Schumacker & Lomax, 1996). Pengujian kecocokan model (model fit) dapat
digunakan statistik khi-kuadrat yang dianjurkan oleh Specht tahun 1975 dan
Pedhazur tahun 1982. Seperti sudah disebutkan sebelumnya bahwa suatu
model yang diusulkan dikatakan "cocok" dengan data seandainya matriks
korelasi model teoritis sama dengan matriks korelasi empiris (reproduced).
Dengan demikian, perumusan hipotesis pada analisis jalur ditulis sebagai
berikut:
Ho : R = R ()
Ho : R  R ()

Model dikatakan "cocok" atau fit jika hipotesis nol diterima. Statistik
untuk menguji hipotesis tersebut dapat digunakan statistik khi-kuadrat yang
diusulkan oleh Pedhazur(1982), yaitu:
W = -(n-d)ln(Q)
di mana n dan d masing-masing menunjukkan ukuran sampel dan banyaknya
koefisien jalur yang sama dengan nol atau koefisien jalur yang nonsignificant,
dan Q adalah:
1  R2m
Q
1M

di mana R2m adalah koefisien determinan multipel untuk model yang

disusulkan, dan M koefisien determinan multipel untuk model setelah terdapat
koefisien jalur yang nonsignifikan. Koefision determinasi multipe! tersebut
adalah:
M = R2m=1- ((1- R12). (1- R22)... (1- R 2p)).

Statistik W mendekati distribusi khi-kuadrat dengan derajat bebas

sebesar d. Jika nilai W sangat kecil atau mendekati nilai nol, maka hipotesis nol
diterima. Dengan kata lain bahwa model yang diusulkan "cocok" dengan data.
Berikut ini diberikan sebuah contoh numerik yang dikutip dari
Schumacher & Lvmax, (1996). Diagram jalurnya dinyatakan pada Gambar 2
dengan taksiran matriks korelasi adalah sebagai berikut:

1 0.507
1
0.480 0.275
ˆ 0.224 0.062
R 
 1 0.577
 
 1 

Berdasarkan Gambar 2 didapat dua persamaan regresi, yaitu:

x3 = p31 x1 + p32 x2 + e3
x4 = p41 x1 + p42 x2 + p43 x3 + e4

yang diperlukan dengan menggunakan the first law diperoleh

r13 = p31 + p32 r12 = 0.062
 r23 = p32 + p31 r12 = 0.577
r14 = p41 + p42 r12 + p43 r13 = 0.507
r24 = p42 + p41 r12 + p43 r23 = 0.480
r34 = p43 + p41 r13 + p42 r23 = 0.275
r12 = p21 = 0.224

X1
0.507

0.244 0.062
X3 0.275
X
4
0.577
X2 0.480 e3 e4

Gambar 2. Korelasi Antar Variabel

Koefisien determinasi multipel untuk masing-masing regresi adalah 0.34

dan 0.40. Koefisien jalur untuk residual masing-masing diberikan:
pe3 = 1  0.34 = 0.81 dan pe4 = 1  0.40 = 0.77
dan R2m = 1 - (1 - 0.34)(1 - 0.40) = 0.604

Hasil perhitungan koefisien jalur dinyatakan pada diagram jalur pada

Gambar 2. Terdapat dua jalur yang tidak signifikan (P<0.05), yaitu jalur xl ke
x3 dan jalur x3 ke x4. (Coba buktikan, dengan pendekatan perhitungan
pendekatan matriks (konsep determinasi) atau persamaan linier).

Jika hanya koefisien jalur x 1 ke x3 yang dianggap nol, maka persamaan

regresi sekarang menjadi:
 x3 = p32 x2 + e3
x4 = p41 x1 + p42 x2 + p43 x3 + e4

Matriks korelasi empiris didapat dari persamaan yang didapat melalui

first law tersebut dengan p31 =0 dan koefisen-koefisien jalurnya dihitung
kembali dari persamaan regresi yang baru.
Koefisien determinasi multipel dari kedua persamaan regresi masing-
masing adalah 0.33 dan 0.40 sehingga
M = 1 - (1 - 0.33)(1 - 0.40) = 0.598
1  0.604
dan Q = 0.98. Dengan demikian statistic

1  0.598
W = -(100 - 1)ln(0.98) = 2.00.

Dari tabel distribusi khi-kuadrat dengan derajat bebas, d = 1 dan taraf

signifikan sebesar  = 0.05 didapat 2 = 3.84 . Karena W=2.00 < 2 = 3.84 ,
maka pengujian nonsignifikan.
Dengan demikian dapat diambil kesimpulan bahwa model dalam Gambar
3 diterima.

X 0.507 (p=......)
1

0.062 (p=.....) X4
0.244 (p=......)
X3
0.577 (p=..._ 0.275 (p )
0.480 (p=. . .)
X
e3 (.....) e4 (.......)
2

Gambar 3. Model Antar Variabel

Lampiran. Contoh Perhitungan Uji Korelasi dan Analisis Jalur

1. Analisis Korelasi
Korelasi yang sering digunakan bila datanya interval adalah korelasi Product
Moment dari Pearson, yang dihitung dengan rumus :

ryx  n XY   XY
x X 2   X 2 n Y2   Y2

Dalam hal ini : ryx = Koefisien korelasi antara y dengan x

Untuk pengujian signifikansi koefisien korelasi tersebut dilakukan dengan

menggunakan uji-t dengan rumus :
r n2
t
1  r 2 
Rangkuman Hasil Perhitungan Korelasi antar Variabel Penelitian

Correlations

KEBIJAKA PELAYANA PROMOSI KEPUASAN

KEBIJAKA Pearson Correlation 1 ,486* ,497* ,442*
* * *
Sig. (2-tailed) , ,000 ,000 ,000
N 170 170 170 170
PELAYANA Pearson Correlation ,486* 1 ,445* ,427*
* * *
Sig. (2-tailed) ,000 , ,000 ,000
N 170 170 170 170
PROMOSI Pearson Correlation ,497* * ,445* * 1 ,465*
*
Sig. (2-tailed) ,000 ,000 , ,000
N 170 170 170 170
KEPUASAN Pearson Correlation ,442* * ,427* * ,465* * 1
Sig. (2-tailed) ,000 ,000 ,000 ,
N 170 170 170 170
**. Correlation is significant at the 0.01 level (2-tailed).

Perhitungan uji signifikansi koefisien korelasi :

 r n2 0,497 170  2
a. t31 = = = 5,574
1  r 2  1  0,497 2

r n2 0,445 170  2

b. t32 = = = 4,872
1  r 2  1  0,4452

r n2 0,442 170  2

c. t41 = = = 6,387
1  r 2  1  0,4422

d. t42 = r n  2 = 0,427 170  2 = 6,120

1  r 2  1  0,4272
r n2
e. t43 = = 0,465 170  2 = 6,808
1  r 2  1  0,4652

Setelah membandingkan nilai thitung yang diperoleh terhadap nilai ttabel pada taraf
signifikansi  = 0,01 dengan dk = 168 sebesar 1,96, ternyata semua nilai thitung > ttabel,
sehingga dapat disimpulkan kelima koefisien korelasi sangat signifikan.

2. Analisis Jalur (Path Analysis).

Untuk menghitung koefisien jalur dari diagram jalur tersebut, dapat dilakukan
dengan rumus-rumus sebagai berikut :
r12 = 21
r13 = 31 + 32 r12 r23

= 31 r12 + 32

r14 = 41 + 42 r12 + 43 r13 r24

= 41 r12 + 42 + 43 r23 r34 = 41

r13 + 42 r23 + 43

 Berdasarkan hasil perhitungan diperoleh koefisien korelasi antar variabel penelitian,
yaitu
r12 = 0,486, r13 = 0,497, r23 = 0,445, r14 = 0,442, r24 = 0,427, r34 = 0,465.

Untuk dapat menghitung koefisien jalur 31 dan 32, maka diperlukan model

kausal berikut :

r13 = 31 + 32 r12

r23 = 31 r12 + 32

a. Mencari koefisien jalur 21

r12 = 21 sehingga 21 = 0,486

b. Mencari koefisien jalur 31 dan 32.

r13 = 31 + 32 r12

r23 = 31 r12 + 32

Perhitungan :
0,497 = 31 + 0,486 32
0,445 = 0,486 31 + 32 --- > x 0,486

0,497 = 31 + 0,486 32

0,216 = 0,236 31 + 0,486 32
_
0,281 = 0,764 31
31 = 0,367
r23 = 31 r12 + 32

0,445 = (0,367)(0,486) + 32

32 = 0,267
Mencari Koefisien jalur 41, 42 dan 43 digunakan rumus :

r14 = 41 + 42 r12 + 43 r13 r24

= 41 r12 + 42 + 43 r23 r34 = 41

r13 + 42 r23 + 43

Dengan memasukkan nilai koefisien korelasi, maka diperoleh rumus baru yang harus
dikerjakan lebih lanjut.
0,442 = 41 + 0,486 42 + 0,497 43 .........1)
0,427 = 0,486 41 + 42 + 0,445 43 ………… 2)
0,465 = 0,497 41 + 0,445 42 + 43 ..........3)
Dari persamaan 1) dan 2)
0,442 = 41 + 0,486 42 + 0,497 43
0,427 = 0,486 41 + 42 + 0,445 43 x 0,486

0,442 = 41 + 0,486 42 + 0,497 43

0,208 = 0,236 41 + 0,486 42 + 0,216 43
0,234 = 0,764 41 + 0,281 43 ………. .4)

Dari persamaan 1) dan 3)

0,442 = 41 + 0,486 42 + 0,497 43 x 0,445
0,465 = 0,497 41 + 0,445 42 + 43 x 0,486

0,197 = 0,445 41 + 0,216 42 + 0,221 43

0,226 = 0,242 41 + 0,216 42 + 0,486 43

-0,029 = 0,203 41 - 0,265 43 ………. 5)

Penggabungan persamaan 4) dengan 5)

0,234 = 0,764 41 + 0,281 43 .....> X 0,265

- 0,029 = 0,203 41 - 0,265 43 ……> X 0,281

0,06201 = 0,202460 41 + 0,074465 43

- 0,008149 = 0,057043 41 - 0,074465 43
+
0,053861 = 0,259503 41

41 = 0,208

Dari persamaan ...4)

0,234 = 0,764 41 + 0,281 43

0,234 = (0,764) (0,208) + 0,281 43
0,0757576 = 0,281 43

43 = 0,270

Dengan memasukkan nilai tersebut ke persamaan 2), maka akan diperoleh besar
42 :

0,427 = 0,486 41 + 42 + 0,445 43

0,427 = (0,486)(0,208) + 42 + (0,445)(0,270)
0,427 = 0,1011 + 42 + 0,12015

42 = 0,205
Berdasarkan hasil perhitungan tersebut, diperoleh nilai koefisien jalur dari model, yaitu
:
21 = 0,486, 31 = 0,367, 32 = 0,267, 41 = 0,208,

42 = 0,205, dan 43 = 0,270

Perhitungan uji signifikansi koefisien jalur :

p n2 0,367 170  2

a. t31 = = = 3,827
1  p 2  1  0,367 2

p n2 0,267 170  2

b. t32 = = = 3,591
1  p 2  1  0,267 2

p n2 0,208 170  2

e. t41 = = = 2,756
1  p 2  1  0,2082

f. t42 = p n  2 = 0,205 170  2 = 2,714

1  p 2  1  0,2052
p n2
e. t43 = = 0,270 170  2 = 2,536
1  p 2  1  0,2702