ANALISIS JALUR

DOSEN:
ELISABETH SIAHAAN, SE.,M.Ec

KELOMPOK 14 :
ALFIAN FERNANDES 140502167
VINCENT WIRATAMA 160502134

FAKULTAS EKONOMI DAN BISNIS

DEPARTEMEN MANAJEMEN
UNIVERSITAS SUMATERA UTARA
MEDAN
2020

1
A. DEFINISI ANALISIS JALUR

Analisis jalur adalah suatu teknik pengembangan dari regresi linier ganda.Teknik ini
digunakan untuk menguji besarnya sumbangan (kontribusi) yang ditunjukkan oleh koefisien jalur
pada setiap diagram jalur dari hubungan kausal antar variabel X1 X2 dan X3 terhadap Y serta
dampaknya terhadap Z. “Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab
akibat yang tejadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel
tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”. (Robert D. Retherford
1993).
Sedangkan definisi lain mengatakan: “Analisis jalur merupakan pengembangan langsung bentuk
regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan
signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel.” (Paul
Webley 1997).

David Garson dari North Carolina State University mendefinisikan 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 respon) sedang yang lain sebagai penyebab.
Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks
korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan
statistik. (David Garson, 2003).

B. KARAKTERISTIK ANALISIS JALUR

Beberapa karakteristik utama analisis jalur adalah sebagai berikut :

1. Tujuan : menganalisis pola hubungan kausal antarvariabel dengan tujuan untuk mengetahui
pengaruh langsung dan tidak langsung di antara variabel
2. Variabel : variabel penyebab disebut variabel eksogen dan variabel akibat disebut variabel
endogen
3. Masalah Penelitian :
 Apakah variabel eksogen berpengaruh terhadap variabel endogen
 Berapa besar pengaruh langsung dan tidak langsung, maupun bersama variabel eksogen
terhadap variabel endogen
4. Skala Pengukuran : sekurang-kurangnya interval
5. Asumsi :
 Data berdistribusi normal
 Hubungan antar variabel linier
 Tidak ada arah kausalitas yang berbalik (non reciprocal causation) tetapi bersifat rekursif

2
  Model yang hendak diuji dibangun atas kerangka teoritis yang mampu menjelaskan
hubungan kausalitas antar variabel penelitian
 Variabel yang diteliti dapat diobeservasi langsung
Jadi secara sederhana, analisis jalur adalah metode analisis data multivariat dengan tujuan
untuk mengetahui pengaruh langsung dan pengaruh tidak langsung beberapa variabel eksogen
(penyebab) terhadap variabel endogen (akibat) dengan pola rekursif dan semua variabel dapat
diobservasi secara langsung. Rekursif artinya hubungan antar variabel adalah satu arah, tidak ada
hubungan yang bersifat resiprokal. Jika dinyatakan A menyebabkan B, maka B tidak dapat
menyebabkan A. Semua variabel dapat di observasi langsung artinya variabel yang dianalisis
adalah variabel manifes. Karena sifatnya seperti itu maka analisis jalur, seperti dikemukakan
sebelumya, disebut juga the casual models for directly observed variables.

Secara umum langkah-langkah dalam analisis jalur sebagai berikut :

1. Menentukan hipotesis penelitian dan diagram jalur.
2. Menentukan persamaan struktural
3. Meregresikan antara variabel eksogen terhadap variabel endogen untuk setiap persamaan
struktural.
4. Mengkorelasikan antara variabel eksogen bila terdapat hubungan korelasional.
5. Menghitung koefisien jalur.
6. Menghitung besar pengaruh langsung, tidak langsung dan pengaruh total.

Contoh Kasus Analisis Jalur Menggunakan SPSS

Berikut proses perhitungan analisis jalur dengan menggunakan SPSS.

1. Persiapkan data yang akan analisis dengan menggunakan analisis jalur. Pastikan data yang
dimiliki sudah memenuhi asumsi yang disyaratkan untuk analisis jalur. (catatan : data ordinal
hasil kuesioner harus dikonversikan dengan metode MSI, untuk memperoleh data interval).

3
2. Gambar diagram jalur dari model yang dihipotesiskan. Hal ini berguna dalam memandu
proses perhitungan koefisien jalur yang melibatkan satu atau lebih variabel bebas sekaligus.

4
3. Buka file SPSS dan masukan variabel ke dalam menu Data View lalu definisikan tiap-tiap
variabel tersebut dalam menu Variables Views.

4. Setelah semua data variabel dimasukan ke dalam SPSS, lalu klik menu Analyze pilih
Regression lalu definisikan variabel sesuai dengan model jalur yang sudah di gambarkan pada
poin 2. Apabila terdapat 2 persamaan regresi dalam pembentukan diagram jalur (poin 2) maka
proses regresi dilakukan sebanyak 2 kali. Kemudian klik OK.

5
 Gambar 1. Model Persamaan Pertama

Gambar 2. Model Persamaan Kedua

5. Setelah klik OK maka akan dihasilkan output SPSS sesuai dengan apa yang kita biasa
lakukan dengan analisis Regresi biasanya. Terdapat 3 bagian utama dalam analisis regresi
yaitu model summary, ANOVA dan Coefficients. Untuk menidentifikasi besar pengaruh dari

6
variabel eksogen terhadap endogen maka yang kita lihat adalah besaran R-Square. Dan yang
membedakan dengan regresi adalah pada menu Coefficients dimana pada regresi dipilih nilai
B (beta), sedangkan dalam analisis jalur digunakan nilai B Standardized. Nilai inilah yang
menunjukkan besar pengaruh dari variabel eksogen terhadap endogen.

Gambar 1. Output model persamaan pertama

Ga
mbar 2. Output model persamaan kedua

7
6. Setelah semua nilai B Standardized berdasarkan persamaan regresi dalam diagram jalur (poin
2) didapatkan. Tahapan selanjutnya adalah menghitung nilai pengaruh langsung dan pengaruh
tidak langsung dari variabel eksogen terhadap endogen, sesuai dengan tujuan penggunaan
analisis jalur.
 Pengaruh langsung diperoleh dengan cara mengkuadratkan B Standardized dan dikali
100% jika ingin diperoleh % pengaruh langsung.
 Pengaruh tidak langsung diperoleh dengan cara mengalikan B Standardized variabel
ekogen pertama dengan korelasi antar variabel eksogen lalu dikalikan dengan B
Standardized variabel eksogen kedua.
 Pengaruh total variabel terhadap variabel endogen adalah dengan menjumlahkan seluruh
pengaruh langsung dan tidak langsung yang sudah diperoleh.

Sebagai catatan pastikan R-Square menjadi acuan dalam sinkronisasi dari hasil penjumlahan
pengaruh total dari variabel eksogen terhadap endogen. Pengaruh total tersebut sama dengan R-
Square yang didapatkan dari model persamaan.

Dalam prakteknya ada beberapa persiapan dan pemahaman yang perlu dibangun oleh
peneliti sebelum menerapkan data pada metode Path Analysis. Selain teori atas penelitian yang
dapat dipertanggungjawabkan, proses pengujian pada model berupa pengujian asumsi regresi
linier klasik yang memuat pengujian normalitas, multikolinieritas, heteroskedastisitas,
autokorelasi dan linieritas yang menguatkan bahwa model yang dihasilkan merupakan model
yang memiliki taksiran yang baik, masih berlaku pada path analysis. Jadi ada baiknya sebelum
meyimpulkan hasil atas pengolahan pastikan semua asumsi atas model terpenuhi agar
interpretasi hasil secara optimal dan yakin dapat dikemukakan. 

8
C. Beberapa istilah dalam analisis jalur antara lain :

1. Model jalur.
Model jalur ialah suatu diagram yang menghubungkan antara variabel bebas, perantara dan
tergantung. Pola hubungan ditunjukkan dengan menggunakan anak panah. Anak panah-
anak panah tunggal menunjukkan hubungan sebab–akibat antara variabel-
variabel exogenous atau perantara dengan satu variabel tergantung atau lebih. 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-anak panah menuju ke variabel tersebut dan
kedua jalur-jalur korelasi dari semua variabel endogenous yang dikorelasikan dengan
variabel-variabel yang lain yang mempunyai anak panah-anak panah menuju ke variabel
yang sudah ada tersebut.
3. Variabel exogenous.
Variabel – variabel exogenous dalam suatu model jalur ialah semua variabel yang tidak
ada penyebab-penyebab eskplisitnya atau dalam diagram tidak ada anak-anak panah yang
menuju kearahnya, selain pada bagian kesalahan pengukuran. Jika antara
variabel exogenous dikorelasikan maka korelasi tersebut ditunjukkan dengan anak panah
dengan kepala dua yang menghubungkan variabel-variabel tersebut. Dalam istilah lain,
dapat disebut pula sebagai independen variabel.
4. Variabel endogenous.
Variabel endogenous ialah variabel yang mempunyai anak-anak panah menuju kearah
variabel tersebut. Variabel yang termasuk didalamnya ialah mencakup semua variabel
perantara dan tergantung. Variabel perantara endogenous mempunyai anak panah yang
menuju kearahnya dan dari arah variabel tersebut dalam sutau model diagram jalur.
Sedang variabel tergantung hanya mempunyai anak panah yang menuju kearahnya.  Atau
dapat disebut juga sebagai variabel dependen.
5. Koefesien jalur / pembobotan jalur.
Koefesien jalur adalah koefesien regresi standar atau disebut ‘beta’ yang menunjukkan
pengaruh langsung dari suatu variabel bebas terhadap variabel tergantung dalam suatu
model jalur tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-
variabel penyebab, maka koefesien-koefesien jalurnya  merupakan  koefesien-koefesien
regresi parsial yang mengukur 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 tidak 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

9
 bisa diobservasi secara langsung, namun melalui variabel manifesnya (indicator) seperti
kerja keras, pantang penyerah, tekun, teliti, dll.
7. Variabel Mediator / Intervening dan Moderator
Variabel mediator/intervening dapat didefinisikan oleh Tucman (1988) “An intervening is
that factor that theorically effect the observed phenomenin but cannot be seen, measure, or
manipulate” atau variabel yang secara teoritis mempengaruhi hubungan antar variabel
independent dengan variabel dependen menjadi hubungan yang tidak langsung dan tidak
dapat diamati dan di ukur”. Perbedaan mendasar mediator dan moderator adalah :
Moderator cenderung menjadi variabel yang relatif kebal terhadap perubahan dari waktu
ke waktu (sifat kepribadian, jenis kelamin, kelompok etnis, dll.).
Mediator cenderung menjadi variabel yang berubah dalam kaitannya dengan variabel lain
(kecemasan, membantu, kejujuran, suasana hati).

Contoh Kasus Kedua

Judul Penelitian
Analisis Pengaruh Kompensasi Dan Budaya Organisasi Terhadap Kinerja Pegawai (maaf
organisasinya dihilangkan…)

Variabel Penelitian
X1 = Kompensasi
X2 = Budaya Organisasi
X3 = Motivasi kerja
Y  = Kinerja

Rumusan Masalah

Berapa besar pengaruh kompensasi dan budaya terhadap motivasi kerja

Berapa besar pengaruh langsung dan tidak langsung kompensasi, dan budaya terhadap kinerja

Desain Diagram

X3 = X3X1 +  ρ X3X2 + Є1 …………Substruktural 1

Y = ρ YX1 + ρ YX2 + ρ YX3 + Є2 …………Substruktural 2

10
PENYELESAIAN KASUS

Catatan :
Model diasumsikan telah memenuhi persyaratan analisis jalur meliputi data berskala interval,
berdistribusi normal, pemenuhan asumsi linieritas, normalitas, homogen dan terbebas dari
masalah multikolinieritas. Pembahasan mengenai hal ini akan dijelaskan secara terpisah sehingga
bahasan mengenai interprestasi nilai analisis jalur dengan regresi.

1. TAHAP 1
Pada tahap 1 persamaan strukturalnya adalah X3 = X3X1 +  ρ X3X2 + Є1
Dimana X1 adalah kompensasi, X2 budaya dan X3 motivasi

Untuk menghitung persamaan regresinya :

 Klik Analyse
 Pilih Regression >> Pilih Linier
 Pada kolom dependent variable masukkan variabel X3
 Pada kolom independent variable masukkan variabel X1 dan X2
 Biarkan methode tetap pada pilihan Enter
 Klik OK

2. TAHAP 2
Pada tahap 2 persamaan strukturalnya adalah Y = ρ YX1 + ρ YX2 + ρ YX3 + Є2
Dimana X1 adalah kompensasi, X2 budaya, X3 motivasi dan Y kinerja
11
Untuk menghitung persamaan regresinya :

 Klik Analyse
 Pilih Regression >> Pilih Linier
 Pada kolom dependent variable masukkan variabel Y
 Pada kolom independent variable masukkan variabel X1, X2 dan X3
 Biarkan methode tetap pada pilihan Enter
 Klik OK

PENJELASAN

SUB STRUKTURAL 1
** Perhatikan hasil output regresi sub 1

Secara simultan kompensasi dan budaya organisasi berpengaruh positif dan signifikan
terhadap motivasi kerja pegawai. Besaran pengaruh simultan adalah 0,488 atau dibulatkan
menjadi 49% merupakan kontribusi dari variabel kompensasi dan budaya organisasi terhadap
motivasi kerja. Sedangkan sisanya 51 % dipengaruhi faktor lain di luar model.

12
 Model simultan ini terjadi secara signifikan. Hal ini dapat dilihat dari probability (sig)
atau < 0,01. Pengujian signifikansi lebih lanjut diteruskan dengan pengujian individual melalui
parameter statistik t. Hasil pengujian individual juga menunjukkan pengaruh yang signifikan.
Dengan memperhatikan perolehan sig  < 0,01 pada jalur X1, sig  < 0,01 pada jalur X2. Hal ini
tentunya menjelaskan bahwa secara simultan dan parsial kompensasi dan budaya organisasi
dapat dijadikan variabel yang berpengaruh motivasi kerja pegawai. Lebih lanjut, pengaruh kausal
empiris antara variabel (X1) kompensasi dan (X2) budaya organisasi ini dapat digambarkan
melalui persamaan sub struktural 1 (satu). X 3 = ρ X3X1 +  ρ X3X2 + ρ X3Є1, atau X3 = 0,462X1 +
0,346X2 + 0,715 Є1.

Secara parsial kompensasi berpengaruh positif dan signifikan terhadap motivasi kerja pegawai.
Besaran pengaruh parsial dan langsung kompensasi terhadap motivasi adalah sebesar 0,462 atau
dibulatkan menjadi 46%. Dengan demikian, tinggi rendahnya motivasi dipengaruhi oleh
kompensasi sebesar 46%, sedangkan sisanya 54% dijelaskan faktor lain di luar model.

Secara parsial budaya organisasi berpengaruh positif dan signifikan terhadap motivasi kerja
pegawai. Besaran pengaruh parsial dan langsung budaya organisasi terhadap motivasi adalah
sebesar 0,346 atau dibulatkan menjadi 35%. Artinya, tinggi rendahnya motivasi kerja pegawai
dipengaruhi oleh budaya organisasi sebesar 35%, sedangkan sisanya 65% dijelaskan faktor lain
di luar model.

SUB STRUKTURAL 2

** Perhatikan hasil output regresi sub 2

Secara simultan, pengaruh X1 X2 dan X3 terhadap Y adalah sebesar 0,738 (dibulatkan
74%. Sisanya 26% dipengaruh faktor lain di luar model. Model simultan terjadi signifikan.
Dengan memperhatikan probablitas F sebesar 70,477 pada sig 0,000 < 0,01. Setelah model
simultan terbukti signifikan, maka dilakukan penelusan jalur pengaruh parsial. Dari tiga variabel
yang ditempatkan sebagai prediktor, seluruhnya memiliki nilai sig < 0,05 sehingga dapat
dikatakan bahwa seluruh prediktor secara parsial berpengaruh terhadap Y.
Secara langsung kompensasi berpengaruh positif dan signifikan terhadap kinerja
pegawai. Besaran pengaruh langsung kompensasi terhadap kinerja adalah sebesar 0,199 atau
dibulatkan menjadi 20%. Artinya, tinggi rendahnya kinerja pegawai hanya mampu dipengaruhi
oleh kompensasi sebesar 20% sedangkan sisanya 80% dipengaruhi faktor lain di luar model.
Secara langsung budaya organisasi berpengaruh positif dan signifikan terhadap kinerja
pegawai. Besaran pengaruh parsial dan langsung budaya organisasi terhadap kinerja adalah
sebesar 0,220 atau dibulatkan menjadi 22%. Artinya, tinggi rendahnya kinerja hanya mampu
dipengaruhi oleh budaya organisasi sebesar 22%, sedangkan sisanya 78% dijelaskan faktor lain
di luar model.
Secara langsung motivasi kerja berpengaruh positif dan signifikan terhadap kinerja
pegawai. Besaran pengaruh motivasi terhadap kinerja adalah sebesar 0,568 atau dibulatkan

13
menjadi 57%. Artinya, tinggi rendahnya kinerja mampu dipengaruhi oleh motivasi sebesar 57%,
sedangkan sisanya 43% dipengaruhi faktor lain di luar model. Dari tiga variabel yang digunakan
sebagai prediktor kinerja, variabel motivasi juga teridentifikasi sebagai variabel terkuat yang
mempengaruhi kinerja dibanding dua variabel lain yaitu kompensasi dan budaya organisasi.
Secara keseluruhan, pengaruh-pengaruh yang dibentuk dari sub struktural 2 dapat digambarkan
melalui persamaan struktural 2 yaitu Y = ρ yX 1 + ρ yX1 + ρ yX1 + e2, atau Y = 0,199X1 +
0,220X2 + 0,568X3 + ρ ye2. Berdasarkan hasil pengujian hipotesis ke 3,4, dan 5 pada persamaan
struktural 2 ini diperoleh diagram jalur empiris untuk model Y sebagaimana yang dijelaskan
gambar berikut ini : (gambarnya di view aja biar lebih besar…)

14
Indirect Effect dan Total Effect:

1. Pengaruh tidak langsung / indirect effect, X1 ke Y melalui X3 = p X3X1  x p yX3 = (0,462) x
(0,568) = 0,262. Dengan demikian pengaruh totalnya = p yX 1 + IE= 0,199 + 0,262 =
0,461.
2. Pengaruh tidak langsung / indirect effect, X2 ke Y melalui X3 = p X3X2  x p yX3 = (0,346) x
(0,568) = 0,196. Dengan demikian pengaruh totalnya = p yX2 + IE= 0,220 + 0,196 = 0,416

Contoh Kasus Ketiga

Contoh Kasus : Seorang peneliti ingin meneliti pengaruh gaya kepemimpinan (X1) dan Insentif
(X2) terhadap kepuasan kerja (Y) serta dampaknya terhdap Kinerja (Z) 

Berdasarkan gambar diatas maka akan dilakukan pengujian hipotesis sebgai berikut:

 Pengaruh X1 dan X2 terhadap Y

 Pengaruh X1, X2 dan Y terhadap Z
 Pengaruh X1 dan X2 melalui Y terhadap Z

Di bawah ini merupakan tabulasi data penelitian yang akan digunakan :

15
Langkah-langkah pengerjaan dengan menggunakan SPSS

 Buka SPSS, masuk ke variable view, isikan seperti pada gambar di bawah ini:

 Selanjutnya klik data view, lalu masukan data yang sudah di sediakan di lampiran.
Setelah data dimasukan selanjutnya klik Analyzed >> Regression >> Linear. 

16
 Selanjutnya akan muncul kotak dialog Linear Regression. Lalu masukan Variabel Y
(Kepuasan Kerja) ke kotak dependen, Variabel X1 dan X2 (Gaya Kepemimpinan dan
Intensif) ke kotak Independen (s).

 Selanjutnya klik OK maka akan muncul output SPSS. (Selanjutnya output ini akan diberi
nama Model Regresi I

17
Note : Banyak table hasil output SPSS namun hanya dua table di atas yang digunakan.

 Selanjutnya akan dibuat Model Regresi II. Masih seperti cara diatas klik menu Analyzed
>> Regression >> Linear. Saat muncul dialog Linear Regression, klik tombol reset (untuk
mengeluarkan semua variael sebelumnya). Selanjutnya masukan vaeiabel X1, X2 dan Y
ke kotak Independent (s) dan variabel Z ke kotak Dependent.

Selanjutnya klik OK maka akan muncul output SPSS. (Selanjutnya output ini akan diberi nama
Model Regresi II

18
Cara Membaca Hasil Output SPSS Analisa Jalur

Agar lebih mudah difahami, di sini akan dibagi dua tahap pembahasan

 Tahap menghitung koefisien jalur.

 Tahap uji hipotesis dan membuat kesimpulan.

MENGHITUNG KOEFISIEN JALUR

Di sini akan menghitung koefisien Jalur Model I dan koefisien Jalur Model II. Berikut penjelasan
yang akan disampaikan

Koefisien Jalur Model I : Berdasarkan hasil output regresi model I, pada table coefficient dapat
diketahui bahwa nilai signifikasi kedua variabel yaitu X1 = 0,000 dan X2 = 0,000. Hasi kedua
signifikansi kedua variabel adalah lebih kecil dari 0,05. Hasil ini memberikan kesimpulan bahwa
pada Regresi Model 1, variabel X1 dan X2 berpengaruh signifikan terhadap Y. Selanjutnya nilai
R Square yang didapat pada table Model Summary adalah sebesar 0,407. Hal ini menunjukan
bahwa kontribusi atau sumbangan pengaruh X1 dan X2 terhadap Y adalah sebesar 40,7% sisanya
dipengaruhi oleh variabel-variabel lain yang tidak dimasukan kedalam penelitian. Sementara
untuk nilai e1 dapat dicari dengan rumus √(1-0,407) sehingga e1 = 0,7701. Dengan demikian
diperoleh diagram struktur 1 sebagai berikut :

19
Koefisien Jalur Model II : Berdasarkan hasil output regresi model I, pada table coefficient
dapat diketahui bahwa nilai signifikasi ketiga variabel yaitu X1 = 0,026, X2 = 0,043 dan Y =
0,000. Hasil signifikansi ketiga variabel adalah lebih kecil dari 0,05. Hasil ini memberikan
kesimpulan bahwa pada Regresi Model II, variabel X1, X2 dan Y berpengaruh signifikan
terhadap Z. Selanjutnya nilai R Square yang didapat pada table Model Summary adalah sebesar
0,645. Hal ini menunjukan bahwa kontribusi atau sumbangan pengaruh X1, X2 dan Y terhadap Z
adalah sebesar 64,5% sisanya dipengaruhi oleh variabel-variabel lain yang tidak dimasukan
kedalam penelitian. Sementara untuk nilai e2 dapat dicari dengan rumus √(1-0,645) sehingga e2
= 0,5958. Dengan demikian diperoleh diagram struktur II sebagai berikut:

TAHAP UJI HIPOTESIS DAN PEMBUATAN KESIMPULAN

 Analisis pengaruh X1 terhadap Y: dari hasil analisis diperoleh nilai X1 sebesar 0,000 <
0,05. Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan
variabel X1 terhadap Y.
 Analisis pengaruh X2 terhadap Y: dari hasil analisis diperoleh nilai X2 sebesar 0,000 <
0,05. Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan
variabel X2 terhadap Y.
 Analisis pengaruh X1 terhadap Z: dari hasil analisis diperoleh nilai X1 sebesar 0,026 <
0,05. Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan
variabel X1 terhadap Z.

20
  Analisis pengaruh X2 terhadap Z: dari hasil analisis diperoleh nilai X2 sebesar 0,043 <
0,05. Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan
variabel X2 terhadap Z.
 Analisis pengaruh Y terhadap Z: dari hasil analisis diperoleh nilai Y sebesar 0,000 <
0,05. Sehingga dapat disimpulkan bahwa secara langsung terdapat pengaruh signifikan
variabel Y terhadap Z.
 Analisis pengaruh X1 melalui Y terhadap Z: diketahui pengaruh langsung yang diberikan
X1 terhadap Z sebesar 0,156. Sedangkan pengaruh tidak langsung X1 melalui Y terhadap
Z adalah perkalian antara nilai beta X1 terhadap Y dengan nilai beta Y terhadap Z yaitu:
0,336 x 0,612 = 0,206. Maka pengaruh total yang diberikan X1 terhadap Z adalah
pengaruh langsung ditambah dengan pengaruh tidak langsung 0,156 + 0,206 = 0,362.
Berdasarkan hasil perhitungan diketahui bahwa pengaruh langsung sebesar 0,156 dan
pengaruh tidak langsung sebesar 0,206. Pengaruh tidak langsung > nilai pengaruh
langsung. Hal ini menunjukan bahwa secara tidak langsung X1 melalui Y mempunyai
pengaruh signifikan terhadap Z.
 Analisis pengaruh X2 melalui Y terhadap Z: diketahui pengaruh langsung yang diberikan
X2 terhadap Z sebesar 0,146. Sedangkan pengaruh tidak langsung X2 melalui Y terhadap
Z adalah perkalian antara nilai beta X2 terhadap Y dengan nilai beta Y terhadap Z yaitu:
0,403 x 0,612 = 0,247. Maka pengaruh total yang diberikan X2 terhadap Z adalah
pengaruh langsung ditambah dengan pengaruh tidak langsung 0,146 + 0,247 = 0,393.
Berdasarkan hasil perhitungan diketahui bahwa pengaruh langsung sebesar 0,146 dan
pengaruh tidak langsung sebesar 0,247. Pengaruh tidak langsung > nilai pengaruh
langsung. Hal ini menunjukan bahwa secara tidak langsung X1 melalui Y mempunyai
pengaruh signifikan terhadap Z.

Dari pembahasan diatas maka dapat disimpulkan bahwa hipotesis yang berbunyi “ada
pengaruh gaya kepemimpinan dan intensif terhadap kepuasan kerja seta dampaknya terhadap
kinerja” dapat diterima.

Analisis jalur dikenal dengan path analysis dikembangkan pertama tahun 1920-an oleh
seorang ahli genetika yaitu Sewall Wright. Analisis jalur sebenarnya sebuah teknik yang
merupakan pengembangan korelasi yang diurai menjadi beberapa interpretasi akibat yang
ditimbulkannya. Teknik ini juga dikenal sebagai model sebab-akibat (causing modeling).
Definisi analisis jalur, di antaranya: “Analisis jalur ialah suatu teknik untuk menganalisis
hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi
variabel tergantungnya tidak hanya secara langsung, tetapi juga secara tidak langsung” (Robert
D. Rutherford, 1993). Definisi lain mengatakan “Analisis jalur merupakan pengembangan
langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan

21
(magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat
variabel”

Model analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan
tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel bebas
(eksogen) terhadap variabel terikat (endogen). Model analisis jalur yang dibicarakan adalah pola
hubungan sebab akibat. Oleh karena itu rumusan masalah penelitian dalam kerangka analisis
jalur hanya berkisar pada variabel bebas (X1, X2, …, Xk) berpengaruh terhadap variabel terikat
Y, atau berapa besar pengaruh kausal langsung, kausal tidak langsung kausal total maupun
simultan seperangkat variabel bebas (X1, X2, …, Xk) terhadap variabel terikat Y.

Asumsi-asumsi Analisis Jalur

Sebelum melakukan analisis, ada beberapa prinsip dasar atau asumsi yang mendasari analisis
jalur, yaitu:

1. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif, dan
bersifat normal.

2. Hanya sistem aliran kausal ke satu arah artinya tidak ada arah kausalitas yang berbalik.

3. Variabel terikat (endogen) minimal dalam skala ukur interval dan ratio

4. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk

memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota
sampel.

5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel)
artinya variabel yang diteliti dapat diobservasi secara langsung.

6. Model yang dianalisis dispesifikasikan (diidentifikasi) dengan benar berdasarkan teori-

teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun
berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar
variabel yang diteliti

Manfaat Analisis Jalur

Manfaat model analisis jalur di antaranya adalah:

1. Untuk penjelasan terhadap fenomena yang dipelajari atau permasalahan yang diteliti.

22
 2. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi
dengan analisis jalur ini bersifat kualitatif.

3. Faktor dominan terhadap variabel terikat (Y) dapat digunakan untuk menelusuri
mekanisme pengaruh variabel bebas (X) terhadap variabel (Y)

4. Pengujian model mengggunakan teori trimming baik untuk uji reliabilitas konsep yang
sudah ada ataupun uji pengembangan konsep baru

Koefisien jalur adalah koefisien regresi standar atau disebut „beta‟ yang menunjukkan
pengaruh langsung dari suatu variabel bebas terhadap variabel terikat dalam suatu model jalur
tertentu. Oleh karena itu, jika suatu model mempunyai dua atau lebih variabel-variabel
penyebab, maka koefisien-koefisien jalurnya merupakan koefisien-koefisien regresi parsial yang
mengukur 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

Jenis pengaruh dalam analisis jalur yaitu Direct Effect (DE) dan Indirect Effect (IE).
Direct Effect (DE) adalah pengaruh langsung yang dapat dilihat dari koefisien dari satu variabel
ke variabel lainnya, dan Indirect Effect (IE) adalah urutan jalur melalui satu atau lebih variabel
perantara.

Model Analisis Jalur

Sebelum menghitung koefisien jalur yang didasarkan pada koefisien regresi, diagram jalur
terlebih dahulu dibuatkan dengan lengkap. Adapun model diagramjalur dan persamaan struktural
yang paling sederhana sampai dengan yang lebih rumit di antaranya:

 Model Regresi Berganda

Model ini merupakan pengembangan regresi berganda dengan menggunakan dua

variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y. Model

digambarkan sebagai berikut:

23
 Model Mediasi

Model mediasi atau perantara di mana variabel Y memodifikasi pengaruh variabel

X terhadap variabel Z. Model digambarkan sebagai berikut:

 Model Kombinasi
Model ini merupakan kombinasi model regresi berganda dan model mediasi,
yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan secara tidak
langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan
sebagai berikut:

 Model keempat ini merupakan model yang lebih kompleks,

yaitu variabel secara langsung mempengaruhi dan
melalui variabel secara tidak langsung mempengaruhi ,
sementara variabel juga dippengaruhi oleh variabel .
Model digambarkan sebagai berikut

24
 Model Rekursif dan Non Rekursif
Dari sisi pandang arah sebab akibat, ada dua tipe model jalur,
yaitu rekursif dan non rekursif. Model rekursif ialah jika
semua anak panah menuju satu arah seperti pada gambar

Model tersebut dapat diterangkan sebagai berikut :

a) 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.
b) Hanya terdapat satu variabel exogenus, yaitu 1 dan tiga variabel endogenus, yaitu 2, 3,
dan 4. Masing-masing variable endogenus diterangkan oleh variabel 1 dan error (e2, e3,
dan e4).
Satu variabel endogenus dapat menjadi penyebab variable endogenus lainnya, tetapi bukan
ke variabel exogenus. Model non recursif terjadi jika arah anak panah tidak searah atau
terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2 atau
bersifat sebab akibat (reciprocal cause).
Pada bagian berikut untuk mempermudah kita dalam memahami analisis jalur, maka kita
bisa menggunakan model model jalur berikut:
• 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.
• Model Persamaan Dua Jalur

25
 Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel tergantung.
• Model Persamaan Tiga jalur
Model ini terdiri dari tiga variabel bebas, salah satu variable bebas menjadi variabel
perantara dan mempunyai dua variable tergantung.
Diagram Jalur dan Persamaan Struktural Pada saat akan melakukan analisis jalur,
disarankan untuk terlebihdahulu menggambarkan secara diagramatik struktur hubungan
kausal antara variabel penyebab dengan variable akibat. Diagram ini disebut diagram jalur
(Path Diagram), dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari
kerangka pikir tertentu

Keuntungan dan Kelemahan Analisis jalur

Keuntungan menggunakan analisis jalur, diantaranya:
 Kemampuan menguji model keseluruhan dan parameter – parameter individual,
 Kemampuan pemodelan beberapa variabel mediator / perantara,
 Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua
kemungkinan hubungan sebab akibat pada semua variabel dalam model,
 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:
 Tidak dapat mengurangi dampak kesalahan pengukuran,
 Analisis jalur hanya mempunyai variable – variabel yang dapat diobservasi secara
langsung,
 Analisis jalur tidak mempunyai indikator – indikator suatu variabel laten,
 Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua
asumsi dalam rumus ini harus diikuti,
 Sebab –akibat dalam model hanya bersifat searah (one direction); tidak boleh bersifat
timbal balik (reciprocal).
Asumsi – Asumsi dan Prinsip - Prinsip Dasar
Beberapa asumsi dan prinsip – prinsip dasar dalam analisis jalur diantaranya ialah:
Linearitas (Linearity). Hubungan antar variabel bersifat linear, artinya jika
digambarkan membentuk garis lurus dari kiri bawah ke kanan atas, seperti gambar di
bawah ini

26
 Ko-linier. Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa variabel
exogenous mempengaruhi satu variabel endogenous; atau sebaliknya satu variabel
exogenous mempengaruhi beberapa variabel endogenous jika ditarik garis lurus akan
membentuk garis-garis yang sama.
• Model Rantai Sebab Akibat: Menunjukkan adanya model sebab akibat dimana urutan
kejadian akhirnya menuju pada variasi dalam variabel dependen / endogenous, seperti
gambar di bawah ini. Dalam gambar dibawah semua urutan kejadian X1, X2, X3, dan X4
menuju ke Y

 Koefesien Beta (β). Merupakan koefesien regresi yang sudah distandarisasi (standardized
regression coefficient) yang menunjukkan jumlah perubahan dalam variabel dependen
endogenous yang dihubungkan dengan perubahan (kenaikan atau penurunan) dalam satu
standar deviasi pada variabel bebas exogenous saat dilakukan pengendalian pengaruh
terhadap variabel-variabel independen lainnya. Koefesien beta disebut juga sebagai bobot
beta (β). Nilai ini yang digunakan sebagai besaran nilai dalam koefesien jalur (p) atau
jumlah pengaruh setiap variabel exogenous terhadap variabel endogenous secara sendiri-
sendiri atau disebut sebagai pengaruh parsial.
 Koefesien Determinasi (R2): Disebut juga sebagai indeks asosiasi. Merupakan nilai yang
menunjukkan berapa besar varian dalam satu variabel yang ditentukan atau diterangkan
oleh satu atau lebih variasbel lain dan berapa besar varian dalam satu variabel tersebut
berhubungan dengan varian dalam variabel lainnya. Dalam statistik bivariat disingkat
sebagai r2 sedang dalam multivariat disingkat sebagai R2. Nilai ini yang digunakan
sebagai besaran nilai untuk mengekspresikan besarnya jumlah pengaruh semua variabel
exogenous terhadap variabel endogenous secara gabungan atau disebut sebagai pengaruh
gabungan.

• Data metrik berskala interval. Semua variabel yang diobservasi mempunyai data berskala
interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah
dengan menggunakan metode suksesive interval (Method of Successive Interval /MSI) terlebih

27
dahulu. Jika data bukan metrik digunakan maka akan mengecilkan nilai koefesien korelasi. Nilai
koefesien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin kecil. Dengan
demikian pemodelan yang dibuat menggunakan analisis jalur tidak akan valid; karena salah satu
indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat nilai R2 yang
mendekati 1. Jika nilai ini semakin mendekati 1; maka model dianggap baik atau sesuai dengan
teori.
Variabel - variabel residual tidak berkorelasi dengan salah satu variabel-variabel dalam model.
Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan
semua variabel endogenous dalam model. Jika dilanggar, maka akan berakibat hasil regresi
menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur.
 Multikoliniearitas yang rendah. Multikolinieritas maksudnya dua atau lebih variabel
bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang
tinggi maka kita akan mendapatkan standard error yang besar dari koefesien beta (b)
yang digunakan untuk menghilangkan varians biasa dalam melakukan analisis korelasi
secara parsial.
 Recursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran
kembali (looping) atau tidak menunjukkan adanya hubungan timbal balik (reciprocal)
 Spesifikasi model benar diperlukan untuk menginterpretasi koefesien-koefesien jalur.
Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari
model. Semua koefesien jalur akan merefleksikan kovarians bersama dengan semua
variabel yang tidak diukur dan tidak akan dapat diinterpretasi secara tepat dalm kaitannya
dengan akibat langsung dan tidak langsung.
 Input korelasi yang sesuai. Artinya jika kita menggunakan matriks korelasi sebagai
masukan, maka korelasi Pearson digunakan untuk dua variabel berskala interval; korelasi
polychoric untuk dua variabel berksala ordinal; tetrachoric untuk dua variabel dikotomi
(berskala nominal); polyserial untuk satu variabel interval dan lainnya ordinal; dan
biserial untuk satu variabel berskala interval dan lainnya nominal.

Terdapat ukuran sampel yang memadai. Pergunakan sample minimal 100 dengan tingkat
kesalahan 10% untuk memperoleh hasil analisis yang signifikan dan lebih akurat. Untuk idealnya
besar sampel sebesar 400 – 1000 (tingkat kesalahan 5%) sebagaimana umumnya persyaratan
dalam teknik analisis multivariat.
Tidak terjadi Multikolinieritas. Multikolinieritas terjadi jika antar variabel bebas (exogenous)
saling berkorelasi sangat tinggi, misalnya mendekati 1
Sampel sama dibutuhkan untuk pengitungan regresi dalam model jalur.
Merancang model sesuai dengan teori yang sudah ada untuk menunjukan adanya hubungan
sebab akibat dalam variabel – variabel yang sedang diteliti. Sebagai contoh: variabel motivasi,
IQ dan kedisplinan mempengaruhi prestasi belajar. Berdasarkan hubungan antar variabel yang
sesuai teori tersebut, kemudian kita membuat model yang dihipotesikan.
28
• Karena penghitungan analisis jalur menggunakan teknik regresi linier; maka asumsi umum
regresi linear sebaiknya diikuti, yaitu:
a.Model regresi harus layak. Kelayakan ini diketahui jika angka signifikansi pada ANOVA
sebesar < 0.05
b. Predictor yang digunakan sebagai variable bebas harus layak. Kelayakan ini diketahui jika
angka Standard Error of Estimate < Standard Deviation
c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi
signifikan jika T hitung > T table (nilai kritis)
d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi
antar variable bebas.
e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Dubin dan Watson sebesar < 1 dan> 3

Persyaratan dan Tahapan dalam Menggunakan Analisis Jalur

Persyaratan mutlak yang harus dipenuhi saat kita akan menggunakan analisis jalur disamping apa
yang sudah dibahas secara detil di bab 5, sebaiknya beberapa persyaratan ini tidak boleh
dilanggar:
• Data metrik berskala interval
• Terdapat variabel independen exogenous dan dependen endogenous untuk model regresi
berganda dan variabel perantara untuk model mediasi dan model gabungan mediasi dan regresi
berganda serta model kompleks.
• Ukuran sampel yang memadai, sebaiknya di atas 100 dan idealnya 400 - 1000
• Pola hubungan antar variabel: pola hubungan antar variabel hanya satu arah tidak boleh
ada hubungan timbal balik (reciprocal)
• Hubungan sebab akibat didasarkan pada teori yang sudah ada dengan asumsi sebelumnya
menyatakan bahwa memang terdapat hubungan sebab akibat dalam variabel-variabel yang
sedang kita teliti. Pertimbangkan hal-hal yang sudah dibahas dalam asumsi dan prinsip-prinsip
dasar di bab sebelumnya.
Tahapan dalam Menggunakan Analisis Jalur
1. Merancang model didasarkan pada teori. Sebagai contoh kita akan melihat
pengaruh variabel kualitas produk, harga dan pelayanan terhadap tingkat
kepuasan pelanggan. Berangkat dari teori yang ada kemudian kita membuat
model yang dihipotesiskan

29
 2. Model yang dihipotesiskan: Pada bagian ini kita membuat hipotesis yang menyatakan,
misalnya:
H0: Variabel variabel kualitas produk, harga dan pelayanan tidak berpengaruh terhadap tingkat
kepuasan pelanggan baik secara gabungan maupun parsial.
H1: Variabel variabel kualitas produk, harga dan pelayanan berpengaruh terhadap tingkat
kepuasan pelanggan baik secara gabungan maupun parsial.
3. Menentukan model diagram jalurnya didasarkan pada variabel – variabel yang dikaji.

4. Membuat diagram jalur: kemudian kita membuat diagram jalur seperti di bawah ini:

Dimana:

30
 • X1 sebagai variabel independen exogenous kualitas produk
• X2 sebagai variabel independen exogenous harga
• X3 sebagai variabel independen exogenous layanan
• Y sebagai variabel dependen endogenous tingkat kepuasan

5. Membuat persamaan struktural.

Diagram jalur di atas persamaan strukturalnya ialah: Y = PYX1 + PYX2 + PYX3 + e1
6. Melakukan prosedur analisis jalur dengan SPSS: Bagian ini akan dibahas di bab-bab
contoh aplikasi selanjutnya
7. Menghitung nilai: Bagian ini akan dibahas di bab-bab contoh aplikasi selanjutnya
a. Pengaruh gabungan
b. Pengaruh parsial
c. Pengaruh langsung
d. Pengaruh tidak langsung
e. Pengaruh total
f. Pengaruh faktor lain
g. Korelasi
8. Uji validitas hasil analisis: Bagian ini akan dibahas di bab-bab contoh aplikasi
selanjutnya
a. Dengan menggunakan nilai sig pada ANOVA untuk melihat model keseluruhan
yang benar dan pengaruh gabungan.
b. Dengan menggunakan uji t untuk pengaruh parsial

Kasus Melihat Besarnya Pengaruh Langsung Dan Tidak Langsung Variabel A,B,C Terhadap
Variabel E dengan Variabel D Sebagai Variabel Perantara

Misalnya kita memiliki variabel bebas A,B dan C yang akan kita lihat berapa besar
pengaruhnya masing-masing terhadap variabel terikat E. Nah, dalam hal ini kita menggunakan
variabel perantara, katakanlah D. Mengapa pakai perantara? Ini adalah kasus bilamana nanti

31
kita dihadapkan pada keadaan dimana beberapa variabel bebas tidak hanya secara langsung
memengaruhi variabel terikat tetapi bisa juga melalui/diperantarai oleh variabel lain.

Ada lagi kasus dimana variabel bebas tidak punya pengaruh langsung tetapi hanya memiliki
variabel tidak langsung saja. Jadi, kalau yang mau pakai analisis jalur, saya sangat sangat
menyarankan gali dan dalami dulu teori tentang variabel yang mau sobat pakai agar tahu
apakah variabel bebas itu bisa langsung memengaruhi variabel terikat atau hanya bisa
memberikan pengaruh tidak langsung. Kita lihat kembali ilustrasi di atas

Disini kita akan susun dua buah persamaan sub strukturalnya:

Pertama: Variabel A, B, dan C secara langsung memengaruhi variabel D sehingga nanti dalam
pengerjaan dengan SPSS, kita regresikan saja variabel bebas A,B dan C dengan variabel D.
Persamaan sub strukturalnya menjadi seperti ini:

D = ρ DA + ρ DB + ρ DC + Є1

Kedua: Variabel A,C dan D secara langsung memengaruhi variabel E sedangkan variabel B
tidak (perhatikan tanda panah dalam ilustrasi) sehingga dengan demikian kita bentuk
persamaan sub strukturalnya seperti ini:

E = ρ EA + ρ EC + ρ ED + Є2

uji asumsi seperti dalam analisis regresi tetap dibutuhkan. Untuk uji asumsi tidak saya bahas
disini karena sudah ada lengkap dalam postingan lawas dan data yang kita gunakan interval
atau rasio. Berikut data viewnya pada SPSS:

32
Langkah awal, regresikan variabel A,B dan C terhadap variabel D, caranya klik Analyze,
Regression, Linier dan masukkan variabel A,B dan C ke dalam bagian Independent sedangkan
variabel D ke dalam bagian Dependent.

Berikut output yang dihasilkan:

33
Secara simultan variabel A,B dan C memiliki kontribusi sebesar 73,1 persen dalam menjelaskan
perubahan yang terjadi pada variabel D sedangkan sisanya sebesar 16,9 persen dijelaskan oleh
variabel lain di luar model.
Pada bagian Anova (uji F) terlihat bahwa secara simultan variabel-variabel bebas memiliki
pengaruh yang signifikan terhadap variabel D yang ditunjukkan dari nilai Sig. 0,000 < Alpha 5%
(tolak hipotesis nol dan terima hipotesis alternatif atau uji statistik F sudah signifikan).
Pada Coefficients, uji t/parsial terlihat bahwa variabel B dan C secara statistik memiliki pengaruh
yang signifikan terhadap variabel D yang ditunjukkan oleh nilai Sig masing-masing lebih kecil
dari Alpha 5% yaitu 0,048 dan 0,000. Variabel A secara statistik tidak signifikan memengaruhi
variabel D yang terlihat dari nilai Sig. sebesar 0,615 > Alpha 5% sehingga untuk variabel A, kita
eliminasi dari model.
Persamaan strukturalnya menjadi seperti berikut (pakai yang Standardized Beta) ..
D= 0,320B + 0,640C + Є1
Dari tanda nilai koefisien (+), variabel B dan C memiliki pengaruh yang positif terhadap variabel
D.
Interpretasi variabel B: Peningkatan sebesar 1 satuan variabel B akan meningkatkan variabel D
sebesar 0,320 satuan dengan asumsi variabel bebas lain dianggap konstan.

34
Interpretasi variabel C: Peningkatan sebesar 1 satuan variabel C akan meningkatkan variabel D
sebesar 0,640 satuan dengan asumsi variabel bebas lain dianggap konstan.
Selanjutnya, kita masuk ke sub struktural kedua. Regresikan variabel A,C,D terhadap variabel E.
Caranya sama dengan yang di atas.. Nanti, hasilnya seperti berikut:

Hasilnya ternyata variabel A,C dan D hanya mampu menjelaskan keragaman pada variabel
E sebesar 34,4 persen sedangkan sisanya 65,6 persen dijelaskan oleh variabel lain di luar model.
kalo uji simultannya masih lolos atau masih signifikan, terlihat dari nilai Sig sebesar 0,011 <
0,05. Pada uji parsialnya, ternyata hanya variabel D yang secara signifikan memengaruhi
variabel E secara statistik (Nilai Sig sebesar 0,005 < Alpha 5%). Model strukturalnya sebagai
berikut:
E= 0,868D + Є2

35
Untuk variabel A ternyata tidak memiliki pengaruh langsung terhadap variabel E secara statistik
karena saat pengujian variabel A tidak signifikan memengaruhi variabel E. Untuk pengaruh tidak
langsung variabel A juga tidak dihitung karena saat pengujian sub struktural pertama
(menjadikan D sebagai variabel dependen), terlihat bahwa variabel A juga tidak signifikan
sehingga variabel A kita eliminasi dari model.
Pengaruh tidak langsung variabel B terhadap variabel E yang melalui variabel D adalah sebesar
0,320 x 0,868 = 0,27776 atau 0,28. Untuk pengaruh langsung memang sesuai dengan ilustrasi
awal (kalau dalam penelitian asli harus dilandaskan pada teori yang ada yaaa hehehe), variabel B
ini tidak punya tanda panah langsung ke E alias variabel B hanya punya pengaruh tidak langsung
saja ke E yaitu melalui variabel perantara D. untuk pangaruh langsungnya, kita lihat dari uji sub
struktural kedua dimana kita menempatkan variabel E sebagai dependen. Yang signifikan
memengaruhi variabel E dari antara variabel bebas A,C,D itu hanya variabel D saja

Untuk variabel C, kita hitung bahwa pengaruh tidak langsungnya adalah 0,640 x 0,868 = 0,5552
atau 0,56.
contoh kasus yang akan kami paparkan :
Menghitung koefisien jalur yang didasarkan pada koefisien regresi
Diagram jalur lengkap.

36
a. Persamaan Pertama (Pengaruh Tidak Langsung)

Berikut ini akan dibahas mengenai analisis jalur berkaitan dengan variabel (X1), (X2), dan (X3)
secara simultan terhadap (X4).
Contoh kasus misalnya kita sudah mempunyai hasil data tabulasi jumlah total masing-masing
variabel dalam hal ini variabel X1, X2, X3, X4 dan Y, berikut tabel yang telah di olah pada lembar
kerja SPSS.

Untuk melakukan uji path analisis tidak langsung dalam hal ini variabel X1, X2, X3 ke X4
(pengaruh tidak langsung melalui X4 tehadap Y) langkahnya pilih menu Analyze > Regression
> Linear seperti pada gambar berikut

37
Langkah selanjutnya akan tampil gambar sebagai berikut

Pindahkan variabel X4 ke bagian Dependent dan variabel X1, X2 dan X3 ke bagian Independent(s),
kemudian pilih tombol Statistics dan akan tampil sebagai berikut :

38
Kita lakukan ceklis pada R squared change kemudian klik tombol Continue dan klik tombol OK, maka
akan tampil output sebagai berikut :

Terlihat bahwa pada kolom Sig. pada table ANOVA nilai Sig. adalah sebesar 0.000 atau lebih kecil dari
nilai probabilitas 0.05 (sig 0.000 < 0.050), maka Ho ditolak dan Ha diterima. Artinya koefisien regresi
ganda adalah signifikan. Jadi variabel X1, X2 dan X3 berpengaruh secara simultan dan signifikan
terhadap X4.

39
Secara simultan variabel X1, X2 dan X3 memiliki kontribusi sebesar 86,3 % (lihat nilai R square pada tabel
Model Summary) dalam menjelaskan perubahan yang terjadi pada variabel X4 sedangkan sisanya
sebesar 13,7 persen dijelaskan oleh variabel lain di luar model.

Pada bagian Anova (uji F) terlihat bahwa secara simultan variabel-variabel bebas memiliki pengaruh
yang signifikan terhadap variabel X4 yang ditunjukkan dari nilai Sig. 0,000 < Alpha 5% (tolak hipotesis nol
dan terima hipotesis alternatif atau uji statistik F sudah signifikan).

Pada tabel coefficients variabel (X1), (X2), (X3) secara simultan terhadap (X4) dimaksudkan untuk
menguji signifikansi konstanta dan variabel dependen.

Hipotesis:

Ha = Variabel X1, X2 dan X3 berpengaruh secara simultan dan signifikan terhadap X4

Pada koefisien, uji t/parsial terlihat bahwa variabel X1, X2 dan X3 secara statistik memiliki pengaruh
yang signifikan terhadap variabel X4 yang ditunjukkan oleh nilai Sig masing-masing lebih kecil dari Alpha
5% yaitu 0,030, 0,000 dan 0,000.

Persamaan strukturalnya menjadi seperti berikut :

X4 = a + b1X1 + b2X2 + b3X3

= -2,462 + 0,079 X1 + 0,220 X2 + 0,447 X3

B. Persamaan Kedua (Pengaruh Langsung)

Berikut ini akan dibahas mengenai analisis jalur berkaitan dengan variabel (X1), (X3), dan (X4) secara
simultan terhadap (Y).

Masih dengan pengolahan data tabulasi yang sebelumnya namun disini kita memasukan variabel yang
berbeda sesuai dengan data yang diatas, berikut langkahnya.

40
Kita pilih menu Analyze > Regression > Linear kemudian akan tampil seperti berikut

Pindahkan variabel Y ke bagian Dependent dan variabel X1, X3 dan X4 ke bagian Independent(s),
kemudian pilih tombol Statistics dan akan tampil sebagai berikut :

41
Setelah itu kita klik tombol Continue dan klik tombol OK maka akan tampil output sebagai berikut :

Terlihat bahwa pada kolom Sig. pada table ANOVA nilai Sig. adalah sebesar 0.000 atau lebih kecil dari
nilai probabilitas 0.05 (sig 0.000 < 0.050), maka Ho ditolak dan Ha diterima. Artinya koefisien regresi
ganda adalah signifikan. Jadi variabel X1, X3 dan X4 berpengaruh secara simultan dan signifikan
terhadap variabel Y.

Secara simultan variabel X1, X3 dan X4 memiliki kontribusi sebesar 90,44 % dalam menjelaskan
perubahan yang terjadi pada variabel Y sedangkan sisanya sebesar 9,56 % dijelaskan oleh variabel lain di
luar model.

42
Pada bagian Anova (uji F) terlihat bahwa secara simultan variabel-variabel bebas memiliki pengaruh
yang signifikan terhadap variabel Y yang ditunjukkan dari nilai Sig. 0,000 < Alpha 5% (tolak hipotesis nol
dan terima hipotesis alternatif atau uji statistik F sudah signifikan).

Pada Tabel coefficients variabel (X1), (X3) dan (X4) secara simultan terhadap (Y) dimaksudkan untuk
menguji signifikansi konstanta dan variabel dependen.

Hipotesis:

Ha = Variabel X1, X2, X3 dan X4 berpengaruh secara simultan dan signifikan terhadap Y

Pada koefisien, uji t/parsial terlihat bahwa variabel X1, X2, X3 dan X4 secara statistik memiliki pengaruh
yang signifikan terhadap variabel Y yang ditunjukkan oleh nilai Sig masing-masing lebih kecil dari Alpha
5% yaitu 0,000, 0,000, 0,010 dan 0.000.

Persamaan strukturalnya menjadi seperti berikut :

Y = a + b1X1 + b3X3 + b4X4

= 3,952 + 0,227 X1 + 1,034 X2 + 0,307 X3 + 0,492 X4

Dari pembahasan diatas, Hasilnya ternyata variabel X1, X2, X3 dan X4 mampu menjelaskan keragaman
pada variabel Y sebesar 90,44 % sedangkan sisanya 9,56 % persen dijelaskan oleh variabel lain di luar
model. Terlihat dari nilai Sig sebesar 0,000 < 0,05. Pada uji parsialnya, ternyata variabel X1, X2, X3 dan
X4 yang secara signifikan memengaruhi variabel Y secara statistik (Nilai Sig sebesar 0,005 < Alpha 5%).

Dari perhitungan diatas yang signifikan mempengaruhi variabel Y adalah variabel X1, X2, X3, dan X4.

43
Pengujian signifikan atau tidak pengaruh mediasi dapat diuji dengan sobel test sebagai berikut :

Hasil output SPSS memberikan nilai standardized beta pada persamaan (1) untuk (X1) 0,079 dengan nilai
signifikan 0,030 (X2) 0,220 dengan nilai signifikan 0,000 dan (X3) 0,447 dengan nilai signifikan 0,000 yang
berarti X1, X2 dan X3 mempengaruhi X4.

Pada output SPSS persamaan regresi (2) nilai unstandardized untuk (X1) 0,227, (X2) 1,034, (X3) 0,307
dan (X4) 0,492 semuanya signifikan. Nilai unstandardized beta X1 0,227 merupakan nilai jalur P1 dan
nilai unstandardized X2 1,034 merupakan nilai jalur P3 nilai unstandardized X3 0,307 merupakan nilai
jalur P5 dan nilai unstandardized X4 0,492 merupakan nilai jalur P7. Besarnya nilai e1 = √(1-0,863)=
0,370 dan besarnya nilai e2 = √(1-0,904)=0,309

44