DOSEN:
ELISABETH SIAHAAN, SE.,M.Ec
KELOMPOK 14 :
ALFIAN FERNANDES 140502167
VINCENT WIRATAMA 160502134
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).
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.
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
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.
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.
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).
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 langsung dan tidak langsung kompensasi, dan budaya terhadap kinerja
Desain Diagram
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
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
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 : 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:
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
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:
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.
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
5. Variabel observasi diukur tanpa kesalahan (instrumen pengukuran valid dan reliabel)
artinya variabel yang diteliti dapat diobservasi secara langsung.
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.
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:
23
Model Mediasi
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:
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
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
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
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
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
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.
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:
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.
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.
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