Analisis Jalur
Analisis Jalur
ANALISIS JALUR
(PATH
ANALYSIS)
Sejarah
• 1920 : Sewall (ahli genetika)
• 1966 : Otis D. Ducan (sosiolog)
• 1970 : Karl G. Joreskog & Dag Sorbon (ahli
statistika)
Linear
Regresi
Nonlinear
nonkausal
Korelasi
Analisis
Asosiatif
Kausal
SEM
PENGERTIAN HUBUNGAN KAUSAL
• Hubungan kausal yg dibangun dari korelasi atau
kovarians dlm analisis jalur tidaklah didasarkan pada
data melainkan pd subtansi keilmuwan (pengetahuan,
teori, pengalaman, dan analisis logis). Jadi kerangka pikir
yg diturunkan dari teori yg menunjukan hubungan
kausal.
• Fungsi data adl mendukung atau tdk mendukung model
teoretis (hipotetis) yg dibangun peneliti. Sangat mungkin
terjadi bahwa utk data yg sama dpt cocok/konsisten dgn
lebih dari satu model. Penentuan model mana yg tepat
tidak didasarkan pada data tetapi pada pertimbangan
teoretis yang dibangun peneliti ataupun pertimbangan
yg melibatkan pakar bidang tertentu (Professional
Judgment).
PENGERTIAN (1)
– Analisis jalur merupakan teknik statistik yang
digunakan untuk menguji hubungan kausal antara dua
atau lebih variabel
– Pengaruh variabel bebas terhadap variabel terikat
dalam analisis jalur dapat berupa pengaruh langsung
maupun tak langsung.
– Pengaruh tidak langsung suatu variabel bebas
terhadap variabel terikat adalah melalui variabel lain
yang disebut variabel antara (intervening variabel).
– Contoh: pengaruh variabel insentif (X1) terhadap
kinerja pegawai (Y) bukan hanya secara langsung
tetapi juga secara tidak langsung melalui variabel
motivasi kerja (X2).
Lanjutan
–Dalam analisis jalur dikenal istilah
variabel eksogen dan variabel
endogen. Variabel eksogen (variabel
yg mempengaruhi)
–Ingat dalam regresei ada var bebas
dan var tak bebas
Model Regresi dan Model Analisis Jalur
Aspek Model Regresi Model Analisis Jalur
Tujuan Memprediksi nilai Y atas Menganalisis pola
X1, X2, X3 ... hubungan kausal,
pengaruh langsung-tak
langsung
Terminologi Variabel Independen (IV) Var penyebab (eksogen)
& Variabel Dependen & Var akibat (endogen)
(DV)
Rumusan (1) Apakah var X1, X2, (1) Apakah var X1, X2,
Masalah X3,... berpengaruh X3 ... Berpengaruh
thd Y langsung & tak
(2) Berapa besar variasi langsung thd Y
perubahan Y baik (2) Berapa besar
simultan/parsial dpt pengaruh langsung &
dijelaskan oleh X1, tak langsung
Lanjutan
Aspek Model Regresi Model Analisis Jalur
Skala Matriks dlm skala Matriks dalam skala
pengukuran & interval, data mentah interval dalam skor baku
input data
Persyaratan (1) Data Galat taksiran Y Idem dgn regresi: +
analisis atas X berdistribusi (1)Tidak ada arah
normal dan homogen kausalitas yang berbalik
(2) Hubungan IV & DV atau bersifat rekursif
linear (2)Model yang akan diuji
(3) Tdk terjadi memiliki kerangka
multikolineritas antar teoretis yang kuat
IV
(4) Tidak ada
autokorelasi (residual
bersifat independen)
Pengertian
• Model Path Analysis digunakan untuk
menjelaskan pola hubungan antar variabel
dengan tujuan mengetahui pengaruh
langsung maupun tidak langsung dari
seperangkat variabel bebas (eksogen)
terhadap variabel terikat (endogen)
Manfaat
1. Penjelasan fenomena yang dipelajari.
2. Prediksi nilai variabel terikat berdasarkan variabel
bebas (bersifat kualitatif)
3. Faktor determinan : Variabel bebas mana yang
berpengaruh dominan terhadap varibel terikat
4. Pengujian Model : baik konsep yang sudah ada
maupun pengembangan konsep baru
Asumsi-Asumsi
1. Hubungan antar variabel bersifat linier, adaptif,
dan normal.
2. Hubungan kausal satu arah.
3. Variabel terikat berskala interval atau rasio.
4. Menggunakan probability sampling
5. Observed variables diukur dengan valid dan reliable
6. Model dispesifikasikan dengan benar berdasar
teori dan konsep yang relevan
Model Path Analysis
31 31
1 1
r12 3
3
32
2 32 2
2
Correlated 1 31 Independent
21 3
32
1
2
2
Mediated
Contoh
Hipotesis :
Diduga kemampuan berkoordinasi dan
motivasi kerja pegawai berkontribusi secara
simultas dan signifikan terhadap
produktivitas kerja
1
KOORDINASI yx1 y
(X1)
PRODUKTIVITAS
r12 KERJA
(Y)
MOTIVASI KERJA yx2
(X2)
Model Struktural
X1 1
YX1 2
r12 ZX1
r13 YX2
ZY
X2 Y Z
ZX3
r23 YX3
X3
Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+1
Z=PZX1X1+PZX3X3+PZYY+2
Sub Struktur 1
X1 1
r12 YX1
r13 YX2
X2 Y
r23 YX3
X3
Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+1
Z=PZX1X1+PZX3X3+PZYY+2
Sub Struktur 2
X1 1
YX1 2
ZX1
r13
ZY
Y ZX3
Z
YX3
X3
Persamaannya :
Y=PYX1X1+PYX2X2+PYX3X3+1
Z=PZX1X1+PZX3X3+PZYY+2
Contoh
Penelitian : Kontribusi Kemampuan Pegawai dan Motivassi Kerja
Pegawai terhadap Produktivitas Kerja
Kemampuan Motivasi Produktivitas
No.
Pegawai Pegawai Kerja
Resp
X1 X2 Y
1 36 55 64
2 46 45 55
3 47 60 72
4 25 35 50
5 68 64 79
6 69 44 77
7 57 64 78
8 49 65 72
9 58 63 66
10 67 74 82
11 79 84 87
12 52 73 82
Langkah 1 :
Hipotesis & Persamaan Struktural
KOORDINASI yx1 y
(X1)
PRODUKTIVITAS
r12 KERJA
(Y)
MOTIVASI KERJA yx2
(X2)
Langkah 2 :
Hitung koefisien jalur (2)
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1170,257 2 585,129 22,151 ,000a
Residual 237,743 9 26,416
Total 1408,000 11
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
b. Dependent Variable: Produktivitas Kerja (Y)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,912a ,831 ,794 5,140 ,831 22,151 2 9 ,000
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
Langkah 3 :
Hitung koefisien jalur scr simultan
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1170,257 2 585,129 22,151 ,000a
Residual 237,743 9 26,416
Total 1408,000 11
a. Predictors: (Constant), Motivasi Kerja (X2), Kemampuan Pegawai (X1)
b. Dependent Variable: Produktivitas Kerja (Y)
H0 : yx1= yx2=0
Ha : yx1= yx2≠0
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)
H0 : yx1=0
Ha : yx1>0
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27,026 7,069 3,823 ,004
Kemampuan
,379 ,133 ,510 2,845 ,019
Pegawai (X1)
Motivasi Kerja (X2) ,402 ,146 ,495 2,763 ,022
a. Dependent Variable: Produktivitas Kerja (Y)
H0 : yx2=0
Ha : yx2>0
X1 1
X3X1 2
YX1
r12 YX3
X3 Y
X3X2
YX
2
X2
Persamaannya :
X3=x3X1X1+ X3X2X2+ X31
Y= YX1X1+ YX2X2+ YX3X3+ Y2
Sub Struktur 1
X1 1
X3X1
r12
X3
X3X2
X2
Persamaannya :
X3=x3X1X1+ X3X2X2+ X31
Pengujian Sub Struktur 1
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 947,687 2 473,843 26,994 ,000a
Residual 157,980 9 17,553
Total 1105,667 11
a. Predictors: (Constant), Iklim Org (X2), Kepemimpinan (X1)
b. Dependent Variable: Motivasi Kerja (X3) Tidak signifikan
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 11,393 5,731 1,988 ,078
Kepemimpinan (X1) ,244 ,116 ,345 2,101 ,065
Iklim Org (X2) ,439 ,108 ,666 4,062 ,003
a. Dependent Variable: Motivasi Kerja (X3)
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,926a ,857 ,825 4,190 ,857 26,994 2 9 ,000
a. Predictors: (Constant), Iklim Org (X2), Kepemimpinan (X1)
Trimming (X1 dikeluarkan)
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 870,221 1 870,221 36,961 ,000a
Residual 235,446 10 23,545
Total 1105,667 11
a. Predictors: (Constant), Iklim Org (X2)
b. Dependent Variable: Motivasi Kerja (X3)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 18,346 5,418 3,386 ,007
Iklim Org (X2) ,585 ,096 ,887 6,080 ,000
a. Dependent Variable: Motivasi Kerja (X3)
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,887a ,787 ,766 4,852 ,787 36,961 1 10 ,000
a. Predictors: (Constant), Iklim Org (X2)
Sub Struktur 1 (Baru)
X 3 1 1 Ry2. x1. x 2 1 0,787 0,4615
1=0,4615
X3
X =0,887
3X2
X2 Persamaannya :
X3= X3X2X2+ X31
X3=0,887 X2+0,4615 1
Sub Struktur 2
X1
2
YX1
r12 YX3
X3 Y
YX
2
X2
Persamaannya :
Y= YX1X1+ YX2X2+ YX3X3+ Y2
Pengujian Sub Struktur 2
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1866,278 3 622,093 78,511 ,000a
Residual 63,389 8 7,924
Total 1929,667 11
a. Predictors: (Constant), Motivasi Kerja (X3), Kepemimpinan (X1), Iklim Org (X2)
b. Dependent Variable: Prestasi Kerja (Y) Tidak signifikan
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 1,062 4,619 ,230 ,824
Kepemimpinan (X1) ,599 ,095 ,641 6,297 ,000
Iklim Org (X2) -,198 ,122 -,228 -1,620 ,144
Motivasi Kerja (X3) ,777 ,224 ,588 3,470 ,008
a. Dependent Variable: Prestasi Kerja (Y)
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,983a ,967 ,955 2,815 ,967 78,511 3 8 ,000
a. Predictors: (Constant), Motivasi Kerja (X3), Kepemimpinan (X1), Iklim Org (X2)
Trimming (X2 dikeluarkan)
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 1845,476 2 922,738 98,641 ,000a
Residual 84,190 9 9,354
Total 1929,667 11
a. Predictors: (Constant), Motivasi Kerja (X3), Kepemimpinan (X1)
b. Dependent Variable: Prestasi Kerja (Y)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3,514 4,742 ,741 ,478
Kepemimpinan (X1) ,622 ,102 ,666 6,087 ,000
Motivasi Kerja (X3) ,485 ,145 ,367 3,357 ,008
a. Dependent Variable: Prestasi Kerja (Y)
Model Summary
Change Statistics
Adjusted Std. Error of R Square
Model R R Square R Square the Estimate Change F Change df1 df2 Sig. F Change
1 ,978a ,956 ,947 3,059 ,956 98,641 2 9 ,000
a. Predictors: (Constant), Motivasi Kerja (X3), Kepemimpinan (X1)
Sub Struktur 2 (Baru)
Y 2 1 R y2 1 0,956 0,2098
X1
YX1=0,666
2=0,2098
YX3=0,367
X3 Y
Persamaannya :
Y= YX1X1+ YX3X3+ Y2
Y=0,666 X1+0,367 X3+0,2098 2
Struktur (Baru)
X1
YX1=0,666
2=0,2098
1=0,4615
YX3=0,367
X3 Y
X3X2=0,887
M 1 (1 R 2
x3x 2 ).(1 R 2
yx 3 x1 )
M 1 (1 0,787).(1 0,956) 0,991
1 Rm2 1 0,995
Q 0,556
1 M 1 0,991
Goodness of Fit (2)
Whitung = -(N-d) ln Q
Karena Whitung> X2, maka matrik korelasi sampel berbeda dengan matrik
korelasi estimasi. Jadi kedua model tersebut signifikan, sehingga
model yang terbentuk mampu mengeneralisasi
fenomena