H1: Analisis Jalur (Path Analysis) dengan SPSS: Pengaruh Langsung dan Tidak Langsung
Analisis jalur (path analysis) adalah pengembangan analisis regresi untuk menguji model hubungan antarvariabel yang disusun dari teori, termasuk pengaruh langsung dan pengaruh tidak langsung melalui variabel perantara (intervening). Metode ini pertama kali dikembangkan oleh Wright (1934).
Di SPSS, analisis jalur dilakukan dengan menjalankan beberapa regresi secara bertahap, satu untuk setiap variabel yang dipengaruhi. Artikel ini menjelaskan langkahnya, cara menghitung pengaruh langsung dan tidak langsung, serta cara menguji efek tidak langsung dengan contoh lengkap.
Artikel ini bagian dari seri Materi Statistik IDTesis.
Apa Bedanya dengan Regresi Berganda dan SEM?
- Regresi berganda hanya punya satu variabel terikat. Analisis jalur bisa punya beberapa variabel yang dipengaruhi, sehingga bisa menguji variabel intervening.
- SEM juga menguji model jalur, tetapi setiap variabel diukur sebagai variabel laten dari indikatornya. Analisis jalur di SPSS memakai skor total setiap variabel, sehingga kesalahan pengukuran tidak diperhitungkan. Untuk model dengan variabel laten, gunakan SEM PLS atau CB-SEM.
Satu hal penting: analisis jalur menguji apakah data sesuai dengan model sebab-akibat yang disusun dari teori. Analisis ini tidak membuktikan hubungan sebab-akibat dengan sendirinya. Perbedaan hubungan dan sebab-akibat dibahas di artikel regresi vs korelasi.
Langkah Analisis Jalur
1. Susun Diagram Jalur dari Teori
Contoh: Kompensasi (X1) dan Lingkungan Kerja (X2) memengaruhi Kepuasan Kerja (Z), dan ketiganya memengaruhi Kinerja (Y). Kepuasan Kerja menjadi variabel intervening.
2. Tulis Persamaan Struktural
Setiap variabel yang dipengaruhi punya satu persamaan:
- Persamaan 1: Z = p?X1 + p?X2 + e?
- Persamaan 2: Y = p?X1 + p?X2 + p?Z + e?
Koefisien p adalah koefisien jalur, yaitu koefisien regresi terstandar (Beta). Nilai e adalah jalur dari variabel lain di luar model, dihitung dengan rumus e = ?(1 ? R²).
3. Jalankan Regresi untuk Setiap Persamaan
Di SPSS, jalankan Analyze ? Regression ? Linear dua kali: pertama dengan Z sebagai variabel terikat dan X1, X2 sebagai variabel bebas; kedua dengan Y sebagai variabel terikat dan X1, X2, Z sebagai variabel bebas. Ambil nilai pada kolom Standardized Coefficients Beta dan Sig. di tabel Coefficients, serta R Square di tabel Model Summary.
Setiap persamaan adalah regresi biasa, sehingga perlu memenuhi uji asumsi klasik, termasuk uji multikolinearitas ?.
Contoh Analisis Jalur
Data berasal dari 150 karyawan (data ilustrasi). Hasil kedua persamaan:
| Persamaan | Jalur | Beta | Sig. | R² |
|---|---|---|---|---|
| 1 (terikat: Z) | X1 ? Z | 0,561 | < 0,001 | 0,521 |
| X2 ? Z | 0,287 | < 0,001 | ||
| 2 (terikat: Y) | X1 ? Y | 0,255 | 0,003 | 0,451 |
| X2 ? Y | 0,027 | 0,704 | ||
| Z ? Y | 0,459 | < 0,001 |
Nilai e: e? = ?(1 ? 0,521) = 0,692 dan e? = ?(1 ? 0,451) = 0,741.
File: diagram-analisis-jalur.webp · Alt text: Diagram jalur Kompensasi dan Lingkungan Kerja ke Kepuasan Kerja dan Kinerja dengan koefisien terstandar 0,561, 0,287, 0,459, 0,255, dan jalur tidak signifikan 0,027
Menghitung Pengaruh Langsung, Tidak Langsung, dan Total
- Pengaruh langsung adalah koefisien jalur dari X ke Y.
- Pengaruh tidak langsung adalah hasil kali koefisien jalur yang dilewati: X ? Z dikali Z ? Y.
- Pengaruh total adalah jumlah pengaruh langsung dan tidak langsung.
| Variabel | Langsung | Tidak langsung (melalui Z) | Total |
|---|---|---|---|
| Kompensasi (X1) | 0,255 | 0,561 × 0,459 = 0,258 | 0,513 |
| Lingkungan Kerja (X2) | 0,027 | 0,287 × 0,459 = 0,132 | 0,159 |
File: pengaruh-langsung-tidak-langsung-jalur.webp · Alt text: Diagram batang pengaruh langsung dan tidak langsung Kompensasi dan Lingkungan Kerja terhadap Kinerja, dengan total 0,513 dan 0,159
Membandingkan besar pengaruh langsung dan tidak langsung saja belum cukup. Efek tidak langsung juga harus diuji signifikansinya.
Menguji Pengaruh Tidak Langsung
Ada dua cara yang umum:
- Uji Sobel (Sobel, 1982) memakai koefisien tak terstandar dan standard error dari kedua persamaan. Pada contoh, z = 4,50 untuk X1 dan z = 3,46 untuk X2 (keduanya p < 0,001).
- Bootstrapping membuat ribuan sampel ulang dan menghitung efek tidak langsung pada setiap sampel. Efek dinyatakan signifikan jika selang kepercayaan 95% tidak memuat nol. Pada contoh, dengan 5.000 sampel ulang, selang kepercayaan untuk X1 adalah [0,153; 0,366] dan untuk X2 [0,080; 0,259].
Bootstrapping kini lebih dianjurkan karena uji Sobel mengandaikan efek tidak langsung berdistribusi normal, padahal sebarannya sering miring, terutama pada sampel kecil (Preacher & Hayes, 2008). Di SPSS, bootstrapping paling mudah dilakukan dengan makro PROCESS model 4. Penjelasannya ada di artikel uji Sobel dan PROCESS Hayes ?.
Jenis mediasi. Pada contoh, Kepuasan Kerja memediasi pengaruh Kompensasi secara parsial, karena pengaruh langsung dan tidak langsung sama-sama signifikan. Untuk Lingkungan Kerja, mediasinya penuh, karena hanya pengaruh tidak langsung yang signifikan. Zhao dkk. (2010) menyebut keduanya sebagai complementary mediation dan indirect-only mediation.
Koefisien determinasi total. Banyak buku metodologi di Indonesia meminta R² total model jalur: R² total = 1 ? (e?² × e?²) = 1 ? (0,692² × 0,741²) = 0,737. Angka ini adalah ringkasan kemampuan model secara keseluruhan, bukan pengganti R² setiap persamaan.
Menyusun persamaan jalur, menguji efek tidak langsung, dan menuliskannya di Bab 4 sering membingungkan. Jika Anda butuh teman diskusi, tim IDTesis bisa membantu.
Contoh Penulisan Hasil di Bab 4
Analisis jalur menunjukkan bahwa kompensasi (? = 0,561; p < 0,001) dan lingkungan kerja (? = 0,287; p < 0,001) berpengaruh positif terhadap kepuasan kerja (R² = 0,521). Kinerja dipengaruhi secara langsung oleh kompensasi (? = 0,255; p = 0,003) dan kepuasan kerja (? = 0,459; p < 0,001), tetapi tidak oleh lingkungan kerja (? = 0,027; p = 0,704), dengan R² = 0,451. Uji bootstrap 5.000 sampel ulang menunjukkan bahwa kepuasan kerja memediasi pengaruh kompensasi (efek tidak langsung terstandar 0,258; CI 95% tak terstandar [0,153; 0,366]) dan lingkungan kerja (0,132; CI 95% [0,080; 0,259]) terhadap kinerja. Mediasi bersifat parsial untuk kompensasi dan penuh untuk lingkungan kerja.
Angka di atas hanya contoh. Ganti dengan hasil analisis Anda sendiri.
Kesalahan yang Sering Terjadi
- Memakai koefisien B (tak terstandar) di diagram jalur, padahal koefisien jalur adalah Beta.
- Menyimpulkan mediasi hanya dari perbandingan angka pengaruh langsung dan tidak langsung, tanpa uji signifikansi efek tidak langsung.
- Hanya menjalankan satu regresi dengan semua variabel sekaligus, sehingga jalur X ? Z tidak pernah diuji.
- Menyebut hasil analisis jalur sebagai bukti sebab-akibat, padahal data diambil pada satu waktu.
Pertanyaan yang Sering Diajukan
Analisis jalur atau SEM, mana yang dipilih?
Jika setiap variabel diukur dengan banyak butir dan Anda ingin memperhitungkan kesalahan pengukuran, SEM lebih tepat. Jika variabel berupa skor tunggal atau data sekunder, analisis jalur sudah memadai. Contoh variabel intervening dengan SEM ada di artikel variabel intervening SmartPLS, dan perbandingan jenis SEM ada di artikel CB-SEM vs PLS-SEM ?.
Uji Sobel atau bootstrap?
Bootstrap lebih dianjurkan. Jika pembimbing meminta uji Sobel, laporkan keduanya.
Bagaimana jika jalur X ? Z tidak signifikan?
Efek tidak langsung kemungkinan besar juga tidak signifikan. Tetap uji efek tidak langsungnya dengan bootstrap, karena kesimpulan mediasi didasarkan pada efek tidak langsung, bukan pada setiap jalur secara terpisah.
Apakah analisis jalur bisa untuk model dengan hubungan timbal balik?
Regresi bertahap di SPSS hanya cocok untuk model searah (rekursif). Model timbal balik membutuhkan SEM dengan syarat identifikasi tertentu.
Butuh Teman Diskusi untuk Analisis Jalur?
Model Anda punya variabel intervening dan bingung menghitung pengaruh tidak langsungnya? Tim IDTesis bisa menemani Anda menyusun persamaan jalur, menjalankan SPSS dan PROCESS, dan menuliskan hasilnya dengan rapi di Bab 4. Ceritakan dulu model Anda lewat WhatsApp, atau lihat layanan olah data statistik.
Baca juga: Analisis Regresi · Uji Sobel dan PROCESS Hayes ? · Variabel Intervening SmartPLS
Referensi
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.
- Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312.
- Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161–215.
- Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206.
