Pembimbing membaca proposal Anda dan menunjuk satu kalimat: “kompetensi meningkatkan kinerja melalui motivasi”. Lalu ia bertanya, “Kalau begitu, berapa besar pengaruh kompetensi yang lewat motivasi, dan berapa yang langsung?” Anda terdiam. Regresi biasa hanya menjawab satu pertanyaan sekaligus — satu garis, satu Y. Tetapi cerita Anda berantai: kompetensi menggerakkan motivasi, motivasi menggerakkan kinerja, dan kompetensi juga menyentuh kinerja secara langsung.
Untuk memetakan rangkaian sebab-akibat seperti itu — dan memisahkan jalan langsung dari jalan memutar — Anda butuh analisis jalur.
Artikel ini membangun analisis jalur dari nol: apa itu variabel teramati, apa arti koefisien jalur, cara memecah pengaruh menjadi langsung dan tidak langsung, lalu cara menghitung pengaruh tidak langsung dan total dengan tangan.
Intuisi: Dari Satu Garis ke Banyak Garis
Regresi biasa seperti satu pipa: beberapa keran (variabel bebas) mengalir ke satu bak (variabel terikat $Y$). Semua keran masuk langsung ke bak yang sama, dan model berhenti di situ.
Analisis jalur membongkar dinding itu. Sebuah variabel kini boleh menjadi bak sekaligus keran: ia menampung aliran dari variabel di hulu, lalu meneruskannya ke variabel di hilir. Variabel “dua peran” inilah yang membuat model bisa berantai dan bercabang.
Contohnya: motivasi menerima aliran dari kompetensi (motivasi jadi bak), lalu meneruskannya ke kinerja (motivasi jadi keran). Variabel seperti ini disebut variabel antara (intervening), atau mediator kalau perannya memang menjembatani.
Apa Itu Analisis Jalur
Analisis jalur (path analysis) adalah perluasan regresi yang memodelkan beberapa hubungan sebab-akibat sekaligus, digambar sebagai diagram panah. Tiap panah mewakili satu hubungan dugaan, dan tiap variabel bisa menjadi terikat di satu persamaan sekaligus bebas di persamaan lain.
Satu istilah perlu dikunci dulu, karena membedakan analisis jalur dari SEM.
Variabel teramati (observed variable) adalah variabel yang diukur langsung dengan satu angka — misalnya usia (tahun), pendapatan (Rupiah), atau skor total sebuah kuesioner. Lawannya adalah variabel laten: konstruk yang tidak diukur langsung, melainkan disimpulkan dari banyak indikator (misalnya “kepuasan kerja” yang diwakili sepuluh butir pertanyaan). Analisis jalur bekerja hanya dengan variabel teramati — tiap variabel sudah berupa satu angka, biasanya skor total atau rata-rata indikatornya.
Membaca Diagram Jalur
Konvensinya: variabel teramati digambar sebagai persegi (kotak), dan tiap panah berkepala satu menandai dugaan sebab → akibat. Berikut model yang akan kita pakai sepanjang artikel — satu variabel bebas $X$, satu mediator $M$, satu terikat $Y$:
Tiga panah, tiga cerita. Panah $a$ menjawab “seberapa kuat $X$ menggerakkan $M$”. Panah $b$ menjawab “seberapa kuat $M$ menggerakkan $Y$, setelah pengaruh $X$ dikendalikan”. Panah $c'$ menjawab “seberapa kuat sisa pengaruh $X$ yang langsung ke $Y$, tidak lewat $M$”.
(Di artikel ini panah langsung $X \to Y$ kita beri lambang $c'$ — lambang baku untuk efek langsung dalam kerangka mediasi. Pada beberapa buku teks lain panah ini ditulis $p_1$; isinya sama.)
Koefisien Jalur
Setiap panah membawa satu angka: koefisien jalur (path coefficient). Koefisien jalur adalah koefisien regresi terstandar — yang di output SPSS muncul di kolom Beta (standardized coefficient), bukan kolom B.
Kenapa harus yang terstandar? Karena koefisien jalur akan dikalikan dan dijumlahkan antar jalur (Anda akan lihat sebentar lagi). Koefisien B mentah bersatuan asli tiap variabel — mengalikan “Rupiah per poin” dengan “poin per tahun” menghasilkan angka tanpa makna. Versi terstandar membuang satuan: tiap variabel diubah ke skala baku (rata-rata 0, simpangan baku 1), sehingga semua koefisien jalur tanpa satuan dan setara untuk dikalikan maupun dibandingkan.
Membaca satu koefisien jalur: kalau jalur $a$ (X→M) bernilai 0,60, artinya setiap kenaikan 1 simpangan baku pada $X$ menaikkan $M$ sebesar 0,60 simpangan baku, dengan variabel lain tetap. Nilainya berkisar kira-kira dari $-1$ sampai $+1$; makin jauh dari nol, makin kuat jalurnya.
Dekomposisi Pengaruh: Langsung, Tidak Langsung, Total
Inilah jantung analisis jalur: satu variabel bisa memengaruhi variabel lain lewat lebih dari satu jalan, dan kita ingin memisahkan tiap jalan.
Untuk model $X \to M \to Y$ dengan $X$ juga langsung ke $Y$, pengaruh $X$ terhadap $Y$ terpecah menjadi tiga:
Pengaruh langsung — lewat panah $c'$ ($X \to Y$), tanpa mampir ke $M$. Nilainya = koefisien jalur $c'$ itu sendiri.
Pengaruh tidak langsung — lewat rute memutar $X \to M \to Y$. Karena pengaruh harus melewati dua panah berturut-turut, besarnya adalah hasil kali kedua koefisien jalur:
$$\text{Pengaruh tidak langsung} = a \times b$$- $a$ = koefisien jalur $X \to M$ (seberapa banyak $M$ bergerak per satu satuan $X$).
- $b$ = koefisien jalur $M \to Y$ (seberapa banyak $Y$ bergerak per satu satuan $M$).
- Keduanya dikali, bukan dijumlah: kenaikan $X$ menggerakkan $M$ sebesar $a$, dan tiap satuan gerakan $M$ itu menggerakkan $Y$ sebesar $b$ — jadi gerakan $Y$ akibat rute ini adalah $a$ “diteruskan” lewat $b$, yaitu $a \times b$.
Pengaruh total — gabungan kedua jalan, langsung ditambah tidak langsung:
$$\text{Pengaruh total} = c' + (a \times b)$$Di sini langsung dan tidak langsung dijumlah (bukan dikali) karena keduanya jalan yang terpisah menuju $Y$ — total sumbangan $X$ adalah jumlah dari semua jalan yang ia tempuh. Aturan singkat: kalikan sepanjang satu rute, jumlahkan antar rute.
Contoh Hitung dari Nol
Misalkan Anda sudah menjalankan regresi dan membaca kolom Beta. Hasilnya tiga koefisien jalur berikut:
| Jalur | Lambang | Nilai (Beta) |
|---|---|---|
| $X \to Y$ langsung | $c'$ | 0,25 |
| $X \to M$ | $a$ | 0,60 |
| $M \to Y$ | $b$ | 0,40 |
Langkah 1 — pengaruh langsung. Sudah ada, yaitu koefisien $c'$:
$$\text{Langsung} = c' = 0{,}25$$Langkah 2 — pengaruh tidak langsung. Kalikan koefisien sepanjang rute $X \to M \to Y$:
$$\text{Tidak langsung} = a \times b = 0{,}60 \times 0{,}40 = 0{,}24$$Langkah 3 — pengaruh total. Jumlahkan langsung dan tidak langsung:
$$\text{Total} = c' + (a \times b) = 0{,}25 + 0{,}24 = 0{,}49$$Ringkasnya:
| Komponen | Rumus | Hasil |
|---|---|---|
| Pengaruh langsung | $c'$ | 0,25 |
| Pengaruh tidak langsung | $a \times b$ | 0,24 |
| Pengaruh total | $c' + a\times b$ | 0,49 |
Interpretasi
Angka di tabel itu bercerita begini: dari seluruh pengaruh kompetensi ($X$) terhadap kinerja ($Y$) sebesar 0,49, sebesar 0,25 mengalir langsung dan 0,24 mengalir lewat motivasi ($M$).
Bandingkan kedua jalan: pengaruh tidak langsung (0,24) hampir sebesar pengaruh langsung (0,25). Artinya hampir separuh total pengaruh kompetensi ke kinerja sebenarnya berjalan lewat motivasi — secara tepat, $0{,}24 / 0{,}49 \approx 49\%$ pengaruh dimediasi. Motivasi bukan sekadar pelengkap; ia jalur yang nyaris sama pentingnya dengan jalur langsung. Temuan seperti ini yang membuat analisis jalur lebih kaya daripada regresi tunggal: ia tidak cuma memberi tahu apakah $X$ memengaruhi $Y$, tetapi lewat mana pengaruh itu mengalir.
Catatan penting: angka tidak langsung 0,24 baru sebatas dihitung, belum diuji apakah berbeda nyata dari nol. Pengujian signifikansinya memakai Sobel test atau bootstrapping, persis seperti pada uji mediasi.
Cara Mengestimasi Koefisien Jalur
Koefisien jalur tidak dihitung dengan satu rumus sakti, melainkan dengan menjalankan beberapa regresi lalu memetik nilai Beta-nya. Untuk model $X \to M \to Y$:
- Regresi $M$ atas $X$. Beta yang keluar = jalur $a$.
- Regresi $Y$ atas $X$ dan $M$ bersama-sama. Beta untuk $X$ = jalur $c'$ (langsung); Beta untuk $M$ = jalur $b$.
Di SPSS langkah ini dikerjakan bertahap, satu regresi per persamaan. Perangkat lunak khusus seperti AMOS atau SmartPLS mengerjakan semua persamaan sekaligus dari diagram, dan menyajikan koefisien tiap panah langsung di gambar.
Bereksperimen Sendiri
Geser tiap koefisien jalur dan amati bagaimana pengaruh tidak langsung (perkalian) dan total (penjumlahan) ikut berubah. Perhatikan: saat jalur $a$ atau $b$ mengecil mendekati nol, pengaruh tidak langsung ikut runtuh — karena hasil kali apa pun dengan angka mungil tetap mungil.
Analisis Jalur vs SEM
Analisis jalur sering disebut “SEM tanpa variabel laten”. Perbedaan intinya terletak pada apa yang diukur:
| Aspek | Analisis Jalur | SEM (CB-SEM / PLS-SEM) |
|---|---|---|
| Jenis variabel | Hanya teramati (skor total/komposit) | Boleh laten (konstruk dari banyak indikator) |
| Kesalahan pengukuran | Diabaikan (skor dianggap tepat) | Dimodelkan eksplisit |
| Bagian model | Hanya model struktural (antar variabel) | Model pengukuran + struktural |
| Kerumitan | Lebih sederhana | Lebih lengkap |
Pegangan memilih: kalau variabel Anda berupa skor total dan Anda hanya ingin hubungan antar variabel teramati, analisis jalur sudah cukup. Kalau variabel diukur banyak indikator dan Anda ingin memperhitungkan kesalahan pengukuran tiap indikator, naik ke SEM/PLS. Untuk gambaran utuh bentuk diagram SEM dengan konstruk laten dan indikatornya, lihat juga Pengantar SEM.
Trimming Model
Kalau sebuah jalur ternyata tidak signifikan, sebagian peneliti melakukan trimming: menghapus panah itu dari diagram lalu menjalankan ulang model yang lebih ramping. Tujuannya model yang lebih hemat (parsimoni). Lakukan dengan hati-hati dan berlandaskan teori — jangan membuang jalur hanya karena angkanya kebetulan kecil, karena diagram jalur seharusnya mencerminkan hipotesis teoretis, bukan hasil coba-coba. Untuk analisis jalur yang dijalankan di perangkat lunak SEM, kecocokan model keseluruhan dinilai dengan indeks fit (lihat Goodness of Fit).
Excel Pendamping
/excel/analisis-jalur.xlsx berisi: tabel koefisien jalur, perhitungan pengaruh tidak langsung (perkalian jalur) dan total (penjumlahan) dengan rumus terlihat, serta perbandingan kontribusi langsung versus tidak langsung terhadap pengaruh total.
Cek Pemahaman
1. Sebuah model jalur menghasilkan koefisien berikut: $c'$ (X→Y langsung) = 0,10; $a$ (X→M) = 0,50; $b$ (M→Y) = 0,30. Hitung pengaruh tidak langsung dan total $X$ terhadap $Y$.
Lihat jawaban
Pengaruh tidak langsung = $a \times b = 0{,}50 \times 0{,}30 = 0{,}15$. Pengaruh total = $c' + a\times b = 0{,}10 + 0{,}15 = 0{,}25$. Di sini pengaruh tidak langsung (0,15) lebih besar dari pengaruh langsung (0,10) — sebagian besar pengaruh $X$ mengalir lewat $M$.
2. Seorang peneliti melaporkan: jalur $a$ (X→M) = 0,50 dan jalur $b$ (M→Y) = $-0{,}40$, sedangkan jalur langsung $c'$ = $+0{,}30$. Hitung pengaruh total, lalu jelaskan kenapa pengaruh total ($X$ terhadap $Y$) bisa lebih kecil daripada pengaruh langsungnya.
Lihat jawaban
Pengaruh tidak langsung = $a \times b = 0{,}50 \times (-0{,}40) = -0{,}20$. Pengaruh total = $c' + a\times b = 0{,}30 + (-0{,}20) = 0{,}10$.
Pengaruh total (0,10) lebih kecil dari pengaruh langsung (0,30) karena jalur tidak langsungnya negatif. $X$ menaikkan $M$ (jalur $a$ positif), tetapi $M$ justru menurunkan $Y$ (jalur $b$ negatif), sehingga rute memutar itu mengurangi sebagian pengaruh langsung. Pola ini menunjukkan bahwa tanda tiap jalur penting: pengaruh tidak langsung tidak selalu menambah — ia bisa juga menggerus pengaruh langsung.
Kesalahan Umum
Memakai koefisien B, bukan Beta. Koefisien jalur harus terstandar (Beta) agar tanpa satuan, sehingga sah untuk dikalikan dan dibandingkan antar jalur. Mengalikan koefisien B mentah dari dua persamaan menghasilkan angka tak bermakna.
Menjumlah pengaruh tidak langsung yang seharusnya dikali. Pengaruh sepanjang satu rute dihitung dengan mengalikan koefisien jalur di rute itu ($a \times b$), bukan menjumlahkannya. Penjumlahan hanya untuk menggabungkan rute-rute yang terpisah menjadi pengaruh total.
Mengira analisis jalur = SEM penuh. Analisis jalur hanya untuk variabel teramati dan mengabaikan kesalahan pengukuran. Untuk variabel laten dengan banyak indikator, pakai SEM/PLS.
Tidak menguji signifikansi jalur tidak langsung. Hasil kali $a \times b$ baru angka; ia perlu diuji apakah berbeda nyata dari nol (Sobel atau bootstrap), bukan sekadar dihitung lalu dianggap “ada”.
Melupakan uji asumsi. Karena analisis jalur dirakit dari regresi, asumsi klasik regresi (linearitas, normalitas residual, homoskedastisitas, bebas multikolinearitas) tetap berlaku untuk tiap persamaan penyusunnya.
Dipakai di Dunia Nyata
Skripsi dengan variabel intervening. Model berantai seperti kompetensi → motivasi → kinerja, atau kualitas layanan → kepuasan → loyalitas — pola paling lazim di skripsi manajemen dan pemasaran.
Model dengan beberapa variabel terikat. Saat satu variabel berperan sebagai sebab sekaligus akibat, regresi tunggal tidak cukup; analisis jalur merangkai persamaan-persamaannya menjadi satu model utuh.
Pengujian teori sebab-akibat. Dekomposisi langsung–tidak langsung–total memungkinkan peneliti menguji mekanisme: bukan sekadar “apakah $X$ memengaruhi $Y$”, melainkan “lewat jalur mana pengaruh itu bekerja”.
Lanjutan
Sudah paham memecah pengaruh menjadi jalur-jalur? Langkah berikutnya:
- Uji Mediasi — cara menguji signifikansi pengaruh tidak langsung (Sobel, bootstrap) dan membedakan mediasi penuh dari parsial.
- Pengantar SEM (CB-SEM vs PLS-SEM) — saat variabel Anda laten dan butuh model pengukuran.
- SEM-PLS: Inner Model — koefisien jalur di kerangka PLS, lengkap dengan pengujiannya.
Fondasi:
- Regresi Linear Berganda — sumber koefisien jalur (kolom Beta).
- Uji Moderasi (MRA) — kerabat mediasi: bukan “lewat mana” melainkan “kapan pengaruh menguat/melemah”.
Referensi
- Wright, S. (1934). “The method of path coefficients”. The Annals of Mathematical Statistics, 5(3), 161–215.
- Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro.
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage.