P. 1
15_BAB_III

15_BAB_III

|Views: 16|Likes:
Published by Ade Ehsan

More info:

Published by: Ade Ehsan on Jun 28, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as RTF, PDF, TXT or read online from Scribd
See more
See less

11/25/2013

pdf

text

original

Sections

  • Normal P-P Plot
  • Deteksi normalitas yang sering digunakan pada program SPSS adalah
  • X 1 3ε
  • X Y
  • Joreskog (Pedhazur dalam Winarsunu 2002: 308). Model persamaan struktural
  • (Structural Equation Modeling) adalah generasi kedua teknik analisis
  • Pada pengujian asumsi linearitas digunakan program SPSS 16
  • Asumsi ini dapat dilihat dari Scatterplot antara Standardized Residual
  • Gambar 3.11 Grafik Scatterplot substruktur-1
  • Dengan menggunakan program LISREL versi 8.50 diperoleh diagram jalur
  • Gambar 3.13 Diagram jalur model teoritis dengan LISREL versi 8.50
  • Dengan menggunakan program LISREL diperoleh diagram jalur yang
  • Dengan menggunakan LISREL diperoleh diagram jalur yang
  • Gambar 3.17 Diagram jalur substruktur-2 dengan LISREL versi 8.50

BAB III

PEMBAHASAN
Dalam Bab III ini dibahas mengenai analisis
jalur yang melibatkan variabel
intervening dengan menggunakan program LISREL dan contoh penerapannya
dengan perhitungan menggunakan program SPSS versi 16.00 serta LISREL versi
8.50.
A. Analisis Jalur
Analisis jalur pertama kali diperkenalkan oleh Sewall Wright pada
tahun 1930-an. Analisis jalur merupakan perluasan dari analisis regresi linier
berganda. Analisis jalur merupakan suatu teknik untuk menganalisis hubungan
sebab akibat yang terjadi pada regresi linier berganda jika variabel eksogen
mempengaruhi variabel endogen tidak hanya secara langsung tetapi juga
secara tidak langsung (Retherford dalam Ghozali, 2008: 221). Analisis jalur
menggunakan diagram jalur untuk merepresentasikan permasalahan dalam
bentuk gambar dan menentukan persamaan struktural yang menyatakan
hubungan antar variabel pada diagram jalur tersebut. Diagram jalur dapat
digunakan untuk menghitung pengaruh langsung dan tidak langsung dari
variabel eksogen terhadap suatu variabel endogen. Pengaruh-pengaruh itu
1
tercermin dalam apa yang disebut dengan koefisien jalur, dimana secara
matematik analisis jalur mengikuti model struktural.
B. Asumsi Analisis Jalur
Seperti model–model analisis statistik parametrik lainnya, bahwa
pengaplikasian yang memadai dari sebuah prosedur statistik untuk pengujian
hipotesis tergantung pada seberapa jauh seperangkat asumsi yang mendasari
prosedur itu memenuhi syarat untuk tujuan analisis tersebut. Model analisis
jalur hanya sesuai untuk data yang memenuhi asumsi–asumsi yang berlaku
bagi analisis regresi antara lain :
1. Variabel observasi minimal berskala interval
Pada asumsi ini mengindikasikan bahwa model analisis jalur cocok
untuk variabel yang mempunyai skala interval atau rasio dan kurang
cocok untuk variabel berskala nominal dan ordinal. Jika salah stau
variabel dalam model yang dispesifikasikan mempunyai skala ordinal atau
nominal, maka koefisisen korelasi variabel tersebut harus dihitung dengan
teknik statistik non-parametrik tertentu. Kemudian koefisien korelasi yang
dihasilkan disubstitusikan kedalam matriks korelasi yang akan dipakai
dalam analisis jalur (Hasan dalam Winarsunu, 2002 : 282).

2. Asumsi Normalitas
Asumsi normalitas sangat penting terutama untuk kepentingan
penarikan kesimpulan. Uji normalitas dimaksudkan untuk mengetahui
2
variabel endogen dalam penelitian mempunyai distribusi normal atau
tidak. Alat yang dapat digunakan untuk menguji normalitas data sangat
banyak modelnya. Salah satunya dengan menggunakan statistik
Kolmogrov-Smirnov. Selain dengan statistik Kolmogrov-Smirnov, Uji
normalitas dapat dilihat melalui tampilan grafik histogram maupun grafik
Normal P-P Plot.
Deteksi normalitas yang sering digunakan pada program SPSS adalah
dengan melihat penyebaran data pada sumbu diagonal suatu grafik
(Santoso, 2001 : 212-214). Dasar pengambilan keputusan yang digunakan
adalah sebagai berikut:
a. Jika sisaan menyebar di sekitar garis diagonal dan mengikuti arah
garis diagonal, maka model regresi mempunyai galat yang
berdistribusi normal.
b. Jika sisaan menyebar jauh dari garis diagonal atau tidak mengikuti
arah garis diagonal, maka model regresi tidak mempunyai galat yang
berdistribusi normal.
3. Asumsi Linieritas
Asumsi berikutnya yang harus dipenuhi adalah linieritas. Asumsi ini
digunakan untuk mengetahui apakah ada hubungan linier antara variabel
dependen dengan variabel independen. Uji asumsi linearitas dipenuhi
3
apabila nilai Variance Inflation factor (VIF) disekitar 1 atau tepat 1 dan
nilai Tolerance mendekati 1 atau tepat 1 (Santoso, 2001: 142).
4. Asumsi Homoskedastisitas
Pada asumsi ini, homoskedastisitas terjadi apabila nilai–nilai variabel
endogen untuk setiap nilai tertentu pada variabel eksogen selalu sama atau
hampir sama. Dengan kata lain bahwa variansi galat pada semua nilai
variabel eksogen adalah konstan, artinya bahwa variansi galat adalah sama
untuk semua nilai variabel eksogen. Jika variansi galat tidak sama untuk
semua nilai variabel eksogen, maka dapat dikatakan bahwa model regresi
mengalami problem heteroskedastisitas (Goldstein dan Phedazur dalam
Winarsunu, 2002: 284). Prosedur yang digunakan dalam SPSS untuk
mendeteksi adanya heteroskedastisitas yaitu dengan melihat ada tidaknya
pola tertentu pada grafik scatterplot yang menunjukkan hubungan antara
Regression Studentised Residual dengan Regression Standardized
Predicted Value (Santoso, 2001: 146). Dari grafik tersebut dilihat apakah
data membentuk pola tertentu atau tidak. Jika galat membentuk pola
tertentu dan teratur maka diindikasi terdapat masalah heteroskedastisitas.
Jika sisaan tidak membentuk pola maka model regresi memenuhi asumsi
homoskedastisitas.

5. Independensi variabel eksogen
4
Asumsi independensi variabel eksogen dapat dipenuhi dengan jalan
memeriksa multikolinieritas antar variabel eksogen. Masalah
multikolinieritas terjadi apabila terdapat koefisien korelasi antar variabel
eksogen yang sangat tinggi, misalnya

0.80. Deteksi multikolinieritas
yang sering digunakan dalam SPSS yaitu dengan melihat nilai Variance
Inflation Factors (VIF) dan Tolerance. Nilai yang umum dipakai untuk
menunjukkan multikolonieritas adalah Tolerance
10 . 0 <
atau Variance
Inflation Factors (VIF)
10 >
(Ghozali, 2009 : 28).
6. Galat tidak berkorelasi dengan variabel endogen (dependen)
Asumsi bahwa variabel galat tidak berkorelasi dengan variabel-
variabel yang ada dalam suatu model analisis jalur, mengimplikasikan
bahwa variabel–variabel yang relevan saja yang digunakan di dalam
model yang akan diuji. Atau dengan kata lain, bahwa variabel – variabel
yang tidak digunakan dan berada dibawah variabel galat diasumsikan
menjadi tidak berkorelasi dengan variabel relevan. Setiap variabel
endogen dinyatakan sebagai kombinasi linier dari variabel–variabel
eksogen dan endogen di dalam model dan galat (Phedazur dalam
Winarsunu, 2002 : 285). Prosedur yang digunakan dalam SPSS untuk
mendeteksi galat tidak berkorelasi dengan variabel endogen yaitu dapat
dilihat dari grafik scatterplot antara antara Regression Studentised
Residual dengan Regression Standardized Predicted Value (Santoso, 2001:
5
146) . Dari grafik tersebut dilihat jika sisaan berada disekitar nol
menyebar secara acak (tidak membentuk pola) maka galat dapat
disimpulkan tidak berkorelasi terhadap variabel endogen.
7. Hanya ada satu arah kausal didalam model
Asumsi mengenai adanya satu arah jalur di dalam model,
mengindikasikan bahwa arah jalur yang mengandung arti hubungan timbal
balik di dalam suatu model analisis jalur menjadi diabaikan. Satu arah
jalur didalam model analaisis jalur dikenal dengan sebutan model rekursif
(recursive models). Dalam waktu yang bersamaan suatu variabel tidak
dapat menjadi variabel eksogen sekaligus sebagai variabel endogen
terhadap variabel lain. Variabel yang diperlakukan sekaligus menjadi
variabel eksogen dan endogen dalam suatu model analisis jalur disebut
sebagai model nonrekursif (nonrecursive models) yang bisa dianalisis
dengan baik oleh analisis selain teknik analisis jalur, yaitu Linear
Structural Relation atau terkenal dengan sebutan LISREL yang
dikembangkan oleh Joreskog (Phedazur & Hasan dalam Winarsunu,2002:
285-286).
C. Diagram Jalur dan Persamaan Struktural
Dalam analisis jalur sebelum peneliti melakukan analisis suatu
penelitian hubungan sebab akibat, terlebih dahulu peneliti membuat diagram
6
jalur yang digunakan untuk merepresentasiakan permasalahan dalam bentuk
gambar dan menentukan persamaan struktural yang menyatakan hubungan
antar variabel pada diagram jalur tersebut.
1. Diagram Jalur
Langkah pertama dalam analisis jalur adalah menerjemahkan hipotesis
penelitian yang bentuknya proporsional ke dalam bentuk diagram.
Diagram yang digunakan dalam analisis jalur disebut diagram jalur (path
Diagram) dan bentuknya ditentukan oleh preposisi teoritik yang berasal
dari kerangka berpikir tertentu. Untuk menyederhanakan lambang, hanya
digunakan dua lambang saja yaitu
X
dan
ε
yang selanjutnya dinyatakan
dengan
( )
n
X X X , , ,
2 1

terdiri dari variabel eksogen (exogenous
variable) yang merupakan variabel penyebab dan variabel endogen
(endogenous variable) sebagai variabel akibat. Sedangkan faktor-faktor
lain yang merupakan variabel yang tidak sengaja diukur disebut implisit
variabel (implisite variable) dilambangkan dengan
ε
yang dibedakan oleh
( )
k
ε ε ε , , ,
2 1

yang selanjutnya disebut variabel galat. Dalam diagram
jalur digunakan 2 macam anak panah yaitu :
7
1. Anak panah satu arah (single beaded arrow) yang menyatakan
pengaruh langsung dari sebuah variabel eksogen ke sebuah variabel
endogen.
Misalnya :
2 1
X X →
, ini berarti
1
X
sebagai variabel eksogen
mempengaruhi secara langsung
2
X
sebagai variabel endogennya.

1 2
X X
ρ
1
X

2
X


ε
ρ
2
X

ε
Gambar 3.1 Model diagram jalur dengan 2 variabel.
Gambar 3.1 menggambarkan diagram jalur sederhana dengan dua
variabel. Dimana diagram jalur diatas menyatakan hubungan kausal
dari
1
X
ke
2
X
yang didefinisikan sebagai berikut :
1
X
: menyatakan variabel eksogen (exogenous variable).
2
X
: menyatakan variabel endogen (edogenous variable).
ε
: menyatakan galat (error) yang merupakan gabungan dari:
8
a. Variabel lain diluar
1
X
yang mungkin mempengaruhi
2
X
yang telah teridentifikasi oleh teori, tetapi tidak
dimasukkan dalam model.
b. Variabel lain diluar
1
X
yang mungkin mempengaruhi
2
X
tetapi belum teridentifikasi oleh teori.
c. Kekeliruan pengukuran (error of measurement).
d. Komponen yang sifatnya tidak menentu (random
component).
ρ
: Menyatakan besarnya hubungan pengaruh langsung atau
biasa disebut juga koefisien jalur (path coefficient).
1 2
X X
ρ
: Menyatakan besarnya hubungan pengaruh langsung
2
X

terhadap
1
X
.
ε
ρ
2
X
:Menyatakan besarnya hubungan pengaruh langsung penyebab
yang sedang dilakukan tidak di ukur
( ) ε
yang mempengaruhi
2
X
.
2. Anak panah 2 arah (double beaded arrow) yang menyatakan hubungan
korelatif antara variabel eksogen.
9
Misalnya :
2 1
X X →
, menyatakan bahwa
1
X
dan
2
X
sebagai
variabel eksogen dimana keduanya mempunya hubungan korelasi.

1
ε

2
ε

1
X

1 3
ε
ρ
X

2 4
ε
ρ
X

1 3
X X
ρ

3 4
X X
ρ

3
X

4
X
2 3
X X
ρ

2
X
Gambar 3.2 Model diagram jalur dengan 4 variabel.
Model diagram jalur diatas mengisyaratkan bahwa
1
X
dan
2
X
secara
bersama-sama berpengaruh secara langsung terhadap
3
X
, dan
3
X

berpengaruh terhadap
4
X
. Gambar 3.2 menggambarkan dua
substruktur atau menyatakan bahwa ada dua kejadian sebab akibat
yang akhirnya mengakibatkan 1 kejadian yaitu
4
X
.
Dari penjelasan diatas, identifikasi substruktur dalam sebuah struktur
lengkap (diagram jalur) harus dilakukan sebab pada dasarnya untuk
menghitung koefisien jalur diperlukan pemahaman identifikasi
diagram jalur yang akan dianalisis.
2. Persamaan Struktural
10
Persamaan struktural adalah persamaan yang menyatakan hubungan
antar variabel pada diagram jalur yang ada.
Berdasarkan model diagram jalur pada Gambar 3.1 diatas dapat dibuat
persamaan struktural sebagai berikut :
ε ρ + ·
1 2
1 2
X X
X X
(3.1)
Persamaan diatas menyatakan pengaruh langsung dari variabel eksogen (
1
X
) terhadap variabel endogen (
2
X
) dengan galat
ε
.
Untuk diagram jalur pada Gambar 3.2 diatas mempunyai 2 persamaan
struktural yaitu :
1. Hubungan kausal dari
1
X
dan
2
X
ke
3
X
yang dinyatakan:
1 2 1 3
2 3 1 3
ε ρ ρ + + · X X X
X X X X
(3.2)
2. Hubungan kausal dari
3
X
ke
4
X
yang dinyatakan:
2 3 4
3 4
ε ρ + · X X
X X
(3.3)
Makin kompleks sebuah hubungan struktural maka makin kompleks
diagram jalurnya, dan makin banyak pula substruktur serta persamaan
struktural yang membangun diagram jalur tersebut.
D. Dekomposisi Hubungan Antar Variabel
11
Hubungan antara variabel yang dapat digambarkan oleh diagram jalur
yang dibuat, dapat mengisyaratkan beberapa keadaan yang dapat dibagi
menjadi dua yaitu :
1. Pengaruh Langsung
Pengaruh langsung adalah pengaruh dari variabel
X
ke variabel
Y

yang langsung tanpa melalui variabel lain. Pada analisis jalur pengaruh
langsung ditunjukkan oleh bentuk panah satu arah lurus dari
X
ke
Y
.
Pada Gambar 3.2 pengaruh langsung ditunjukkan oleh pengaruh dari
1
X

dan
2
X
terhadap
3
X
. Besarnya pengaruh langsung pada Gambar 3.2
ditunjukkan oleh
1 3
X X
ρ
dan
2 3
X X
ρ
.
2. Pengaruh tidak langsung
Pengaruh tidak langsung ini terjadi jika variabel
X
mempengaruhi
variabel
Y
melalui variabel ketiga. Pada Gambar 3.2 pengaruh tidak
langsung ditunjukkan oleh pengaruh dari
1
X
dan
2
X
terhadap
4
X
yaitu
harus melalui
3
X
. Besarnya pengaruh tidak langsung pada Gambar 3.2
diatas ditunjukkan oleh
1 3
X X
ρ
.
3 4
X X
ρ
dan
2 3
X X
ρ
.
3 4
X X
ρ
E. Koefisien Jalur
12
Besarnya pengaruh langsung dari variabel eksogen terhadap variabel
endogen dinyatakan oleh besarnya nilai numerik koefisien jalur dari variabel
eksogen ke variabel endogen tersebut. Simbol yang digunakan untuk
merepresentasikan koefisien jalur adalah
ij
ρ
dimana
i
menyatakan variabel
endogen sedangkan
j
menyatakan variabel eksogen. Pada Gambar 3.2
hubungan antara
1
X
dan
2
X
adalah hubungan korelasional. Intensitas
keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi
2 1
X X
r
.
Hubungan antara
1
X
dan
2
X
ke
3
X
adalah hubungan kausal. Besarnya
pengaruh langsung dari
1
X
ke
3
X
dan dari
2
X
ke
3
X
masing-masing
dinyatakan oleh besarnya nilai numerik koefisien jalur
1 3
X X
ρ
dan
2 12
X X
ρ
.
Koefisien Jalur
ε
ρ
3
X
menggambarkan besarnya pengaruh langsung variabel
galat
ε
terhadap
3
X
.
F. Penghitungan Koefisien Jalur
13
Untuk menghitung nilai koefisien jalur ini sebaiknya mengikuti
langkah-langkah sebagai berikut :
1. Menggambar diagram jalur yang mencerminkan model teoritik yang
diajukan, lengkap dengan persamaan strukturalnya. Dalam langkah ini
hipotesis yang diajukan harus bisa menerjemahkan hipotesis yang kita
ajukan ke dalam diagram jalur, sehingga tampak jelas variabel apa saja
yang merupakan variabel eksogen dan variabel endogen. Misalkan
dipunyai diagram jalur sebagai berikut :
1
X

ε
2
X

Y
X
3
X
Gambar 3.3 Model diagram jalur dengan 3 variabel eksogen dan 1
variabel endogen.
Dengan
1
X
,
2
X
,
3
X
= variabel eksogen
Y
X
= variabel endogen
2. Perhitungan matriks korelasi antar semua variabel yang ada. Input data
yang digunakan dalam analisis jalur berupa data korelasi atau kovariansi,
oleh karena itu perlu dicari terlebih dahulu matriks korelasi (R) yang
menyatakan korelasi antara semua variabel.
14
R =
1
1
1
1
1
1
]
1

¸

1
1
1
1
3 2 1
3 2 3 1 3
2 3 2 1 2
1 3 1 2 1

    



X X X X X X
X X X X X X
X X X X X X
X X X X X X
k k k
Y
Y
Y
r r r
r r r
r r r
r r r
3. Identifikasi substruktur dan persamaan yang akan dihitung koefisien
jalurnya. Misalnya saja dalam substruktur yang diidentifikasi terdapat
k

buah variabel eksogen dan sebuah variabel endogen (selalu hanya 1 buah).
Dari substruktur tersebut diperoleh sebuah persamaan:
ε ρ ρ ρ + + + ·
k X X X X X X y
X X X X
K Y Y Y

2 1
2 1
(3.4)
4. Pada bagian ini yang dihitung hanya matriks korelasi antar variabel
eksogen karena akan digunakan untuk mengetahui sejauh mana kontribusi
variabel eksogen terhadap variabel endogen.
Matriks korelasi antar variabel eksogen yang menyusun struktur tersebut:
1
R
=
1
1
1
1
1
1
]
1

¸

1
1
1
1
3 2 1
3 2 3 1 3
2 3 2 1 2
1 3 1 2 1

    



X X X X X X
X X X X X X
X X X X X X
X X X X X X
k k k
Y
Y
Y
r r r
r r r
r r r
r r r
Matriks invers dari
R
adalah
R
15
1
1

R
1
1
1
1
1
1
]
1

¸

·
kk k k k
k
k
k
C C C C
C C C C
C C C C
C C C C

    



3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
5. Perhitungan koefisien jalur yang ada pada persamaan
i Y
X X
ρ
untuk
k i ,..., 2 , 1 ·
, dengan mengalikan matriks invers
1
1

r
, dengan elemen ke-
i
y

pada matriks
r
.

k Y
X X
ρ
=
1
1

R
k Y
X X
r
·
1
1
1
1
1
1
]
1

¸

K Y
Y
Y
Y
X X
X X
X X
X X
ρ
ρ
ρ
ρ

3
2
1
1
1
1
1
1
1
]
1

¸

kk k k k
k
k
k
C C C C
C C C C
C C C C
C C C C

    



3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
1
1
1
1
1
1
]
1

¸

k Y
Y
Y
Y
X X
X X
X X
X X
r
r
r
r

3
2
1
k Y Y Y y k Y
Y Y y Y Y
Y Y Y Y Y
Y Y Y Y Y
X X k X X k X X k X X k X X
X X k X X X X X X X X
X X k X X X X X X X X
X X k X X X X X X X X
r C r C r C r C
r C r C r C r C
r C r C r C r C
r C r C r C r C
4 3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
3 2 1
3 3 2 1 3
2 3 2 1 2
1 3 2 1 1
+ + + + ·
+ + + + ·
+ + + + ·
+ + + + ·





ρ
ρ
ρ
ρ
6. Perhitungan koefisien determinasi total
( )
k X
X X X R
y
, , ,
2 1
2

yaitu
koefisien yang menyatakan seberapa besar kontribusi variabel
16
k
X X X , , ,
2 1

terhadap variabel
y
X
dilakukan penghitungan dengan
menggunakan rumus sebagai berikut:
( )
[ ]
k Y Y Y Y k Y
X X X X X X X X X X X X X
R ρ ρ ρ ρ 

3 2 1 3 2 1
2
, , , ,
·
1
1
1
1
1
1
]
1

¸

k Y
Y
Y
Y
X X
X X
X X
X X
r
r
r
r

3
2
1
k Y k Y Y y Y Y Y
X X X X X X X X X X X X X X
r r r ρ ρ ρ ρ + + + + · 
3 2 2 1 1
7. Perhitungan koefisien jalur untuk galat
1
ε
ρ
Y
X
( )
k Y
X X X X
X
R ,..., ,
2
2 1 1
1 4
1− ·
ε
ρ
Untuk mencari nilai koefisien jalur akan lebih mudah dengan
menggikuti langkah-langkah diatas untuk analisa lebih lanjut digunakan
output dari program LISREL.
G. Analisis Jalur dengan Variabel Intervening
Menurut Tuckman (dalam Sugiyono, 2007: 30), variabel intervening
adalah variabel yang secara teoritis mempengaruhi hubungan antara variabel
eksogen dengan variabel endogen menjadi hubungan yang tidak langsung.
Variabel intervening merupakan variabel penyela atau antara variabel eksogen
dengan variabel endogen, sehingga variabel eksogen tidak langsung
17
mempengaruhi berubahnya variabel endogen. Untuk menjelaskan variabel
intervening lihat gambar di bawah ini :

c

X

Y
Gambar 3.4 Model langsung

M

a

b

' c

X

Y
Gambar 3.5 Model tidak langsung
Pada Gambar 3.4 variabel
X
berpengaruh langsung terhadap
Y
atau
sering disebut direct effect, sedangkan pada Gambar 3.5 menggambarkan
bentuk intervening sederhana yaitu ada pengaruh tidak langsung
X
ke
Y
,
lewat
M
sebagai variabel intervening. Hubungan antara
X
dengan
Y
pada
Gambar 3.4 sering disebut total effect (pengaruh total) dengan nilai koefisien
total
c
. Koefisien
c
ini berbeda dengan koefisien
' c
, koefisien
' c
merupakan
koefisien pengaruh langsung (direct effect)
X
ke
Y
setelah mengendalikan
M
pada Gambar 3.5.
18
Pada skripsi ini, penerapan analisis jalur yang melibatkan variabel
intervening digunakan untuk mengetahui apakah gaji awal
( )
4
X
merupakan
variabel intervening yang fungsinya memediasi hubungan antara pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja sebelumnya
( )
3
X
terhadap
gaji akhir
( )
5
X
dari data sampel 154 karyawan. Analisis jalur merupakan
perluasan dari analisis regresi linier berganda, atau analisis jalur adalah
penggunaan analisis regresi untuk menaksir hubungan kausalitas antar
variabel yang telah ditetapkan sebelumnya berdasarkan teori. Dalam skripsi
ini dijelaskan hubungan antara pendidikan, waktu kerja, dan pengalaman kerja
terhadap gaji akhir yang dimediasi oleh gaji awal sebagai berikut:
1 4
ˆ
X X
ρ

1 4
ˆ
ε
ρ
X X
1
X
4
X
1
ˆ ε
1 5
ˆ
X X
ρ

3 1
X X
r


3 1
X X
r
2
X
2 4
ˆ
X X
ρ

4 5
ˆ
X X
ρ

3 2
X X
r
3 4
ˆ
X X
ρ

2 5
ˆ
ε
ρ
X
3
X
5
X

2
ˆ ε
3 5
ˆ
X X
ρ
Gambar 3.6 Model teoritis hubungan antar variabel
19
Diagram jalur memberikan secara eksplisit hubungan kausalitas antar
variabel. Anak panah menunjukkan hubungan antar variabel. Setiap nilai
ρˆ

menggambarkan jalur dan koefisien jalur. Berdasarkan model diagram jalur
diatas diajukan hubungan bahwa pendidikan, waktu kerja, dan pengalaman
kerja sebelumnya mempunyai hubungan langsung terhadap gaji awal.
Besarnya pengaruh langsung pendidikan terhadap gaji awal ditunjukkan oleh
1 4
ˆ
X X
ρ
, waktu kerja terhadap gaji awal ditunjukkan oleh
2 4
ˆ
X X
ρ
, dan
pengalaman kerja sebelumnya terhadap gaji awal ditunjukkan oleh
3 4
ˆ
X X
ρ
.
Selain itu juga terdapat hubungan langsung antara gaji awal terhadap gaji
akhir dan besarnya pengaruh langsung tersebut ditunjukkan oleh
4 5
ˆ
X X
ρ
.
Diagram jalur Gambar 3.6 diatas juga menunjukkan hubungan tidak langsung
antara pendidikan dan pengalaman kerja sebelumnya terhadap gaji akhir yaitu
melalui variabel intervening gaji awal terlebih dahulu baru ke gaji akhir.
Besarnya pengaruh tidak langsung pendidikan dan penaglaman kerja
sebelumnya terhadap gaji akhir ditunjukkan oleh
1 4
ˆ
X X
ρ
dikalikan dengan
4 5
ˆ
X X
ρ

dan
3 4
ˆ
X X
ρ
dikalikan dengan
4 5
ˆ
X X
ρ
.
20
Didalam menggambarkan diagram jalur yang perlu diperhatikan
adalah anak panah berkepala satu yang merupakan hubungan regresi dan anak
panah berkepala dua merupakan hubungan korelasi.
Hubungan langsung terjadi jika satu variabel mempengaruhi variabel
lainnya tanpa ada variabel ke tiga yang memediasi (intervening) hubungan
kedua variabel tersebut. Hubungan tidak langsung terjadi jika ada variabel ke
tiga yang memediasi hubungan kedua variabel. Kemudian pada setiap variabel
endogen akan ada anak panah yang menuju ke variabel tersebut yang
berfungsi untuk menjelaskan jumlah varian yang tidak dapat dijelaskan oleh
variabel tersebut. Anak panah dari
1
ˆ ε
ke gaji awal menunjukkan jumlah
varian variabel gaji awal yang tidak dijelaskan oleh pendidikan, waktu kerja,
dan pengalaman kerja. Sedangkan anak panah dari
2
ˆ ε
menuju gaji akhir
menunjukkan variansi gaji akhir yang tidak dapat dijelaskan oleh pendidikan,
waktu kerja, pengalaman kerja dan gaji awal. Koefisien jalur dihitung dengan
membuat dua persamaan struktural yaitu persamaan regresi yang
menunjukkan hubungan yang dihipotesiskan. Berdasarkan diagram jalur
Gambar 3.6 dapat dibuat dua persamaan struktural, yaitu:
4
X
=
1 4
ˆ
X X
ρ
1
X
+
2 4
ˆ
X X
ρ
2
X
+
3 4
ˆ
X X
ρ
3
X
+
1
ˆ ε
(3.5)
5
X
=
1 5
ˆ
X X
ρ
1
X
+
3 5
ˆ
X X
ρ
3
X
+
4 5
ˆ
X X
ρ
4
X
+
2
ˆ ε
(3.6)
21
H. LISREL (Linear Structural Relationship)
LISREL merupakan metode analisis data yang menggunakan model
persamaan struktural (Structural Equation Model) yang dikembangkan oleh
Joreskog (Pedhazur dalam Winarsunu 2002: 308). Model persamaan struktural
(Structural Equation Modeling) adalah generasi kedua teknik analisis
multivariat yang memungkinkan peneliti untuk menguji hubungan antara
variabel yang kompleks baik recursive maupun non-recursive untuk
memperoleh gambaran menyeluruh mengenai keseluruhan model (Bagozzi
dan Fornell dalam Ghozali, 2008: 3).
Model LISREL menaksir koefisien–koefisien dari sejumlah persamaan
struktural linier. Kemaknaan taksiran parameter–parameter tersebut dapat
diketahui dari keluaran LISREL jika model yang dianalisis cocok dengan
data. ( Menurut Schumaker dan Lomax, 1996: 124 – 126) untuk mengetahui
apakah model cocok dengan data digunakan kriteria sebagai berikut:
a)
α > P
model cocok dengan data
Menurut Joreskog (dalam Ghozali, 2008: 32), bila nilai P-values for test
of close fit (RMSEA < 0,05) lebih besar daripada 0,05 maka model
dikatakan fit.
b)
GFI
(Goodness of Fit Index)
22
Goodness of Fit Index (GFI) merupakan suatu ukuran mengenai ketepatan
model dalam menghasilkan observed matriks kovariansi. Nilai GFI harus
berkisar antara 0 dan 1. Nilai GFI yang lebih besar daripada 0,9
menunjukkan fit suatu model yang baik.
c)
RMSEA
(Root Mean Square Error of Approximation) makin kecil
kecocokan model dengan data makin baik.
Nilai RMSEA yang kurang daripada 0,05 mengindikasikan adanya
model fit ( Byrne dalam Ghozali, 2008: 32). RMSEA digunakan untuk
mengukur penyimpangan nilai parameter pada suatu model dengan matriks
kovarians ( Brown dan Cudec dalam Ghozali, 2008: 31). Nilai RMSEA yang
berkisar antara 0,01 sampai dengan 0,08 menyatakan bahwa model fit yang
cukup (MacCallum et all dalam Ghozali, 2008: 32).
I. Penerapan Analisis Jalur yang Melibatkan Variabel Intervening
Untuk lebih memahami konsep analisis jalur yang telah dijelaskan
pada bab sebelumnya diambil contoh data pada file Regresi bivariate.xls
dalam buku Structural Equation Modeling Edisi II yang belum dianalisis dan
telah dimodifikasi (Imam Ghozali dan Fuad, 2005 : 108). Misalnya peneliti
mempunyai data sampel dari 154 karyawan pada suatu pabrik yang mencakup
variabel-variabel sebagai berikut:
1
X
= Educ ( pendidikan formal dalam tahun)
23
2
X
= Jobtime (waktu kerja dalam bulan)
3
X
= Prevexp ( pengalaman kerja sebelumnya dalam bulan )
4
X
= Salbegin ( Gaji awal bekerja dalam dolar )
5
X
= Salary ( Gaji sekarang dalam dolar )
Diasumsikan bahwa gaji sekarang
( )
5
X
dipengaruhi oleh pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman kerja sebelumnya
( )
3
X
, dan gaji awal
( )
4
X
. Sedangkan gaji awal
( )
4
X
itu sendiri dipengaruhi oleh pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja sebelumnya
( )
3
X
. Dalam
contoh ilustrasi kasus ini, analisis jalur digunakan untuk mengetahui apakah
gaji awal
( )
4
X
merupakan variabel intervening yang fungsinya untuk
memediasi hubungan antara pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan
pengalaman kerja sebelumnya
( )
3
X
terhadap gaji sekarang
( )
5
X
. Input data
yang digunakan dilampirkan pada lampiran 1.
Berdasarkan model teoritis yang telah dijabarkan diperoleh diagram jalur
sebagai berikut:
1 4
ˆ
X X
ρ

1 4
ˆ
ε
ρ
X X
1
X
4
X
1
ˆ ε
1 5
ˆ
X X
ρ
24

3 1
X X
r


3 1
X X
r
2
X
2 4
ˆ
X X
ρ

4 5
ˆ
X X
ρ

3 2
X X
r
3 4
ˆ
X X
ρ

2 5
ˆ
ε
ρ
X
3
X
5
X

2
ˆ ε
3 5
ˆ
X X
ρ
Gambar 3.6 Model teoritis hubungan antar variabel
dengan
1
X
,
2
X
, dan
3
X
= variabel eksogen

4
X
dan
5
X
= variabel endogen
Berdasarkan model teoritis yang dikembangkan dan digambarkan dalam
diagram jalur diatas dapat dibuat dua persamaan struktural sebagai berikut:
1. Substruktur-1
Pada substruktur pertama, diasumsikan bahwa gaji awal
( )
4
X
dipengaruhi
oleh pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja
sebelumnya
( )
3
X
. Berdasarkan model teoritis substruktur-1 diperoleh
diagram jalur sebagai berikut:




25


Gambar 3.7 Diagram jalur substruktur-1
Dengan persamaan strukturalnya
1 3 2 1 4
ˆ ˆ ˆ ˆ
3 4 2 4 1 4
ε ρ ρ ρ + + + · X X X X
X X X X X X
(3.7)
2. Substruktur-2
Pada substruktur yang kedua, diasumsikan bahwa gaji sekarang
( )
5
X

dipengaruhi oleh pendidikan
( )
1
X
, pengalaman kerja sebelumnya
( )
3
X
,
dan gaji awal
( )
4
X
. Berdasarkan model teoritis substruktur-2 didapatkan
diagram jalur sebagai berikut:






Gambar 3.8 diagram jalur substruktur-2
Dengan persamaan strukturalnya
2 4 3 1 5
ˆ ˆ ˆ ˆ
4 5 3 5 1 5
ε ρ ρ ρ + + + · X X X X
X X X X X X
(3.8)
Setelah mengkonseptualisasikan model kedalam diagram jalur dan
persamaan struktural, langkah selanjutnya yaitu melakukan uji asumsi analisis
26
jalur terhadap data yang akan di diteliti. Uji asumsi yang akan digunakan
adalah uji asumsi kenormalan, linearitas, homoskedastisitas, multikolonieritas,
independensi, galat (error) tidak berkorelasi dengan variabel endogen, dan
hanya ada satu arah kausal didalam sistem. Uji asumsi tersebut digunakan
untuk mengetahui apakah data memenuhi asumsi untuk dilakukannya analisis
jalur apa tidak. Dibawah ini merupakan uji asumsi yang harus dilakukan
sebelum melakukan analisis, yaitu:
1. Uji asumsi normalitas.
Pada pengujian asumsi normalitas digunakan program SPSS 16.
Gambar 3.9 Grafik Normal P-P Plot
Pada grafik tersebut tampak sisaan menyebar disekitar garis diagonal
dan mengikuti arah garis tersebut, yang berarti model regresi memenuhi
asumsi normalitas
2. Uji asumsi linearitas.
27
Pada pengujian asumsi linearitas digunakan program SPSS 16.
Tabel 1. Hasil uji linieritas
Suatu model regresi dikatakan memenuhi asumsi linearitas jika
mempunyai nilai Variance Inflation factor (VIF) disekitar 1 atau tepat 1
dan nilai Tolerance mendekati 1 atau tepat 1. Kedua nilai ini dapat dilihat
pada bagian Collinearity Statistics. Dari output di atas diketahui nilai pada
variabel mempunyai angka VIF disekitar 1 yaitu dapat kita lihat untuk
variabel pendidikan (
1
X
) 1,183, waktu kerja (
2
X
)1,223, pengalaman
kerja sebelumnya (
3
X
) 1,255, dan gaji awal (
4
X
) 1,372 serta nilai
Tolerance mendekati 1 yaitu untuk pendidikan (
1
X
) 0,846, waktu kerja (
2
X
) 0,818, pengalaman kerja sebelumnya (
3
X
) 0,797, dan gaji awal (
4
X
) 0,729 sehingga dapat disimpulkan model regresi memenuhi asumsi
linearitas.
3. Uji asumsi homoskedastisitas.
Pada pengujian asumsi homoskedastisitas digunakan program SPSS 16.
28
Gambar 3.10 Grafik Scatterplot
Pada grafik di atas tampak sisaan menyebar merata diatas dan dibawah
sumbu Y dengan kata lain penyebaran data tidak mengikuti suatu pola
tertentu yang berarti model regresi memenuhi asumsi homoskedastisitas.
4. Uji asumsi independensi variabel eksogen
Asumsi ini dapat dipenuhi dengan jalan memeriksa multikolinieritas antar
variabel eksogen. Pada pengujian asumsi multikolinieritas digunakan
program SPSS 16.
Tabel 2. Hasil uji multikolinieritas
29
Dalam pengujian asumsi multikolinieritas diatas menyatakan bahwa
hasil analisis tidak menunjukkan adanya gejala multikolinieritas dimana
nilai VIF<10 dan nilai Tolerance > 0,10 sehingga dapat disimpulkan tidak
terdapat gejala multikolinieritas. Dengan nilai VIF untuk pendidikan
( )
1
X

1,183, waktu kerja
( )
2
X
1,223, pengalaman kerja sebelumnya
( )
3
X
1,255
dan gaji awal
( )
4
X
1,372. Sedangkan nilai Tolerance untuk pendidikan
0,846, waktu kerja 0.818, pengalaman kerja sebelumnya 0,797, dan gaji
awal 0,729. Sehingga dapat disimpulkan bahwa asumsi independensi
terpenuhi.
5. Galat (error) diasumsikan tidak berkorelasi dengan variabel bebas
( ) X
Asumsi ini dapat dilihat dari Scatterplot antara Standardized Residual
dengan Predicted Value dari masing – masing persamaan, maka didapat
output sebagai berikut:
30
Gambar 3.11 Grafik Scatterplot substruktur-1
Gambar 3.12 Grafik Scatterplot substruktur-2
Dari scatterplot diatas, titik – titik sisaan berada disekitar angka nol dan
menyebar secara acak, oleh karena itu galat dapat disimpulkan tidak
berkorelasi terhadap variabel endogen.
31
6. Hanya ada satu arah kausal di dalam sistem
Dalam model teoritis diatas hubungan kausal antara variabel semuanya
berlangsung satu arah. Jadi secara otomatis model dikatakan recursive
(satu arah).
Berdasarkan hasil uji asumsi analisis jalur diatas dapat diambil
kesimpulan bahwa data memenuhi asumsi untuk dilakukannya analisis jalur.
Setelah dilakukan uji asumsi analisis jalur dan data telah memenuhi asumsi
maka langkah selanjutnya yaitu melakukan pengujian model. Dalam skripsi
ini penulis menggunakan bantuan program LISREL versi 8.50 untuk mencari
nilai koefisien jalur sehingga diperoleh hasil sebagai berikut:
Dari 5 variabel ( pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman
kerja sebelumnya
( )
3
X
, gaji awal
( )
4
X
, dan gaji sekarang
( )
5
X
dibuat suatu
proposisi hipotetik atau kerangka pikir tertentu yang dianggap sesuai untuk
dilakukannya analisis. Dari data dengan menggunakan program LISREL versi
8.50 diperoleh korelasi matriks antar variabelnya adalah sebagai berikut:
Correlation Matrix

X1 X2 X3 X4 X5
-------- -------- -------- -------- --------
X1 1,000
X2 -0,122 1,000
X3 0,211 -0,365 1,000
X4 0,384 -0,337 0,360 1,000
X5 -0,019 0,112 -0,065 -0,212 1,000
32
Dengan menggunakan program LISREL versi 8.50 diperoleh diagram jalur
yang menunjukkan nilai koefisien jalaur antar variabel adalah sebagai berikut:
Gambar 3.13 Diagram jalur model teoritis dengan LISREL versi 8.50
Hasil dari koefisien jalur dapat ditulis dalam bentuk tabel 3.
Tabel 3. Nilai koefisien jalur antara variabel eksogen dan endogen
Variabel Endogen
(dependen)
Variabel Eksogen
(independen)
Korelasi antar
variabel Endogen
dan Eksogen
Koefisien Jalur
4
X
1
X 0,384 0,31
-0,337 -0,22
0,360 0,21
5
X
1
X
-0,019 0,07
-0,065 0,01
-0,212 -0,24
Tabel 4. Hubungan koefisien korelatif antara variabel eksogen
1
X
2
X
3
X
Variabel
Eksogen
1
X 1,00 -0,12 0,21
2
X -0,12 1,00 -0,36
3
X 0,21 -0,36 1,00
33
Dengan menggunakan program LISREL diperoleh diagram jalur yang
menunjukkan nilai
hitung
t
antar variabel adalah sebagai berikut:
Gambar 3.14 Diagram jalur nilai
hitung
t
model dengan LISREL versi 8.50
Hasil nilai
hitung
t
koefisien jalurnya disajikan dalam tabel 5.
Tabel 5. Nilai
hitung
t
koefisien jalur
hitung
t

,
_

¸
¸
− − − 1 ;
2
1 k n
t
α
Variabel
Endogen (dependen)
Variabel Eksogen
(independen)
Nilai Nilai
4
X
1
X 4,36 1,960
-2,95 1,960
2,81 1,960
5
X
1
X
0,84 1,960
0,08 1,960
-2,67 1,960
Tabel 6 Nilai
hitung
t
untuk hubungan korelatif antara variabel eksogen
1
X
2
X
3
X
Variabel
Eksogen

1
X 8,66 -1,49 2,53
2
X -1,49 8,66 -4,20
34
3
X 2,53 -4,20 8,66
1. Substruktur-1
Pada substruktur-1 terdapat 3 variabel eksogen (independen) yaitu
pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja sebelumnya
( )
3
X
serta terdapat 1 variabel endogen yaitu gaji awal
( )
4
X
. Untuk
substruktur-1 dapat dibuat persamaan struktural sebagai berikut:
1 3 2 1 4
ˆ ˆ ˆ ˆ
3 4 2 4 1 4
ε ρ ρ ρ + + + · X X X X
X X X X X X
(3.7)
Dengan menggunakan LISREL diperoleh diagram jalur yang
menunjukkan nilai koefisien jalur antar variabel adalah sebagai berikut:
Gambar 3.15 Diagram Jalur substruktur-1 dengan LISREL versi 8.50
35
Nilai koefisien jalur untuk substruktur-1 dapat dilihat pada tabel 7
Tabel 7 koefisien jalur untuk substruktur-1
( )
3 2 1 4
, ,
2
X X X X R
1 4
ˆ
ε
ρ
X
Variabel Endogen
(dependen)
Variabel
Eksogen
(ndependen)
Korelasi
antar
variabel
Endogen
dan
Eksogen
Koefisien
Jalur
4
X
1
X 0,384 0,31 0,26878 0,7312
2 -0,337 -0,22
0,360 0,21
Tabel 8. Hubungan koefisien korelatif antara variabel eksogen
1
X
2
X
3
X
Variabel
Eksogen
1
X 1,00 -0,12 0,21
2
X -0,12 1,00 -0,36
3
X 0,21 -0,36 1,00
Berdasarkan persamaan (3.7) didapatkan persamaan struktural untuk
substruktur-1 menjadi seperti berikut:
73 , 0 21 , 0 22 , 0 31 , 0
3 2 1 4
+ + − · X X X X

Dengan menggunakan program LISREL diperoleh diagram jalur yang
menunjukkan nilai
hitung
t
untuk persamaan substruktur-1 sebagai berikut:
36
Gambar 3.16 Diagram jalur nilai
hitung
t
substruktur-1
Dengan menghitung nilai
hitung
t
, akan dilakukan pengujian terhadap
koefisien jalur, untuk mencari apakah antara variabel endogen dan eksogen
mempunyai hubungan sebab akibat, serta perlu tidaknya dilakukan trimming
(pemotongan). Hasil perhitungan nilai
hitung
t
substruktur-1 dapat dilihat dalam
tabel 9.
Tabel 9. Pengujian koefisien jalur substruktur-1
hitung
t

,
_

¸
¸
− − − 1 ;
2
1 k n
tabel
t
t
α
Vari
abel Endogen
Variabel
Eksogen
Uji Hipotesis Kesimpulan
1
X
0 :
0
·
j i
X X
H ρ
0 :
1

j i
X X
H ρ
0
H
hitung
t
tabel
t >
0
H
4
X
4,36 1,960
ditolak jika
ditolak,
jalur
signifikan.
-2,95 1,960 ditolak,
jalur
signifikan.
2,81 1,960 ditolak,
jalur
37
signifikan.
Berdasarkan tabel 9 dapat dilihat bahwa pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja sebelumnya
( )
3
X
berpengaruh terhadap gaji
awal
( )
4
X
. Jadi dapat disimpulkan bahwa pada substruktural-1 tidak perlu
adanya trimming (pemotongan) karena semua jalur signifikan.
2. Substruktur-2
Pada substruktural 2 terdapat tiga variabel eksogen yaitu pendidikan
( )
1
X
, pengalaman kerja sebelumnya
( )
3
X
, dan gaji awal
( )
4
X
serta satu
variabel endogen yaitu gaji sekarang
( )
5
X
. Untuk subsruktur-2 dapat
dibuat persamaan struktural sebagai berikut:
2 4 3 1 5
ˆ ˆ ˆ ˆ
4 5 3 5 1 5
ε ρ ρ ρ + + + · X X X X
X X X X X X
(3.8)
Dengan menggunakan program LISREL diperoleh diagram jalur yang
menunjukkan nilai koefisien jalur antar variabel substruktur-2 sebagai
berikut:
38
Gambar 3.17 Diagram jalur substruktur-2 dengan LISREL versi 8.50
Nilai koefisien jalur dari substruktur-2 dapat disajikan dalam tabel 10.
Tabel 10. Koefisien Jalur antara variabel eksogen dan variabel endogen
( )
4 3 1 5
, ,
2
X X X X R
2 5
ˆ
ε
ρ
X
Variabel
Endogen
(dependen)
Variabel
Eksogen
(indepen
den)
Korelasi
antar variabel
Endogen dan
Eksogen
Koefisien
Jalur
5
X
1
X
-0,019 0,07 0,0489 0,9511
-0,065 0,01
-0,212 -0,24
Tabel 11. Hubungan koefisien korelatif antara variabel eksogen
1
X
3
X
4
X
Variabel
Eksogen
1
X 1,00 0,21 0,38
3
X 0,38 1,00 0,36
4
X 0,21 0,36 1,00
Berdasarkan persamaan (3.8) didapatkan persamaan struktural untuk
substruktur-2 menjadi seperti berikut:
95 , 0 24 , 0 01 , 0 07 , 0
4 3 1 5
+ − + · X X X X

Dengan menggunakan program LISREL diperoleh diagram jalur yang
menunjukkan nilai
hitung
t
untuk substruktur-2 adalah sebagai berikut:
39
Gambar 3.18 Diagram jalur nilai
hitung
t
Substruktur-2
Dengan menghitung nilai
hitung
t
, akan dilakukan pengujian terhadap
koefisien jalur, untuk mencari apakah antara variabel endogen dan eksogen
mempunyai hubungan sebab akibat, serta perlu tidaknya dilakukan trimming
(pemotongan). Hasil perhitungan nilai
hitung
t
substruktur-2 dapat dilihat dalam
tabel 12.
Tabel 12. Pengujian koefisien jalur substruktur-2
hitung
t

,
_

¸
¸
− − − 1 ;
2
1 k n
tabel
t
t
α
Vari
abel Endogen
Variabel
Eksogen
Uji Hipotesis Kesimpulan
5
X
1
X
0 :
0
·
j i
X X
H ρ
0 :
1

j i
X X
H ρ
0
H
hitung
t
tabel
t >
0
H
0,84 1,960
ditolak jika
diterima,
jalur tidak
signifikan
0,08 1,960 diterima,
jalur tidak
signifikan
-2,67 1,960 ditolak, jalur
40
signifikan
Berdasarkan tabel 12 dapat dilihat bahwa pendidikan
( )
1
X
dan
pengalaman kerja sebelumnya
( )
3
X
tidak berpengaruh secara signifikan
terhadap gaji sekarang
( )
5
X
. Oleh karena itu jalur dari
1
X
ke
5
X
dan
3
X
ke
5
X
dapat dihilangkan yang berarti variabel
1
X
,
3
X
mengalami trimming
(pemotongan). Sedangkan yang mempengaruhi besarnya gaji sekarang
( )
5
X

yaitu besarnya Gaji awal
( )
4
X
atau dapat dikatakan bahwa besarnya Gaji
awal
( )
4
X
berpengaruh secara signifikan terhadap besarnya gaji sekarang
( )
5
X
. Jadi dapat disimpulkan pada substruktur-2 hanya terdapat satu jalur
yang signifikan yaitu jalur dari
4
X
ke
5
X
yang berarti bahwa besarnya gaji
sekarang
( )
5
X
hanya dipengaruhi oleh besarnya gaji awal
( )
4
X
dan tidak
perlu adanya jalur dari
1
X
ke
5
X
serta
3
X
ke
5
X
.
Berdasarkan pengujian pada substruktur-1 dan substruktur-2 diperoleh
kesimpulan bahwa besarnya gaji sekarang
( )
5
X
dipengaruhi oleh pendidikan
( )
1
X
, waktu kerja
( )
2
X
, dan pengalaman kerja sebelumnya
( )
3
X
yang
41
dimediasi oleh besarnya Gaji awal
( )
4
X
sehingga didapat diagram jalur dan
nilai koefisien jalur sebagai berikut:
Dengan menggunakan program LISREL diperoleh diagram jalur yang
menunjukkan nilai koefisien jalur antar variabel yang signifikan adalah
sebagai berikut:
Gambar 3.19 Diagram jalur antar variabel yang signifikan
Dengan persamaan struktural anatar variabel yang signifikan sebagai berikut:
ε ρ ρ ρ ρ ˆ ˆ ˆ ˆ ˆ
4 3 2 1 5
4 5 3 4 2 4 1 4
+ + + + · X X X X X
X X X X X X X X
(3.9)
Tabel 13. Koefisien jalur antara variabel eksogen dan endogen
Variabel Endogen
(dependen)
Variabel
Eksogen
(independent)
Korelasi antar
variabel Endogen
dan Eksogen
Koefisien Jalur
4
X
1
X 0,384 0,31
-0,337 -0,22
0,360 0,21
5
X
4
X
-0,212 -0,21
Tabel 14. Hubungan koefisien korelatif antara variabel eksogen
1
X
2
X
3
X
Variabel
Eksogen
42
1
X 1,00 -0,12 0,21
2
X -0,12 1,00 -0,36
3
X 0,21 -0,36 1,00
Berdasarkan persamaan (3.9) didapatkan persamaan struktural untuk variabel
yang signifikan sebagai berikut:
95 , 0 21 , 0 21 , 0 22 , 0 31 , 0
4 3 2 1 5
+ − + − · X X X X X

Niali
hitung
t
dapat dilihat melalui output LISREL berikut:
Gambar 3.20 Diagram jalur nilai
hitung
t
variabel yang signifikan
Tabel 15. Pengujian koefisien jalur
hitung
t

,
_

¸
¸
− − − 1 ;
2
1 k n
tabel
t
t
α
Vari
abel Endogen
Variabel
Eksogen
Uji Hipotesis Kesimpulan
4
X
1
X
0 :
0
·
j i
X X
H ρ
0 :
1

j i
X X
H ρ
0
H
hitung
t
tabel
t >
0
H
4,36 1,960
ditolak jika
ditolak,
jalur
signifikan
2
X
0
H -2,95 1,960 ditolak,
jalur
43
signifikan
3
X
0
H 2,81 1,960 ditolak,
jalur
signifikan
5
X
4
X
0
H -2,66 1,960 ditolak,
jalur
signifikan

Berdasarkan tabel 15 dapat dilihat bahwa pendidikan
( )
1
X
, waktu
kerja
( )
2
X
, pengalaman kerja sebelumnya
( )
3
X
dan gaji awal
( )
4
X

berpengaruh signifikan terhadap besarnya gaji sekarang
( )
5
X
.
Pengujian dengan analisis jalur juga menunjukkan besaran dari
pengaruh langsung dan pengaruh tidak langsung dari satu variabel terhadap
variabel lainnya. Berdasarkan diagram jalur pada Gambar 3.19 dapat dilihat
besarnya pengaruh langsung dan pengaruh tidak langsung antara pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman kerja sebelumnya
( )
3
X
dan gaji awal
( )
4
X
terhadap variabel gaji sekarang
( )
5
X
.
1. Pengaruh Langsung
Pada Gambar 3.19 pengaruh langsung ditunjukkan oleh pengaruh dari
variabel pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman kerja
sebelumnya
( )
3
X
terhadap gaji awal
( )
4
X
dan gaji awal
( )
4
X
terhadap
44
gaji sekarang
( )
5
X
. Besarnya pengaruh langsung pada gambar 3.19
adalah sebagai berikut:
a. Pengaruh pendidikan
( )
1
X
terhadap gaji awal
( )
4
X
ditunjukkan oleh
1 4
ˆ
X X
ρ
sebesar 0,31 .
b. Pengaruh waktu kerja
( )
2
X
terhadap gaji awal
( )
4
X
ditunjukkan oleh
2 4
ˆ
X X
ρ
sebesar -0,22
c. Pengaruh pengalaman kerja sebelumnya
( )
3
X
terhadap gaji awal
( )
4
X
ditunjukkan oleh
1 4
ˆ
X X
ρ
sebesar 0,21.
d. Pengaruh gaji awal
( )
4
X
terhadap gaji sekarang
( )
5
X
ditunjukkan
oleh
4
ˆ
X X
Y
ρ
sebesar -0,21.
2. Pengaruh tidak langsung
Pada Gambar 3.19 pengaruh tidak langsung ditunjukkan oleh pengaruh
variabel pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman kerja
sebelumnya
( )
3
X
terhadap gaji sekarang
( )
5
X
yaitu harus melalui
variabel gaji awal
( )
4
X
. Besarnya pengaruh tidak langsung pada Gambar
3.14 adalah sebagai berikut:
45
a. Pengaruh pendidikan
( )
1
X
terhadap gaji sekarang
( )
5
X
melalui
variabel gaji awal
( )
4
X
ditunjukkan oleh
1 4
ˆ
X X
ρ
× 4
ˆ
X X
Y
ρ
sebesar
-0,0651.
b. Pengaruh waktu kerja
( )
2
X
terhadap gaji sekarang
( )
5
X
melalui
variabel gaji awal
( )
4
X
ditunjukkan oleh
2 4
ˆ
X X
ρ
× 4 5
ˆ
X X
ρ
sebesar
0,0462.
c. Pengaruh pengalaman kerja sebelumnya
( )
3
X
terhadap gaji sekarang
( )
5
X
melalui variabel gaji awal
( )
4
X
ditunjukkan oleh
3 4
ˆ
X X
ρ
× 4 5
ˆ
X X
ρ

sebesar -0,0441.
Berdasarkan diagram jalur Gambar 3.19 dan hasil penghitungan
pengaruh langsung serta pengaruh tidak langsung diatas dapat dilihat bahwa
gaji awal
( )
4
X
merupakan variabel intervening yang fungsinya memediasi
hubungan antara variabel pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman
kerja sebelumnya
( )
3
X
terhadap gaji sekarang
( )
5
X
. Sehingga dapat diambil
kesimpulan bahwa gaji sekarang
( )
5
X
tidak dipengaruhi secara langsung oleh
pendidikan
( )
1
X
, waktu kerja
( )
2
X
, pengalaman kerja sebelumnya
( )
3
X
akan
46
tetapi harus melalui gaji awal
( )
4
X
terlebih dahulu. Atau dapat dituliskan
bahwa pendidikan berpengaruh positif terhadap gaji awal sebesar 31% artinya
bahwa besarnya gaji awal yang diterima oleh karyawan tergantung pada
tingkat pendidikan masing-masing karyawan, masa kerja berpengaruh negatif
terhadap gaji awal sebesar 22% artinya bahwa lamanya waktu karyawan
mulai bekerja pada pabrik tidak begitu mempengaruhi besarnya gaji awal
yang diterima oleh masing-masing karyawan, pengalaman kerja berpengaruh
positif terhadap gaji awal sebesar 21% artinya bahwa selain tingkat
pendidikan, pengalaman kerja juga mempengaruhi besarnya gaji awal yang
diterima oleh masing-masing karyawan. Sedangkan gaji awal itu sendiri
berpengaruh negatif terhadap gaji sekarang sebesar 21% artinya bahwa
besarnya gaji awal tidak begitu mempengaruhi besarnya gaji sekarang, akan
tetapi sebelum mendapatkan besarnya gaji sekarang masing-masing
karyawan akan mendapatkan gaji awal terlebih dahulu sesuai dengan tingkat
pendidikan, masa kerja, dan pengalaman kerja yang pastinya untuk setiap
karyawan adalah berbeda. Selanjutnya 5% dipenagruhi oleh variabel lain
yang tidak ikut diteliti dalam skripsi ini.
Berdasarkan tiga kriteria untuk mengetahui apakah model cocok
dengan data (Menurut Schumaker dan Lomax, 1996: 124 – 126), maka dapat
diambil kesimpulan bahwa model cocok dengan data yaitu dengan nilai P-
values model adalah 0,63 yang berarti model adalah fit, nilai GFI model
47
adalah 1 yang berarti model adalah fit, dan nilai RMSEA adalah 0,01 yang
berarti model adalah cukup fit. Dalam sekripsi ini penulis akan menggunakan
LISREL versi 8.50 untuk membantu menyelesaikan model.
48

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->