› Tutorial Olah Data
Analisis Jalur (Path Analysis) di SPSS: Langkah, Uji Sobel, dan Bootstrap
Tim Statistician Jokify · Terbit · Diperbarui

Analisis jalur (path analysis) menguji model sebab-akibat yang memuat variabel perantara (mediator), misalnya kepemimpinan → kepuasan kerja → kinerja. Di SPSS, analisis jalur dikerjakan sebagai serangkaian regresi, satu untuk setiap variabel endogen (sub-struktur), dengan Method: Enter. Koefisien jalurnya adalah Standardized Coefficients (Beta). Pengaruh tidak langsung dihitung dari perkalian koefisien jalur, lalu signifikansinya diuji dengan uji Sobel atau bootstrap (PROCESS Model 4).
Langkah Singkat Analisis Jalur di SPSS
- Susun model jalur dari teori, lalu tulis satu persamaan sub-struktur untuk setiap variabel endogen.
- Jalankan regresi sub-struktur 1 (mediator atas variabel eksogen) dengan Analyze → Regression → Linear, Method: Enter.
- Jalankan regresi sub-struktur 2 (variabel terikat akhir atas variabel eksogen dan mediator), juga dengan Method: Enter.
- Ambil Beta sebagai koefisien jalur dan hitung koefisien residu e = √(1 − R²) untuk setiap sub-struktur.
- Hitung pengaruh tidak langsung (perkalian koefisien jalur) dan pengaruh total (langsung + tidak langsung).
- Uji signifikansi pengaruh tidak langsung dengan uji Sobel dan/atau bootstrap PROCESS Model 4.
- Simpulkan jenis mediasinya (penuh atau parsial), lalu laporkan dalam tabel dan narasi Bab 4.
Konsep Dasar: Model, Persamaan, dan Asumsi
Variabel dalam analisis jalur dibagi dua. Variabel eksogen tidak dipengaruhi variabel lain dalam model, sedangkan variabel endogen dipengaruhi minimal satu variabel lain. Mediator adalah variabel endogen yang sekaligus memengaruhi variabel lain.
Contoh dalam artikel ini memakai empat variabel. Model jalurnya ditulis sebagai daftar hubungan, bukan diagram:
| Jalur | Jenis hubungan | Hipotesis |
|---|---|---|
| Kepemimpinan → Kepuasan | Langsung | H1 |
| Kompensasi → Kepuasan | Langsung | H2 |
| Kepemimpinan → Kinerja | Langsung | H3 |
| Kompensasi → Kinerja | Langsung | H4 |
| Kepuasan → Kinerja | Langsung | H5 |
| Kepemimpinan ↔ Kompensasi | Korelasi antarvariabel eksogen | — |
Hipotesis mediasinya, H6 dan H7, menyatakan bahwa kepuasan kerja memediasi pengaruh kepemimpinan dan kompensasi terhadap kinerja. Cara menurunkan model ini dari teori dibahas di panduan kerangka berpikir, dan cara menulis hipotesisnya ada di panduan merumuskan hipotesis.
Setiap variabel endogen mendapat satu persamaan:
Sub-struktur 1: Kepuasan = p1·Kepemimpinan + p2·Kompensasi + e1
Sub-struktur 2: Kinerja = p3·Kepemimpinan + p4·Kompensasi + p5·Kepuasan + e2
Asumsi analisis jalur berbasis regresi:
- Hubungan antarvariabel linier dan aditif.
- Model rekursif: semua panah searah, tanpa hubungan timbal balik atau umpan balik.
- Residual setiap persamaan tidak berkorelasi dengan variabel bebasnya maupun dengan residual persamaan lain.
- Variabel diukur dengan andal, misalnya skor total kuesioner yang sudah lolos uji reliabilitas.
- Model disusun berdasarkan teori. Analisis jalur menguji kecocokan model dengan data, bukan membuktikan kausalitas.
Moderasi vs Mediasi
Mediasi menjawab "melalui apa X memengaruhi Y" (X → M → Y), sedangkan moderasi menjawab "kapan pengaruh X lebih kuat atau lebih lemah" (Baron & Kenny, 1986). Mediasi diuji lewat efek tidak langsung a × b, sementara moderasi diuji lewat koefisien interaksi X × Z. Bila rumusan masalah Anda memakai kata "memperkuat" atau "memperlemah", gunakan uji moderasi dengan MRA.
Contoh Kasus dan Langkah di SPSS
Data ilustrasi (fiktif) untuk latihan: 150 karyawan mengisi kuesioner kepemimpinan transformasional (8 butir), kompensasi (6 butir), kepuasan kerja (8 butir), dan kinerja (10 butir). Setiap variabel memakai skor total.
| Variabel | Kepemimpinan | Kompensasi | Kepuasan | Kinerja |
|---|---|---|---|---|
| Mean | 29,00 | 20,94 | 27,99 | 37,01 |
| Std. Deviation | 4,54 | 3,50 | 4,71 | 5,04 |
| r dengan Kinerja | 0,437 | 0,322 | 0,559 | 1 |
| r dengan Kepuasan | 0,440 | 0,397 | 1 | 0,559 |
Korelasi kepemimpinan dengan kompensasi adalah 0,306. Semua korelasi signifikan pada p < 0,001.
Jalankan dua regresi (langkah mengikuti dokumentasi IBM SPSS Statistics 30):
- Analyze → Regression → Linear. Masukkan Kepuasan ke Dependent, lalu Kepemimpinan dan Kompensasi ke Independent(s), dengan Method: Enter.
- Di Statistics, centang Estimates, Confidence intervals, Model fit, dan Collinearity diagnostics. Klik OK.
- Ulangi dengan Kinerja sebagai Dependent, serta Kepemimpinan, Kompensasi, dan Kepuasan sebagai Independent(s).
REGRESSION /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL
/DEPENDENT Kepuasan /METHOD=ENTER Kepemimpinan Kompensasi.
REGRESSION /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL
/DEPENDENT Kinerja /METHOD=ENTER Kepemimpinan Kompensasi Kepuasan.
Jangan memilih Stepwise. Istilah "regresi bertahap" di beberapa buku berarti menjalankan regresi per sub-struktur, bukan metode stepwise yang memilih variabel secara otomatis dan bisa membuang jalur yang dihipotesiskan. Setiap sub-struktur juga perlu memenuhi asumsi regresi; caranya ada di panduan uji asumsi klasik.
Membaca Output dan Menghitung Koefisien Jalur
Sub-struktur 1: Kepuasan Kerja
| Variabel | B | Std. Error | Beta | Sig. |
|---|---|---|---|---|
| (Constant) | 9,263 | 2,565 | < 0,001 | |
| Kepemimpinan | 0,365 | 0,077 | 0,352 | < 0,001 |
| Kompensasi | 0,390 | 0,100 | 0,289 | < 0,001 |
R² = 0,270; F(2, 147) = 27,132; p < 0,001. Koefisien residunya e₁ = √(1 − 0,2696) = 0,855. Artinya, 73,0% varians kepuasan kerja (e₁² = 0,7304) tidak dijelaskan oleh kepemimpinan dan kompensasi, melainkan oleh faktor lain di luar model.
Sub-struktur 2: Kinerja
| Variabel | B | Std. Error | Beta | Sig. |
|---|---|---|---|---|
| (Constant) | 14,491 | 2,682 | < 0,001 | |
| Kepemimpinan | 0,247 | 0,083 | 0,223 | 0,003 |
| Kompensasi | 0,122 | 0,105 | 0,084 | 0,248 |
| Kepuasan | 0,458 | 0,083 | 0,428 | < 0,001 |
R² = 0,364; F(3, 146) = 27,795; p < 0,001; e₂ = √(1 − 0,3635) = 0,798. Persamaan strukturalnya:
Kepuasan = 0,352·Kepemimpinan + 0,289·Kompensasi + 0,855·e1
Kinerja = 0,223·Kepemimpinan + 0,084·Kompensasi + 0,428·Kepuasan + 0,798·e2
Koefisien jalur adalah Beta, bukan B, karena hanya Beta yang bisa dibandingkan antarjalur dengan satuan berbeda. Satu jalur tidak signifikan, yaitu Kompensasi → Kinerja (p = 0,248), sehingga H4 tidak didukung.
Sebagian pedoman kampus juga meminta koefisien determinasi total model, R²m = 1 − e₁² × e₂² = 1 − (0,7304 × 0,6365) = 0,535. Laporkan nilai ini hanya bila pedoman Anda memintanya, dengan rumus dan rujukan dari pedoman kampus tersebut.
Pengaruh Langsung, Tidak Langsung, dan Total
Pengaruh tidak langsung adalah perkalian koefisien jalur di sepanjang rute, sedangkan pengaruh total adalah jumlah pengaruh langsung dan tidak langsung:
| Pengaruh terhadap Kinerja | Langsung | Tidak langsung via Kepuasan | Total |
|---|---|---|---|
| Kepemimpinan | 0,223 | 0,352 × 0,428 = 0,150 | 0,373 |
| Kompensasi | 0,084 | 0,289 × 0,428 = 0,124 | 0,208 |
| Kepuasan | 0,428 | — | 0,428 |
Angka dihitung dari koefisien yang belum dibulatkan, jadi perkalian angka yang sudah dibulatkan bisa berselisih 0,001. Cara mengeceknya: pengaruh total sama dengan Beta pada regresi Kinerja atas Kepemimpinan dan Kompensasi tanpa Kepuasan, yaitu 0,373 dan 0,208.
Uji Signifikansi Pengaruh Tidak Langsung
Perkalian 0,352 × 0,428 belum memberi tahu apakah pengaruh tidak langsung itu signifikan. Untuk itu ada dua uji yang lazim. Sebutkan selalu uji yang Anda pakai; "Sig. = 0,003" tanpa nama uji tidak bisa diperiksa penguji.
Uji Sobel
Uji Sobel (Sobel, 1982) memakai koefisien tidak terstandar (B) dan standard error-nya dari kedua regresi: a = pengaruh X terhadap mediator (sub-struktur 1) dan b = pengaruh mediator terhadap Y (sub-struktur 2).
z = (a × b) / √(b²·SEa² + a²·SEb²)
Untuk Kepemimpinan: a = 0,3646 (SE 0,0768) dan b = 0,4576 (SE 0,0827), sehingga a × b = 0,167 dan z = 3,60 (p < 0,001). Untuk Kompensasi: a = 0,3896 (SE 0,0997), sehingga a × b = 0,178 dan z = 3,19 (p = 0,001). Kedua pengaruh tidak langsung signifikan. Kelemahan Sobel adalah asumsinya bahwa a × b berdistribusi normal, padahal distribusi hasil kali dua koefisien biasanya menceng. Karena itu, uji ini cenderung kurang peka (Hayes, 2022).
Bootstrap dengan PROCESS Model 4
Bootstrap mengambil ulang sampel secara acak dengan pengembalian, misalnya 5.000 kali, menghitung a × b di setiap sampel, lalu mengambil persentil ke-2,5 dan ke-97,5 sebagai interval kepercayaan 95%. Bila interval itu tidak memuat nol, pengaruh tidak langsung signifikan. Interval kepercayaan bukan metode ketiga, melainkan cara membaca hasil bootstrap.
Di PROCESS (Hayes, 2022), pada dialog versi 5.0 (per Oktober 2026), isi Y Variable dengan Kinerja, X Variable(s) dengan Kepemimpinan, M: Mediator(s) dengan Kepuasan, COV: Covariate(s) dengan Kompensasi, Model 4, dan jumlah sampel bootstrap 5.000, lalu aktifkan Total effect of X di Options agar efek total (c) ikut dicetak. Jalankan sekali lagi dengan Kompensasi sebagai X dan Kepemimpinan sebagai kovariat. Output yang dibaca:
| Efek (Kepemimpinan sebagai X) | Koefisien | Keterangan |
|---|---|---|
| a (X → Kepuasan) | 0,365 | p < 0,001 |
| b (Kepuasan → Kinerja) | 0,458 | p < 0,001 |
| c′ (langsung) | 0,247 | p = 0,003 |
| c (total) | 0,414 | p < 0,001; c = c′ + a × b |
| a × b (tidak langsung) | 0,167 | BootSE 0,042; BootLLCI 0,088; BootULCI 0,252 |
Untuk Kompensasi, efek tidak langsungnya 0,178 (BootSE 0,056; IK 95% [0,079; 0,296]). Koefisien PROCESS tidak terstandar, jadi angkanya sama dengan B di tabel SPSS, bukan Beta. Batas interval bootstrap bisa sedikit berbeda setiap kali dijalankan karena pengambilan sampelnya acak, tetapi kesimpulannya akan sama selama batasnya tidak dekat nol.
Mediasi Penuh atau Parsial?
| Pengaruh langsung (c′) | Pengaruh tidak langsung (a × b) | Kesimpulan |
|---|---|---|
| Signifikan | Signifikan | Mediasi parsial |
| Tidak signifikan | Signifikan | Mediasi penuh |
| Signifikan | Tidak signifikan | Tidak ada mediasi (hanya langsung) |
| Tidak signifikan | Tidak signifikan | Tidak ada pengaruh |
Pada contoh ini, kepuasan kerja memediasi secara parsial pengaruh kepemimpinan, karena jalur langsungnya tetap signifikan (p = 0,003). Pengaruh kompensasi dimediasi secara penuh: jalur langsungnya tidak signifikan, tetapi efek tidak langsungnya signifikan. Zhao et al. (2010) menyebut kedua pola ini complementary mediation dan indirect-only mediation. Mereka juga menunjukkan bahwa syarat lama Baron dan Kenny (1986), yaitu pengaruh total X → Y harus signifikan lebih dulu, tidak diperlukan untuk menyimpulkan mediasi. Zhao et al. (2010) dan Hayes (2022) sebenarnya menyarankan agar label penuh dan parsial tidak dipakai; label itu dipertahankan di sini karena banyak kampus memintanya, sedangkan bukti utamanya tetap efek tidak langsung a × b yang signifikan.
Trimming: Membuang Jalur yang Tidak Signifikan
Banyak skripsi di Indonesia melanjutkan dengan trimming: jalur yang tidak signifikan dikeluarkan, lalu sub-struktur yang bersangkutan dihitung ulang. Bila Kompensasi → Kinerja dibuang, sub-struktur 2 menjadi Kinerja = 0,236·Kepemimpinan + 0,455·Kepuasan, dengan R² turun sedikit dari 0,364 menjadi 0,358. Trimming hanya sah bila jalur itu memang tidak didukung teori yang kuat. Jalur yang dihipotesiskan tetap dilaporkan sebagai hipotesis yang tidak didukung, bukan dihapus diam-diam.
Analisis Jalur, CB-SEM, atau PLS-SEM?
| Aspek | Analisis jalur (SPSS + PROCESS) | CB-SEM (AMOS, LISREL) | PLS-SEM (SmartPLS) |
|---|---|---|---|
| Jenis variabel | Skor teramati (skor total) | Laten dengan indikator | Laten dengan indikator |
| Kesalahan pengukuran | Diabaikan (skor dianggap tanpa galat) | Dimodelkan secara eksplisit | Indikator dirangkum menjadi skor komposit |
| Model timbal balik | Tidak bisa | Bisa, bila model teridentifikasi | Tidak bisa |
| Kecocokan model keseluruhan | Tidak ada indeks fit | χ², RMSEA, CFI, dan lain-lain | Terbatas (SRMR) |
Analisis jalur dengan regresi cukup untuk model sederhana dengan skor total. Bila penelitian Anda menekankan konstruk laten yang diukur banyak indikator, beralihlah ke SEM. PLS-SEM tidak dapat mengestimasi model dengan hubungan timbal balik (Hair et al., 2022), sedangkan beberapa mediator paralel atau berurutan masih bisa ditangani PROCESS (Model 4 dan Model 6). Panduan SmartPLS untuk pemula dan CFA dengan AMOS membahas kedua jalur tersebut.
Menulis Hasil Analisis Jalur di Bab 4
Template berikut memakai angka contoh di atas. Sesuaikan dengan penelitian Anda, jangan disalin mentah.
Kepemimpinan (β = 0,352; p < 0,001) dan kompensasi (β = 0,289; p < 0,001) berpengaruh positif terhadap kepuasan kerja, dengan R² = 0,270. Kepuasan kerja berpengaruh positif terhadap kinerja (β = 0,428; p < 0,001). Kepemimpinan juga berpengaruh langsung terhadap kinerja (β = 0,223; p = 0,003), sedangkan pengaruh langsung kompensasi terhadap kinerja tidak signifikan (β = 0,084; p = 0,248).
Pengaruh tidak langsung kepemimpinan terhadap kinerja melalui kepuasan kerja sebesar 0,150 (terstandar) signifikan menurut uji Sobel (z = 3,60; p < 0,001) dan bootstrap 5.000 sampel (efek = 0,167; IK 95% [0,088; 0,252]), sehingga kepuasan kerja memediasi secara parsial. Pengaruh tidak langsung kompensasi juga signifikan (efek = 0,178; IK 95% [0,079; 0,296]), sementara pengaruh langsungnya tidak, sehingga kepuasan kerja memediasi secara penuh.
Kesalahan Umum yang Sering Dicoret Penguji
- Memakai Stepwise. Koefisien jalur harus berasal dari regresi Enter sesuai model teoretis.
- Mencampur B dan Beta. Gunakan Beta untuk koefisien jalur dan dekomposisi pengaruh, tetapi B dan SE untuk uji Sobel dan PROCESS.
- Menulis signifikansi tanpa nama uji. Sebutkan Sobel, bootstrap, atau keduanya, beserta nilai z atau interval kepercayaannya.
- Lupa koefisien residu. e = √(1 − R²) bagian dari persamaan struktural dan sering ditanyakan saat sidang.
- Menyimpulkan kausalitas pasti dari data survei satu waktu. Analisis jalur menunjukkan bahwa data konsisten dengan model, bukan membuktikan arah sebab-akibat.
- Menambah atau membuang jalur demi signifikansi. Setiap perubahan model harus punya alasan teoretis yang ditulis di Bab 3 atau Bab 4.
Kesimpulan
Analisis jalur di SPSS pada dasarnya adalah beberapa regresi yang dibaca sebagai satu model. Beta menjadi koefisien jalur, √(1 − R²) menjadi koefisien residu, dan perkalian jalur menjadi pengaruh tidak langsung. Bagian yang paling sering lemah di skripsi adalah uji signifikansi pengaruh tidak langsung: gunakan bootstrap (PROCESS Model 4) sebagai uji utama, lengkapi dengan Sobel bila kampus memintanya, lalu tentukan mediasi penuh atau parsial dari pengaruh langsungnya. Cara membaca tabel regresi per sub-struktur dijelaskan rinci di panduan regresi linier berganda.
Bila Anda ingin model jalur Anda diperiksa, dari persamaan sub-struktur hingga uji mediasi, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan setiap output-nya, agar Anda memahami setiap langkahnya dan siap mempertahankannya saat sidang.
Pertanyaan yang Sering Diajukan
Apa beda analisis jalur dengan regresi linier berganda?
Regresi linier berganda hanya punya satu persamaan dengan satu variabel terikat. Analisis jalur menggabungkan beberapa persamaan regresi dalam satu model, sehingga sebuah variabel bisa menjadi variabel terikat di satu persamaan dan variabel bebas di persamaan lain. Dari situ, pengaruh langsung, tidak langsung, dan total bisa dihitung.
Bagaimana jika uji Sobel tidak signifikan tetapi bootstrap signifikan?
Ikuti hasil bootstrap. Uji Sobel mengasumsikan distribusi a × b normal sehingga cenderung kurang peka, terutama pada sampel kecil, sedangkan bootstrap tidak memerlukan asumsi itu (Hayes, 2022). Laporkan keduanya bila pedoman kampus meminta Sobel, lalu jelaskan perbedaannya di pembahasan.
Berapa ukuran sampel minimal untuk analisis jalur?
Hitung untuk sub-struktur dengan prediktor terbanyak. Pada contoh ini sub-struktur 2 memiliki tiga prediktor, dan G*Power dengan f² = 0,15, α 0,05, serta power 0,80 menghasilkan minimal 77 responden. Efek tidak langsung adalah hasil kali dua koefisien sehingga ukurannya lebih kecil, jadi sampel yang lebih besar memberi peluang lebih baik untuk mendeteksinya. Rumus lain ada di panduan menghitung ukuran sampel.
Bisakah analisis jalur dipakai untuk data kuesioner skala Likert?
Bisa, asalkan setiap variabel diwakili skor total atau skor rata-rata dari butir-butir yang sudah lolos uji validitas dan reliabilitas. Analisis jalur dengan regresi menganggap skor itu bebas dari kesalahan pengukuran. Bila reliabilitasnya rendah atau model Anda menekankan konstruk laten, SEM lebih tepat.
Apakah variabel intervening sama dengan mediator?
Ya. Banyak skripsi di Indonesia memakai istilah variabel intervening untuk mediator, yaitu variabel yang berada di antara X dan Y dalam rantai X → M → Y. Cara mengujinya sama: hitung efek tidak langsung a × b dan uji signifikansinya dengan Sobel atau bootstrap.
Referensi
- Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). SAGE.
- Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
- Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312. https://doi.org/10.2307/270723
- 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. https://doi.org/10.1086/651257


