Tutorial Uji Efek Langsung (Direct Effects) dan Tidak Langsung (Specific/Total Indirect Effect) di SmartPLS
Kebingungan saat membaca laporan pengujian hipotesis mediasi sering dialami peneliti ketika hasil koefisien jalur menunjukkan nilai yang bertolak belakang antar tabel output. Masalah ini kerap ditandai dengan munculnya keraguan saat tutorial uji efek langsung (direct effects) dan tidak langsung (specific/total indirect effect) di SmartPLS dijalankan, di mana efek langsung bernilai tidak signifikan namun efek tidak langsung bernilai signifikan, atau ketika peneliti salah membedakan antara specific indirect effect dan total indirect effect.
Kesalahan penafsiran ini berpotensi menyebabkan salah tarik kesimpulan mengenai sifat mediasi (apakah full mediation, partial mediation, atau no mediation). Gejala kekeliruan teknis juga muncul ketika peneliti masih mengandalkan pengujian Sobel secara manual dibandingkan memanfaatkan prosedur bootstrapping non-parametrik yang disediakan oleh software SmartPLS.
Secara teoritis, efek langsung (direct effect) didefinisikan sebagai besarnya pengaruh dari variabel eksogen terhadap variabel endogen tanpa melalui variabel perantara. Sementara itu, efek tidak langsung (indirect effect) mewakili besarnya pengaruh variabel eksogen terhadap variabel endogen yang disalurkan melalui satu atau lebih variabel mediasi (intervening). Total efek (total effect) merupakan penjumlahan matematis antara efek langsung dan seluruh efek tidak langsung dalam sistem model struktural.
Pendekatan klasik pengujian mediasi yang dikembangkan oleh Baron dan Kenny (1986) menetapkan empat tahapan pengujian regresi secara bertahap. Namun, metodologi ini memiliki kelemahan statistik yang signifikan, terutama ketergantungan pada asumsi normalitas multivariat dan rendahnya kekuatan statistik (statistical power) pada ukuran sampel sedang hingga kecil.
Seiring berkembangnya teknik Structural Equation Modeling berbasis varians (PLS-SEM), Preacher dan Hayes (2004, 2008) memperkenalkan pendekatan pengujian efek tidak langsung berbasis bootstrapping. Metode ini dipromosikan oleh Hair et al. (2021) karena bersifat non-parametrik, sehingga tidak menuntut distribusi normal data dan mampu menghitung selang kepercayaan (confidence interval) yang jauh lebih akurat.
Pembedaan antara specific indirect effect dan total indirect effect menjadi sangat vital pada model yang memiliki lebih dari satu variabel perantara (multiple mediation). Specific indirect effect mengukur jalur spesifik tertentu melalui satu variabel perantara khusus, sedangkan total indirect effect mengukur akumulasi seluruh jalur tidak langsung yang menghubungkan variabel eksogen ke variabel endogen.
Bagi peneliti yang ingin mendalami landasan ilmiah mengenai formulasi matematis serta konsep dasar analisis jalur dan mediasi variabel, dapat membaca ulasan teori mendalam yang dipublikasikan pada domain utama statistikian.com.
Berikut adalah langkah-langkah teknis mandiri untuk menjalankan dan mengevaluasi uji efek langsung serta tidak langsung pada perangkat lunak SmartPLS:
1. Buka proyek analisis pada aplikasi SmartPLS dan pastikan model struktural yang menghubungkan variabel eksogen, variabel perantara, serta variabel endogen telah tergambar dengan benar.
2. Pilih menu Calculate lalu klik opsi Bootstrapping. Penggunaan algoritma bootstrapping wajib dilakukan karena estimasi efek tidak langsung tidak dapat diperoleh dari perhitungan PLS-SEM algorithm standar.
3. Atur parameter Subsamples sebanyak 5000 untuk menjamin kestabilan estimasi statistik, pilih metode Two-Tailed pada uji signifikansi, dan centang opsi Bias-Corrected and Accelerated (BCa) Bootstrap untuk memperoleh confidence interval yang presisi.
4. Setelah proses perhitungan selesai, buka lembar hasil (report) dan masuk ke bagian Path Coefficients untuk mengevaluasi nilai koefisien, t-statistic, dan p-value dari efek langsung (direct effects).
5. Navigasikan tampilan ke bagian Specific Indirect Effects. Tabel ini menampilkan nilai estimasi tiap jalur tidak langsung secara terpisah beserta tingkat signifikansi masing-masing jalur perantara.
6. Periksa tabel Total Indirect Effects untuk melihat penjumlahan seluruh efek tidak langsung dari variabel eksogen ke endogen. Nilai ini sangat berguna untuk menilai signifikansi dampak perantara secara keseluruhan.
7. Hitung nilai total efek yang merupakan gabungan koefisien efek langsung dan total efek tidak langsung untuk memahami daya pengaruh menyeluruh variabel eksogen terhadap endogen.
8. Tentukan tipologi mediasi berdasarkan kriteria Zhao et al. (2010) dan Nitzl et al. (2016): jika efek tidak langsung signifikan dan efek langsung signifikan dengan arah koefisien sama, maka terjadi complementary partial mediation; jika arah koefisien berlawanan terjadi competitive partial mediation; jika efek tidak langsung signifikan namun efek langsung tidak signifikan terjadi full mediation.
Contoh Tabel/Diagram Output Uji Efek Langsung dan Tidak Langsung di SmartPLS
Pembacaan tabel output SmartPLS di atas menunjukkan bahwa pengaruh langsung X ke Y bernilai koefisien 0.215 dengan p-value 0.036 (signifikan pada taraf 5%). Sementara itu, pengujian efek tidak langsung spesifik melalui M1 menghasilkan koefisien 0.312 dengan p-value 0.000 (signifikan), sedangkan jalur tidak langsung melalui M2 menghasilkan koefisien 0.085 dengan p-value 0.263 (tidak signifikan).
Hasil ini menegaskan bahwa variabel M1 terbukti secara empiris berperan sebagai variabel perantara yang signifikan, sedangkan M2 tidak berfungsi sebagai perantara dalam model ini. Karena baik efek langsung maupun specific indirect effect melalui M1 bernilai signifikan dengan tanda koefisien yang sama-sama positif, maka dapat disimpulkan bahwa bentuk mediasi variabel M1 adalah complementary partial mediation.
Secara akademis, pergeseran dari metode konvensional Baron dan Kenny menuju uji mediasi berbasis bootstrapping didukung kuat oleh literatur modern. Zhao et al. (2010) mengritik syarat awal Baron dan Kenny yang mengharuskan adanya pengaruh langsung yang signifikan sebelum menguji efek tidak langsung. Dalam banyak kasus praktis, efek tidak langsung dapat terbentuk secara signifikan meskipun efek langsung tidak terdeteksi.
Nitzl et al. (2016) menekankan pentingnya menganalisis specific indirect effect dalam model mediasi berganda (multiple mediation). Menggabungkan seluruh efek tidak langsung hanya pada angka total indirect effect tanpa memeriksa tiap jalur secara spesifik dapat menutupi keberadaan jalur perantara yang sebenarnya tidak signifikan atau bahkan saling meniadakan.
Dalam hal pelaporan hasil pada jurnal ilmiah, Hair et al. (2021) merekomendasikan untuk menyajikan koefisien sampel asli (original sample), standar deviasi, t-statistic, p-value, serta nilai bias-corrected confidence interval 95% (2.5% dan 97.5%). Penyajian rentang kepercayaan ini memberikan bukti statistik yang lebih kokoh daripada sekadar mengandalkan nilai p-value.
Mengenai penggunaan indikator Variance Accounted For (VAF), sebagian besar pakar PLS-SEM saat ini lebih menyarankan klasifikasi tipologi mediasi Zhao et al. daripada mematok persentase VAF. Hal ini disebabkan VAF sering kali memberikan hasil yang tidak stabil jika nilai efek langsung sangat kecil atau mendekati nol.
Penerapan prosedur bootstrapping yang tepat di SmartPLS menjamin bahwa analisis hubungan langsung, tidak langsung spesifik, dan tidak langsung total dapat dipertanggungjawabkan secara metodologis, bebas dari bias asumsi distribusi, dan memenuhi standar publikasi internasional.
Kesimpulan
Pengujian efek langsung (direct effect), efek tidak langsung spesifik (specific indirect effect), dan efek tidak langsung total (total indirect effect) di SmartPLS merupakan prosedur krusial dalam analisis mediasi. Dengan memanfaatkan fitur bootstrapping non-parametrik 5000 subsamples, peneliti dapat menguji signifikansi jalur perantara secara presisi tanpa terkendala asumsi normalitas data. Pemahaman yang tepat terhadap perbedaan tabel specific dan total indirect effect memastikan penarikan kesimpulan tipologi mediasi secara akurat dan valid.
Daftar Pustaka
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.
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE Publications.
Nitzl, C., Roldan, J. L., & Cepeda, G. (2016). Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Industrial Management & Data Systems, 116(9), 1849-1864.
Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, & Computers, 36(4), 717-731.
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.
Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation. Journal of Consumer Research, 37(2), 197-206.