Tutorial Uji Mediasi dan Moderasi pada PLS SEM dengan Menggunakan SmartPLS 4
Banyak peneliti dan mahasiswa tingkat akhir mengalami keraguan besar saat menjalankan tutorial uji mediasi dan moderasi pada PLS SEM dengan menggunakan SmartPLS 4, terutama ketika menemukan hasil di mana pengaruh langsung bernilai tidak signifikan tetapi efek tidak langsung menunjukkan hasil yang signifikan. Gejala lain yang sering memicu kebingungan adalah munculnya nilai p-value di atas 0,05 pada koefisien interaksi variabel moderasi, padahal secara teoretis variabel tersebut diasumsikan memiliki pengaruh memperkuat atau memperlemah hubungan antarkonstruk. Kondisi ini sering kali diperparah oleh lonjakan nilai standard error pada estimasi bootstrapping yang mengakibatkan nilai t-hitung merosot drastis.
Penanganan kendala ini sering menjadi tidak tepat karena peneliti keliru dalam menentukan metode pembentukan interaction term pada uji moderasi atau salah dalam mengklasifikasikan jenis mediasi yang terbentuk. Kesalahan memilih antara pendekatan Two-Stage, Orthogonalizing, atau Product Indicator pada SmartPLS 4 dapat menyebabkan terjadinya multikolinearitas buatan dan penurunan daya uji statistik (*statistical power*). Akibatnya, kesimpulan penelitian menjadi bias dan tidak sesuai dengan fenomena empiris yang diteliti.
Secara konseptual, analisis mediasi dalam kerangka Partial Least Squares Structural Equation Modeling (PLS-SEM) bertujuan untuk menjelaskan mekanisme kausalitas antara variabel independen dan dependen melalui intervensi variabel ketiga yang disebut variabel perantara atau mediator. Zhao et al. (2010) mengemukakan paradigma modern dalam analisis mediasi yang menyatakan bahwa syarat tradisional Baron dan Kenny—yang mewajibkan pengaruh langsung harus signifikan sebelum menguji efek mediasi—sudah tidak lagi berlaku secara absolut. Fokus utama dalam pengujian mediasi PLS-SEM terletak pada signifikansi efek tidak langsung (*indirect effect*).
Di sisi lain, analisis moderasi bertujuan untuk menguji apakah variabel ketiga (moderator) dapat mengubah kekuatan atau arah hubungan sistematis antara variabel independen dan variabel dependen. Hair et al. (2021) menjelaskan bahwa efek moderasi terjadi ketika besarnya pengaruh suatu konstruk terhadap konstruk lain bervariasi bergantung pada tingkat variabel moderator. Untuk memahami pemahaman komprehensif mengenai estimasi parameter dan asumsi statistik dasar dalam model persama struktural, Anda dapat mempelajari kembali dasar teori PLS SEM di portal utama kami.
SmartPLS 4 menghadirkan penyempurnaan algoritmik yang memungkinkan pengujian efek mediasi dan moderasi dilakukan secara simultan dalam satu model kompleks. Nitzl et al. (2016) menekankan bahwa pendekatan non-parametrik pada PLS-SEM sangat cocok untuk uji mediasi dan moderasi karena tidak memerlukan asumsi distribusi normal multivariat. Hal ini memberikan tingkat kekuatan statistik (*statistical power*) yang lebih tinggi dibandingkan dengan metode kovalensial CB-SEM saat menangani sampel kecil hingga menengah.
Pengujian mediasi dan moderasi dalam SmartPLS 4 mengandalkan prosedur bootstrapping untuk menghitung statistik t dan nilai p-value. Preacher dan Hayes (2008) merekomendasikan penggunaan selang kepercayaan persentil (*percentile bootstrap confidence intervals*) atau *Bias-Corrected and Accelerated (BCa) bootstrap* karena terbukti lebih akurat dalam menguji pengaruh tidak langsung yang sering kali memiliki distribusi tidak simetris.
Langkah pertama dalam melakukan analisis mediasi dan moderasi pada SmartPLS 4 adalah meyakinkan bahwa model pengukuran (*outer model*) telah memenuhi kriteria validitas konvergen, validitas diskriminan, dan reliabilitas konstruk. Pengujian model struktural (*inner model*) tidak boleh dilanjutkan jika indikator-indikator penelitian belum valid secara statistik.
Untuk menyusun model mediasi pada SmartPLS 4, buatlah jalur dari variabel independen (X) menuju variabel mediator (M), lalu buat jalur dari variabel mediator (M) menuju variabel dependen (Y). Secara otomatis, SmartPLS 4 akan mendeteksi hubungan tidak langsung (*indirect path*) dalam struktur tersebut.
Untuk menyusun model moderasi, klik kanan pada variabel dependen (Y) dalam canvas SmartPLS 4, lalu pilih opsi Add Moderating Effect. Tentukan variabel independen (X) sebagai variabel prediktor dan variabel (Z) sebagai variabel moderator. Prosedur ini akan secara otomatis menambahkan variabel interaksi (X * Z) dalam diagram jalur.
Pilihlah metode pembentukan interaksi yang tepat. SmartPLS 4 menyediakan tiga metode utama: Two-Stage, Orthogonalizing, dan Product Indicator. Hair et al. (2022) merekomendasikan penggunaan metode Two-Stage sebagai standar utama karena mampu menghasilkan nilai estimasi yang stabil, mempertahankan daya prediksi model, serta sangat fleksibel baik untuk konstruk refleksif maupun formatif.
Lakukan penyesuaian pada skala variabel moderator jika diperlukan. Jika menggunakan metode Product Indicator, disarankan melakukan proses standardisasi (*mean centering*) pada variabel prediktor dan moderator untuk menekan risiko multikolinearitas antarkonstruk tunggal dengan perkalian interaksinya.
Setelah seluruh jalur terhubung, jalankan algoritma awal dengan memilih menu Calculate -> PLS-SEM Algorithm. Tahapan ini bertujuan untuk mengevaluasi nilai koefisien jalur (*path coefficient*), R-square, dan f-square effect size dalam data sampel asli.
Lanjutkan ke tahap uji signifikansi dengan memilih menu Calculate -> Bootstrapping. Atur opsi pengujian dengan parameter berikut: set jumlah sampel ulang (*subsamples*) sebesar 5.000 (atau 10.000 untuk presisi tinggi), pilih jenis *amount of results* pada level *Faster* atau *Complete*, dan pastikan metode pengujian menggunakan *Two-Tailed* (atau *One-Tailed* jika memiliki hipotesis terarah yang kuat).
Pada tab pengaturan Bootstrapping, centang opsi BCa Bootstrap (Bias-Corrected and Accelerated) dengan tingkat kepercayaan (*confidence level*) sebesar 95%. Henseler et al. (2009) menyatakan bahwa prosedur BCa memberikan koreksi bias yang efektif terhadap penyimpangan distribusi sampel pada estimasi pengaruh tidak langsung.
Setelah proses pengolahan selesai, buka laporan output hasil kalkulasi. Untuk mengevaluasi pengujian mediasi, periksa menu Specific Indirect Effects. Jangan melihat pengaruh tidak langsung pada tabel umum jika model Anda memiliki lebih dari satu variabel mediator, untuk menghindari kesalahan pembacaan jalur.
Untuk mengevaluasi pengujian moderasi, periksa menu Path Coefficients dan amati baris interaksi (misalnya: X * Z -> Y). Evaluasi koefisien jalur interaksi, nilai t-hitung, dan nilai p-value untuk menentukan apakah peran moderasi terbukti secara signifikan.
Contoh tabel/diagram output Uji Mediasi dan Moderasi pada PLS SEM dengan SmartPLS 4.
Untuk membaca contoh tabel output analisis SmartPLS 4 di atas secara sistematis dan logis, perhatikan langkah-langkah evaluasi komponen angka berikut:
1. Kolom Original Sample (O): Kolom ini menunjukkan besarnya nilai koefisien jalur (*path coefficient*). Nilai positif menunjukkan hubungan yang searah, sedangkan nilai negatif menunjukkan hubungan yang berlawanan arah. Pada jalur mediasi (X -> M -> Y), nilai 0,245 menandakan efek tidak langsung bernilai positif. Pada jalur moderasi (X * Z -> Y), nilai 0,185 menunjukkan bahwa keberadaan variabel Z mampu meningkatkan kekuatan hubungan positif antara X dan Y sebesar 0,185 unit.
2. Kolom Standard Deviation (STDEV): Angka ini merepresentasikan tingkat variasi atau tingkat kesalahan standar (*standard error*) dari estimasi *bootstrapping*. Makin kecil nilai STDEV relatif terhadap *Original Sample*, makin stabil dan presisi estimasi parameter yang dihasilkan.
3. Kolom T Statistics (|O/STDEV|): Nilai t-hitung diperoleh dari pembagian antara nilai *Original Sample* dengan *Standard Deviation*. Nilai t-hitung ini kemudian dibandingkan dengan nilai t-tabel kriteria. Pada pengujian dua arah (*two-tailed*) dengan tingkat signifikansi 5%, ambang batas t-hitung yang harus dipenuhi adalah sebesar 1,96. Nilai t-hitung jalur mediasi (3,224) dan moderasi (2,569) berada di atas 1,96, yang mengindikasikan hasil signifikan.
4. Kolom P Values: Nilai p-value digunakan sebagai kriteria tunggal dalam pengambilan keputusan hipotesis. Hipotesis dinyatakan diterima atau berpengaruh signifikan apabila nilai p-value lebih kecil dari 0,05 (pada alpha 5%). Berdasarkan tabel output, jalur mediasi memiliki p-value sebesar 0,001 dan jalur moderasi sebesar 0,010, yang berarti kedua efek tersebut valid dan signifikan secara statistik.
Pembahasan mendalam terhadap hasil uji mediasi memerlukan klasifikasi yang tepat sesuai dengan tipologi yang dikembangkan oleh Zhao et al. (2010) dan Nitzl et al. (2016). Berdasarkan hasil analisis pada tabel output di atas, ditemukan bahwa pengaruh tidak langsung (X -> M -> Y) bernilai signifikan (p = 0,001), sementara pengaruh langsung (X -> Y) bernilai tidak signifikan (p = 0,167). Kategori ini mengindikasikan terbentuknya Indirect-Only Mediation atau yang dalam terminologi klasik dinamakan Full Mediation (Mediasi Penuh).
Kondisi mediasi penuh ini menjelaskan bahwa variabel mediator (M) berperan secara mutlak dalam menyalurkan pengaruh dari variabel independen (X) ke variabel dependen (Y). Tanpa keberadaan variabel mediator, variabel independen tidak memiliki kemampuan untuk mempengaruhi variabel dependen secara langsung. Fenomena ini memberikan kontribusi teoretis yang kuat bahwa mekanisme kausalitas sepenuhnya berjalan melalui jalur perantara.
Apabila dalam penelitian Anda ditemukan hasil di mana pengaruh tidak langsung dan pengaruh langsung sama-sama signifikan, maka terdapat dua kemungkinan kategori mediasi. Jika perkalian koefisien jalur langsung dan tidak langsung bernilai positif, dinamakan Complementary Mediation. Namun, jika perkalian kedua koefisien tersebut bernilai negatif, dinamakan Competitive Mediation (Zhao et al., 2010).
Pada analisis moderasi, evaluasi tidak hanya berhenti pada nilai signifikansi interaksi (X * Z -> Y), melainkan juga harus melihat peran variabel moderator secara mandiri (Z -> Y). Klasifikasi tipe moderasi diukur berdasarkan kriteria Sharma et al. (1981) dan Ramayah et al. (2018):
1. Quasi Moderation (Moderasi Semu): Terjadi ketika koefisien interaksi (X * Z -> Y) signifikan dan pengaruh langsung variabel moderator (Z -> Y) juga signifikan. Pada contoh tabel output di atas, nilai interaksi signifikan (p = 0,010) dan nilai jalur direct Z -> Y juga signifikan (p = 0,000), sehingga variabel Z dikategorikan sebagai Quasi Moderator.
2. Pure Moderation (Moderasi Murni): Terjadi jika koefisien interaksi (X * Z -> Y) signifikan, namun pengaruh langsung variabel moderator (Z -> Y) bernilai tidak signifikan. Hal ini menunjukkan bahwa variabel Z murni hanya bertindak sebagai moderator tanpa menjadi variabel prediktor utama.
3. Homologiser Moderation / Potential Moderator: Terjadi jika koefisien interaksi dan koefisien jalur langsung Z keduanya tidak signifikan, sehingga variabel tersebut tidak terbukti secara empiris memiliki peran moderasi.
Selain melihat nilai p-value, Hair et al. (2021) sangat menekankan pentingnya melaporkan nilai ukuran efek (f-square effect size) khusus untuk efek moderasi. Nilai f-square moderasi mengukur seberapa besar kontribusi variabel interaksi terhadap perubahan nilai R-square variabel dependen. Ambang batas nilai f-square untuk moderasi menurut Cohen (1988) dikategorikan menjadi tiga tingkatan: 0,02 (efek kecil), 0,15 (efek sedang), dan 0,35 (efek besar).
Guna melengkapi pelaporan analisis moderasi yang berkualitas tinggi, peneliti direkomendasikan untuk menyajikan grafik Simple Slope Analysis yang disediakan secara otomatis oleh SmartPLS 4. Grafik ini menggambarkan garis hubungan antara X dan Y pada tiga tingkatan variabel moderator (mean, +1 standard deviasi, dan -1 standard deviasi). Kemiringan garis tersebut secara visual memperlihatkan bagaimana variabel Z memperkuat atau memperlemah hubungan antarvariabel.
Pengujian mediasi dan moderasi pada PLS-SEM dengan menggunakan SmartPLS 4 memberikan fleksibilitas metodologis yang sangat baik untuk menguji model-model penelitian perilaku dan sosial yang kompleks. Kunci utama keberhasilan analisis ini terletak pada ketepatan spesifikasi model, pemahaman bahwa pengujian mediasi berfokus pada keberadaan specific indirect effect, serta pemilihan metode pembentukan interaksi Two-Stage pada pengujian moderasi. Melalui penerapan prosedur bootstrapping 5.000 subsamples berbasis interval BCa 95%, estimasi parameter yang dihasilkan terjamin keandalan dan presisinya secara ilmiah.
Daftar Pustaka
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
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.
Hair, J. F., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). When to use and how to report the results of PLS-SEM. European Business Review, 31(1), 2-24.
Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-319.
Nitzl, C., Roldan, J. L., & Cepeda, G. (2016). Mediation analysis in PLS-SEM: Conditioned effects or direct effects?. Industrial Management & Data Systems, 116(9), 1849-1864.
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.
Ramayah, T., Cheah, J., Chuah, F., Ting, H., & Memon, M. A. (2018). Partial Least Squares Structural Equation Modeling (PLS-SEM) using SmartPLS 3.0: An Updated and Practical Guide to Statistical Analysis (2nd ed.). Pearson Malaysia.
Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderating variables. Journal of Marketing Research, 18(3), 291-300.
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.