Uji Mediasi dengan Uji Sobel dan PROCESS Hayes: Cara Menguji dan Membaca Hasilnya

Uji Sobel adalah cara menguji apakah pengaruh variabel X terhadap Y berjalan melalui variabel mediasi M, dengan menguji hasil kali dua koefisien jalur (a × b). Saat ini, cara yang lebih dianjurkan adalah PROCESS Hayes dengan interval kepercayaan bootstrap, karena lebih akurat terutama pada sampel kecil.

Judul seperti “Pengaruh Kualitas Layanan terhadap Loyalitas dengan Kepuasan sebagai Variabel Intervening” sangat sering diolah dengan SPSS. Banyak mahasiswa memakai langkah Baron dan Kenny lalu kalkulator Sobel daring. Belakangan, penguji makin sering bertanya: “Kenapa tidak memakai bootstrap?” Artikel ini menjelaskan kedua cara, kapan hasilnya bisa berbeda, dan cara menuliskannya.

Artikel ini bagian dari seri Materi Statistik IDTesis. Jika variabel Anda berupa konstruk laten dengan banyak indikator dan diolah dengan SmartPLS, baca artikel variabel intervening di SmartPLS.

Konsep Dasar: Jalur a, b, c, dan c’

Jalur	Arti	Diperoleh dari regresi
a	Pengaruh X terhadap M	M diregresikan pada X
b	Pengaruh M terhadap Y, dengan X dikendalikan	Y diregresikan pada X dan M
c’	Efek langsung X terhadap Y, dengan M dikendalikan	Y diregresikan pada X dan M
c	Efek total X terhadap Y	Y diregresikan pada X saja
a × b	Efek tidak langsung X terhadap Y melalui M	Hasil kali a dan b

Pada regresi biasa berlaku hubungan c = c’ + ab. Efek total terbagi menjadi bagian yang langsung dan bagian yang lewat mediator. Yang diuji dalam analisis mediasi adalah efek tidak langsung, yaitu a × b.

Perlu diingat, analisis mediasi mengasumsikan urutan sebab-akibat X ? M ? Y. Statistik tidak bisa membuktikan urutan itu sendiri, jadi urutannya harus didukung teori di Bab 2.

Dari Baron dan Kenny ke Bootstrap

1. Langkah Baron dan Kenny

Baron dan Kenny (1986) mengusulkan pemeriksaan bertahap: X harus berpengaruh terhadap Y (jalur c), X terhadap M (a), M terhadap Y (b), lalu pengaruh X melemah setelah M dimasukkan. Cara ini banyak dipakai, tetapi punya dua kelemahan. Pertama, efek tidak langsung a × b tidak pernah diuji secara langsung. Kedua, syarat jalur c harus signifikan ternyata tidak diperlukan. Mediasi bisa terjadi walaupun efek total tidak signifikan (Hayes, 2009; Zhao dkk., 2010).

2. Uji Sobel

Sobel (1982) menguji a × b dengan membaginya terhadap perkiraan standard error-nya:

Keterangan: SE? adalah standard error koefisien a, dan SE? adalah standard error koefisien b. Nilai z dibandingkan dengan 1,96 untuk ? = 0,05 dua arah.

Kelemahannya, uji Sobel menganggap sebaran a × b berbentuk normal. Kenyataannya, hasil kali dua koefisien cenderung bersebaran miring, terutama pada sampel kecil. Akibatnya uji Sobel kurang peka dalam mendeteksi efek tidak langsung (Preacher & Hayes, 2004).

3. Interval Kepercayaan Bootstrap

Bootstrap mengambil sampel ulang dari data Anda ribuan kali, misalnya 5.000 kali. Setiap kali, nilai a × b dihitung ulang. Dari 5.000 nilai itu, batas 2,5% terbawah dan 2,5% teratas menjadi interval kepercayaan 95%. Jika interval tidak memuat nol, efek tidak langsung dinyatakan signifikan. Cara ini tidak memerlukan anggapan sebaran normal, dan inilah yang dipakai PROCESS (Hayes, 2022).

Langkah Menjalankan PROCESS di SPSS

1. Unduh PROCESS dari situs resmi processmacro.org, lalu pasang file custom dialog-nya lewat menu Extensions di SPSS. Nama menu bisa sedikit berbeda antarversi SPSS, jadi ikuti panduan pemasangan yang ada di dalam file unduhan. Di Windows, SPSS biasanya perlu dibuka sebagai administrator saat memasang.
2. Buka Analyze ? Regression ? PROCESS.
3. Isi Y variable dengan Loyalitas, X variable dengan Kualitas Layanan, dan Mediator(s) M dengan Kepuasan.
4. Pilih Model number 4 (mediasi sederhana).
5. Atur jumlah sampel bootstrap ke 5000. Di bagian Options, centang pilihan untuk menampilkan model efek total.
6. Klik OK.

Anda juga bisa memakai sintaks. Angka seed membuat hasil bootstrap sama setiap kali dijalankan:

process y=LY /x=KL /m=KP /model=4 /boot=5000 /total=1 /seed=2026.

Contoh: Membaca Output PROCESS

Seorang peneliti mengumpulkan data 150 pelanggan. Kualitas Layanan (X), Kepuasan (M), dan Loyalitas (Y) diukur dengan rata-rata skor butir skala 1–5. Angka di bawah berasal dari data ilustrasi.

Bagian output	Koefisien	SE	t	p
Outcome Kepuasan: Kualitas Layanan (a)	0,714	0,079	9,09	< 0,001
Outcome Loyalitas: Kualitas Layanan (c’)	0,235	0,097	2,42	0,017
Outcome Loyalitas: Kepuasan (b)	0,349	0,082	4,27	< 0,001
Total effect model: Kualitas Layanan (c)	0,485	0,082	5,88	< 0,001

Bagian akhir output menampilkan efek tidak langsung:

Efek	Nilai	BootSE	BootLLCI	BootULCI
Kualitas Layanan ? Kepuasan ? Loyalitas	0,249	0,065	0,127	0,384

Cara membacanya:

1. Efek tidak langsung (a × b) = 0,249. Interval kepercayaan bootstrap 95% adalah [0,127; 0,384]. Interval ini tidak memuat nol, jadi kepuasan terbukti memediasi pengaruh kualitas layanan terhadap loyalitas.
2. Efek langsung (c’) = 0,235, p = 0,017. Kualitas layanan masih berpengaruh langsung terhadap loyalitas walaupun kepuasan sudah dikendalikan.
3. Efek total (c) = 0,485. Angka ini sama dengan 0,235 + 0,249, sesuai hubungan c = c’ + ab.

Sebagai pembanding, uji Sobel untuk data yang sama menghasilkan z = 0,249 / ?(0,349² × 0,079² + 0,714² × 0,082²) ? 3,85 dengan p < 0,001. Pada sampel sebesar ini, kesimpulan kedua cara sama.

Menentukan jenis mediasi dan menjelaskannya di depan penguji sering menjadi bagian yang paling menegangkan. Jika Anda butuh teman diskusi untuk membaca output PROCESS Anda sendiri, tim IDTesis bisa membantu.

Saat Uji Sobel dan Bootstrap Berbeda Kesimpulan

Perbedaan biasanya muncul pada sampel kecil. Contoh berikut memakai data ilustrasi lain dengan n = 40:

Ukuran	Hasil
Jalur a	0,384 (SE 0,172)
Jalur b	0,341 (SE 0,109)
Efek tidak langsung a × b	0,131
Uji Sobel	z = 1,82; p = 0,069 (tidak signifikan)
Bootstrap 5.000 sampel	IK 95% [0,023; 0,285] (signifikan)

Uji Sobel menyimpulkan tidak ada mediasi, sedangkan bootstrap menyimpulkan ada. Penyebabnya, sebaran a × b pada sampel kecil miring, sehingga anggapan normal pada uji Sobel membuat standard error-nya terlalu besar. Karena itu Hayes (2022) menyarankan bootstrap sebagai dasar kesimpulan. Jika kampus Anda masih meminta uji Sobel, laporkan keduanya dan jadikan bootstrap sebagai dasar keputusan.

Menentukan Jenis Mediasi

Zhao dkk. (2010) mengelompokkan hasil analisis mediasi berdasarkan signifikansi efek tidak langsung (a × b) dan efek langsung (c’):

a × b signifikan?	c’ signifikan?	Jenis	Istilah yang sering dipakai
Ya	Ya, searah dengan a × b	Mediasi komplementer	Mediasi parsial
Ya	Ya, berlawanan arah	Mediasi kompetitif	Mediasi parsial dengan arah berlawanan
Ya	Tidak	Mediasi tidak langsung saja	Mediasi penuh
Tidak	Ya	Efek langsung saja	Tidak ada mediasi
Tidak	Tidak	Tidak ada efek	Tidak ada mediasi

Contoh utama di atas termasuk mediasi komplementer: efek tidak langsung signifikan, dan efek langsung juga signifikan dengan arah yang sama.

Hati-hati dengan istilah “mediasi penuh”. Efek langsung yang tidak signifikan pada sampel kecil belum tentu benar-benar nol. Bisa jadi sampelnya saja yang belum cukup untuk mendeteksinya.

Contoh Penulisan di Bab 4

Analisis mediasi dilakukan dengan PROCESS Model 4 (Hayes, 2022) menggunakan 5.000 sampel bootstrap. Kualitas layanan berpengaruh positif terhadap kepuasan (a = 0,714; p < 0,001), dan kepuasan berpengaruh positif terhadap loyalitas setelah kualitas layanan dikendalikan (b = 0,349; p < 0,001). Efek tidak langsung kualitas layanan terhadap loyalitas melalui kepuasan sebesar 0,249, dengan interval kepercayaan bootstrap 95% [0,127; 0,384] yang tidak memuat nol. Efek langsung kualitas layanan terhadap loyalitas tetap signifikan (c’ = 0,235; p = 0,017). Dengan demikian, kepuasan memediasi sebagian pengaruh kualitas layanan terhadap loyalitas (mediasi komplementer), dan hipotesis mediasi didukung.

PROCESS atau SmartPLS?

Pertimbangan	PROCESS (SPSS)	SmartPLS
Bentuk variabel	Skor teramati (rata-rata atau jumlah skor butir)	Konstruk laten dengan beberapa indikator
Kesalahan pengukuran	Tidak diperhitungkan	Dievaluasi lewat model pengukuran
Model yang cocok	Mediasi sederhana, paralel, serial, dan mediasi bermoderasi	Model dengan banyak konstruk dan jalur
Cara uji efek tidak langsung	Bootstrap	Bootstrap

Keduanya memakai logika bootstrap yang sama. Jika model Anda punya banyak konstruk laten, gunakan SEM PLS. Jika hanya satu sampai dua mediator dengan skor total, PROCESS sudah memadai.

Kesalahan yang Sering Terjadi

• Berhenti di langkah Baron dan Kenny ketika jalur c tidak signifikan. Mediasi tetap bisa diuji.
• Mencampur koefisien terstandar dengan standard error tidak terstandar saat mengisi kalkulator Sobel. Ambil a, SE?, b, dan SE? dari kolom yang sama, yaitu koefisien tidak terstandar.
• Mengambil koefisien b dari regresi M terhadap Y saja. Koefisien b harus berasal dari regresi Y pada X dan M sekaligus.
• Tidak melaporkan jumlah sampel bootstrap dan jenis interval yang dipakai.
• Memakai uji Sobel untuk variabel moderasi. Uji Sobel khusus untuk mediasi. Moderasi diuji dengan efek interaksi, seperti dijelaskan di artikel variabel moderasi di SmartPLS.
• Mengklaim hubungan sebab-akibat dari data survei satu waktu tanpa dukungan teori.

Pertanyaan yang Sering Diajukan

Apakah uji Sobel masih boleh dipakai?

Boleh, terutama jika diminta pedoman kampus. Namun jadikan interval kepercayaan bootstrap sebagai dasar kesimpulan, dan laporkan uji Sobel sebagai pelengkap.

Apakah variabel intervening sama dengan variabel mediasi?

Dalam praktik skripsi dan tesis di Indonesia, keduanya dipakai untuk peran yang sama, yaitu variabel perantara antara X dan Y. Perbedaan istilah antarvariabel dijelaskan di artikel konsep, konstruk, dan variabel.

Berapa jumlah sampel bootstrap yang sebaiknya dipakai?

PROCESS memakai 5.000 sebagai bawaan, dan angka ini sudah memadai untuk skripsi dan tesis. Jumlah yang lebih besar, misalnya 10.000, membuat batas interval lebih stabil.

Kenapa hasil bootstrap saya berubah setiap kali dijalankan?

Karena sampel ulang diambil secara acak. Tetapkan angka seed agar hasilnya bisa diulang. Hasil PROCESS versi R juga bisa sedikit berbeda dari versi SPSS walaupun seed-nya sama, karena pembangkit angka acaknya berbeda (Hayes, 2022).

Bisakah PROCESS menguji dua mediator sekaligus?

Bisa. Model 4 dengan beberapa mediator menguji mediasi paralel, sedangkan Model 6 menguji mediasi berurutan (serial). Masing-masing efek tidak langsung diberi interval bootstrap sendiri.

Butuh Teman Diskusi untuk Olah Data?

Masih ragu membaca hasil uji mediasi penelitian Anda? Tim IDTesis bisa menemani Anda menjalankan PROCESS, membaca efek langsung dan tidak langsung, menentukan jenis mediasi, dan menuliskannya di Bab 4 dengan bahasa yang mudah dipertanggungjawabkan. Ceritakan dulu kebutuhan Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: Variabel Intervening di SmartPLS · Analisis Regresi Linier · Uji t dan Uji F dalam Regresi

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.
• Hayes, A. F. (2009). Beyond Baron and Kenny: Statistical mediation analysis in the new millennium. Communication Monographs, 76(4), 408–420.
• Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.
• 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.
• Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312.
• 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.