Variabel Moderasi di SmartPLS: Cara Menguji dan Membaca Efek Interaksi

Variabel moderasi adalah variabel yang mengubah kekuatan atau arah pengaruh variabel bebas terhadap variabel terikat (Baron & Kenny, 1986). Dengan kata lain, moderator menjawab pertanyaan: pada kondisi apa pengaruh X terhadap Y menjadi lebih kuat atau lebih lemah?

Judul seperti “… dengan Biaya Peralihan sebagai Variabel Moderasi” sangat umum di tesis manajemen dan pemasaran. Kesulitannya biasanya muncul saat membaca hasil: koefisien interaksi negatif itu artinya apa, dan apakah efek utama masih bisa ditafsirkan seperti biasa? Artikel ini menjawabnya berdasarkan panduan resmi SmartPLS.

Artikel ini bagian dari seri Materi Statistik IDTesis, kelompok SEM dan SmartPLS. Pastikan Anda sudah memahami dasar SEM PLS.

Apa Itu Variabel Moderasi?

Contohnya hubungan kepuasan dan loyalitas pelanggan. Umumnya, pelanggan yang puas cenderung loyal. Namun, jika biaya untuk pindah ke penyedia lain tinggi, pelanggan cenderung tetap bertahan meski kepuasannya biasa saja. Pada kondisi ini, kepuasan menjadi kurang menentukan loyalitas. Biaya peralihan berperan sebagai moderator yang memperlemah pengaruh kepuasan terhadap loyalitas.

Moderator berbeda dengan variabel intervening. Variabel intervening menjadi jalur yang dilalui pengaruh X ke Y, sedangkan moderator mengubah kuat lemahnya pengaruh itu. Perbandingan lengkapnya ada di artikel variabel intervening di SmartPLS.

Model Moderasi dan Efek Interaksi

Secara statistik, moderasi diuji dengan menambahkan efek interaksi (hasil kali X dan M) ke dalam model:

• ?1 adalah efek sederhana X terhadap Y, yaitu pengaruh X ketika moderator berada pada nilai rata-ratanya.
• ?2 adalah pengaruh langsung moderator terhadap Y.
• ?3 adalah efek interaksi. Moderasi terjadi jika ?3 signifikan.

Hal yang sering terlewat: setelah efek interaksi masuk ke model, ?1 bukan lagi efek “umum” X terhadap Y. ?1 berlaku pada tingkat moderator rata-rata (Hair dkk., 2022).

Langkah Uji Moderasi di SmartPLS

1. Gambar model dasar. Buat panah X ? Y dan M ? Y. Jalur moderator ke Y tetap harus ada.
2. Tambahkan efek moderasi lewat menu Add moderating effect di SmartPLS 4, lalu pilih variabel moderator dan variabel bebasnya.
3. Gunakan pendekatan two-stage. Pendekatan ini dipakai di buku panduan resmi SmartPLS (Hair dkk., 2022) dan dianjurkan Becker dkk. (2018) untuk dipakai secara rutin. Two-stage juga tetap bisa dipakai jika ada konstruk formatif. Tidak perlu memusatkan data (mean-centering) secara manual sebelum membuat efek interaksi.
4. Evaluasi outer model untuk X, M, dan Y seperti biasa. Caranya ada di artikel cara membaca output SmartPLS.
5. Jalankan bootstrapping. Hair dkk. (2022) memakai 10.000 subsampel dengan uji dua arah pada taraf 5%.
6. Baca koefisien efek interaksi (X × M ? Y): koefisien, t-statistic, p-value, dan interval kepercayaan 95%.
7. Buat simple slope plot untuk melihat arah moderasinya.
8. Laporkan ukuran efek f² untuk efek interaksi.

Membaca Hasil Uji Moderasi

Contoh hasil (angka ilustrasi, data terstandardisasi):

Efek interaksi signifikan, karena p < 0,05 dan interval kepercayaannya tidak melewati nol. Jadi, biaya peralihan memoderasi pengaruh kepuasan terhadap loyalitas. Tanda negatif berarti moderator memperlemah pengaruh tersebut. Tanda positif berarti memperkuat.

Simple Slope Plot

Simple slope plot menggambarkan pengaruh X terhadap Y pada tiga tingkat moderator: rendah (?1 SD), rata-rata, dan tinggi (+1 SD). Kemiringan tiap garis bisa diperkirakan dengan rumus sederhana. Pada moderator tinggi, kemiringannya ?1 + ?3 = 0,40 ? 0,12 = 0,28. Pada moderator rendah, kemiringannya ?1 ? ?3 = 0,40 + 0,12 = 0,52.

Pada contoh, ketiga garis tetap naik, tetapi makin landai saat biaya peralihan tinggi. Artinya, kepuasan tetap meningkatkan loyalitas, hanya saja pengaruhnya lebih kecil bagi pelanggan dengan biaya peralihan tinggi.

Ukuran Efek f² untuk Interaksi

Efek interaksi biasanya kecil, sehingga patokan f² Cohen (0,02; 0,15; 0,35) terlalu tinggi untuknya. Hair dkk. (2022) memakai patokan Kenny (2018) untuk efek interaksi:

Jika f² efek interaksi pada contoh sebesar 0,018, efeknya tergolong sedang.

Membaca efek interaksi, simple slope, dan f² sekaligus memang menantang, terutama saat tanda koefisiennya negatif. Kalau Anda ingin tafsiran Anda diperiksa sebelum bimbingan, tim IDTesis bisa membantu.

Jenis Variabel Moderator

Sharma dkk. (1981) membedakan jenis moderator berdasarkan signifikansi ?2 dan ?3. Klasifikasi ini lahir dari analisis regresi, tetapi sering juga dipakai untuk menjelaskan hasil SEM PLS.

• Pure moderator: ?3 signifikan, ?2 tidak. Variabel ini hanya bekerja sebagai moderator.
• Quasi moderator: ?2 dan ?3 sama-sama signifikan. Variabel ini sekaligus menjadi prediktor dan moderator. Contoh di atas termasuk jenis ini.
• Prediktor: ?2 signifikan, ?3 tidak. Variabel ini bukan moderator, melainkan variabel bebas biasa.
• Homologizer: ?2 dan ?3 tidak signifikan. Variabel ini masih mungkin menjadi moderator, tetapi perlu diuji dengan analisis subkelompok.

Moderasi dengan Regresi di SPSS

Jika penelitian Anda memakai analisis regresi, moderasi diuji dengan Moderated Regression Analysis (MRA), yaitu regresi yang memasukkan variabel hasil kali X × M. Cara lain adalah makro PROCESS dari Hayes (model 1). Logika membaca ?3 dan simple slope-nya sama.

Contoh Penulisan Hasil Uji Moderasi

Hasil bootstrapping menunjukkan bahwa efek interaksi kepuasan dan biaya peralihan terhadap loyalitas bernilai negatif dan signifikan (? = ?0,120; t = 2,61; p = 0,009; IK 95% = ?0,21 sampai ?0,03), dengan ukuran efek f² = 0,018 (sedang). Dengan demikian, biaya peralihan memperlemah pengaruh kepuasan terhadap loyalitas, dan H3 didukung. Analisis simple slope menunjukkan pengaruh kepuasan terhadap loyalitas sebesar 0,52 pada biaya peralihan rendah dan 0,28 pada biaya peralihan tinggi.

Kesalahan yang Sering Terjadi

• Tidak memasukkan jalur M ? Y, sehingga efek interaksi tercampur dengan pengaruh langsung moderator.
• Menafsirkan ?1 sebagai efek umum X terhadap Y, padahal setelah ada interaksi, ?1 berlaku pada moderator rata-rata.
• Menyimpulkan “memperkuat” atau “memperlemah” tanpa melihat tanda koefisien dan simple slope.
• Memakai efek interaksi untuk moderator kategori, seperti jenis kelamin. Untuk kasus ini, analisis multigrup (MGA) sering lebih tepat.
• Menambahkan moderator tanpa dasar teori yang menjelaskan mengapa pengaruh X ke Y berubah. Panduan menulis dasar teorinya ada di artikel merumuskan hipotesis.

Pertanyaan yang Sering Diajukan

Apa beda variabel moderasi dan variabel intervening?

Variabel intervening menjelaskan bagaimana X memengaruhi Y, sehingga menjadi jalur antara keduanya. Variabel moderasi menjelaskan kapan atau pada kondisi apa pengaruh X ke Y berubah.

Apakah moderator harus berpengaruh langsung ke Y?

Tidak. Jika moderator tidak berpengaruh langsung tetapi efek interaksinya signifikan, moderator itu termasuk pure moderator.

Bagaimana jika moderatornya berupa kategori, misalnya jenis kelamin?

Gunakan analisis multigrup (MGA) di SmartPLS untuk membandingkan koefisien jalur antarkelompok.

Berapa ukuran sampel untuk uji moderasi?

Efek interaksi biasanya kecil, sehingga butuh sampel lebih besar untuk terdeteksi. Hitung sampel minimum dengan metode inverse square root yang dijelaskan di artikel SEM PLS, memakai perkiraan koefisien interaksi yang realistis.

Bila Anda memerlukan pendampingan menentukan instrumen atau menyusun kerangka konsep, layanan bimbingan penulisan IDTESIS siap membantu.

Butuh Teman Diskusi untuk Uji Moderasi?

Model Anda punya variabel moderasi, tapi belum yakin cara menguji atau menafsirkan hasilnya? Tim IDTesis bisa menemani Anda menyusun model, menjalankan SmartPLS, membuat simple slope plot, dan menjelaskan hasilnya dengan bahasa sederhana. Ceritakan dulu model Anda lewat WhatsApp, atau lihat layanan olah data statistik.

Baca juga: Variabel Intervening di SmartPLS · Cara Membaca Output SmartPLS · SEM PLS

Referensi

• Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173
• Becker, J.-M., Ringle, C. M., & Sarstedt, M. (2018). Estimating moderating effects in PLS-SEM and PLSc-SEM: Interaction term generation*data treatment. Journal of Applied Structural Equation Modeling, 2(2), 1–21. https://epub.ub.uni-muenchen.de/96102/
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
• 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.
• Kenny, D. A. (2018). Moderation. http://davidakenny.net/cm/moderation.htm
• Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), 291–300.