Uji Mediasi: Sobel, Baron-Kenny, atau Bootstrapping

Cara uji mediasi variabel intervening yang dianjurkan sekarang adalah menghitung efek tidak langsung (koefisien a dikali b) lalu menguji rentang keyakinannya dengan bootstrapping. Kalau rentang 95 persen itu tidak memuat nol, mediasi terbukti. Prosedur empat langkah Baron-Kenny sudah lama ditinggalkan literatur metodologi, terutama syaratnya bahwa pengaruh X ke Y harus signifikan lebih dulu. Uji Sobel masih bisa dipakai sebagai cadangan, tetapi ia lebih lemah daripada bootstrapping.

Kalau kamu masih ragu apakah variabelmu memang intervening dan bukan moderator, selesaikan dulu soal itu di variabel moderasi vs intervening. Artikel ini mulai dari titik ketika posisinya sudah jelas.

#Kenapa empat langkah Baron-Kenny sudah ditinggalkan?

Prosedur Baron dan Kenny (1986) meminta empat syarat berurutan:

1. X berpengaruh signifikan terhadap Y (jalur c).
2. X berpengaruh signifikan terhadap M (jalur a).
3. M berpengaruh signifikan terhadap Y setelah X dikendalikan (jalur b).
4. Pengaruh X terhadap Y mengecil setelah M masuk (jalur c'). Kalau c' tidak signifikan disebut mediasi penuh, kalau masih signifikan disebut mediasi parsial.

Masalah terbesarnya ada di langkah pertama. Efek total c adalah jumlah efek langsung dan efek tidak langsung, $c=c^{\prime }+ab$. Kalau efek langsungnya kecil atau berlawanan arah, efek total bisa tidak signifikan padahal jalur lewat M kuat. Ulasan metodologi seperti Hayes (2009) dan Zhao, Lynch, dan Chen (2010) menunjukkan bahwa syarat ini membuang banyak kasus mediasi yang nyata. Selain itu, prosedur ini tidak pernah menguji ab secara langsung. Ia hanya menyimpulkan dari pola signifikansi beberapa koefisien terpisah.

Masalah kedua, label penuh dan parsial bergantung pada ukuran sampel. Dengan sampel kecil, c' mudah tidak signifikan sehingga mediasi tampak penuh. Dengan sampel besar, c' yang sangat kecil pun signifikan sehingga mediasi tampak parsial. Labelnya berubah karena jumlah responden, bukan karena mekanismenya.

#Contoh: efek total tidak signifikan, mediasi tetap ada

Contoh ini memakai data simulasi 80 mahasiswa tingkat akhir. X adalah intensitas bimbingan, M adalah efikasi diri menulis, dan Y adalah kemajuan skripsi, semuanya skor total kuesioner. Tiga regresi dijalankan di SPSS:

Efek tidak langsungnya $ab=\mathrm{0,369}\times \mathrm{0,476}=\mathrm{0,176}$. Cek dengan selisih $c-c^{\prime }=\mathrm{0,199}-\mathrm{0,024}=\mathrm{0,175}$, sama sampai pembulatan.

Menurut Baron-Kenny, analisis berhenti di langkah pertama karena Sig. c = 0,182. Kesimpulannya "tidak ada mediasi". Padahal jalur a dan jalur b sama-sama kuat, dan seperti terlihat di bawah, uji yang benar-benar menguji ab menyatakan efek tidak langsung itu signifikan. Inilah kasus yang paling sering disalahsimpulkan.

#Uji Sobel: rumus dan kelemahannya

Uji Sobel membagi ab dengan perkiraan galat bakunya:

$z=\frac{ab}{\sqrt{b^2{s}_a^2+a^2{s}_b^2}}$

Dengan $a=\mathrm{0,3692}$, $s_a=\mathrm{0,0985}$, $b=\mathrm{0,4762}$, $s_b=\mathrm{0,1622}$:

1. $b^2{s}_a^2=\mathrm{0,2268}\times \mathrm{0,0097}=\mathrm{0,0022}$
2. $a^2{s}_b^2=\mathrm{0,1363}\times \mathrm{0,0263}=\mathrm{0,0036}$
3. Akar dari jumlahnya $\sqrt{\mathrm{0,0058}}=\mathrm{0,0761}$
4. $z=\mathrm{0,1758}/\mathrm{0,0761}=\mathrm{2,31}$, dengan p dua sisi 0,021

Hasilnya signifikan. Kelemahannya ada pada asumsi di balik rumus itu: Sobel menganggap ab menyebar normal. Hasil kali dua koefisien biasanya menceng, terutama pada sampel kecil. Akibatnya uji Sobel cenderung konservatif dan lebih sering gagal mendeteksi mediasi yang sebenarnya ada.

#Bootstrapping: cara kerja dan cara membacanya

Bootstrapping tidak mengandaikan bentuk sebaran ab. Caranya:

1. Ambil sampel acak sebanyak 80 dari data 80 respondenmu, dengan pengembalian (satu responden bisa terambil dua kali, yang lain tidak terambil).
2. Hitung a dan b dari sampel itu, lalu kalikan.
3. Ulangi ribuan kali, misalnya 5.000 kali.
4. Urutkan 5.000 nilai ab. Nilai di persentil 2,5 dan 97,5 menjadi batas rentang keyakinan 95 persen.

Pada contoh ini rentangnya 0,036 sampai 0,378. Nol tidak ada di dalamnya, jadi efek tidak langsung signifikan. Perhatikan histogramnya: ekor kanan lebih panjang dari ekor kiri. Kurva merah adalah bentuk simetris yang diandaikan Sobel, dan bentuk itu tidak cocok dengan sebaran sebenarnya.

Angka bootstrap akan sedikit berbeda setiap kali dijalankan karena pengambilan sampelnya acak. Tetapkan seed dan tulis angkanya di bab tiga supaya hasilmu bisa diulang.

#Kampus hanya punya SPSS tanpa add-on, apa pilihannya?

Menu bawaan SPSS tidak punya uji efek tidak langsung. Ada tiga jalan, urut dari yang paling dianjurkan.

1. Makro PROCESS buatan Andrew Hayes, gratis. Kalau komputer kampus tidak mengizinkan pemasangan menu tambahan, kamu tidak perlu memasangnya. Buka berkas process.sps di Syntax Editor, jalankan seluruh isinya sekali, lalu panggil perintahnya dengan model 4 untuk mediasi sederhana, misalnya process y=kemajuan/x=bimbingan/m=efikasi/model=4/boot=5000/seed=2026. Hasil yang dibaca ada di bagian efek tidak langsung, pada kolom BootLLCI dan BootULCI.
2. Rentang keyakinan Monte Carlo di Excel. Cara ini hanya butuh a, $s_a$, b, dan $s_b$ dari dua regresi biasa di SPSS. Di kolom A tulis =NORM.INV(RAND(); 0,3692; 0,0985), di kolom B =NORM.INV(RAND(); 0,4762; 0,1622), di kolom C =A2*B2. Salin sampai 20.000 baris, ubah jadi nilai statis (Paste Values) supaya tidak berubah tiap kali file diedit, lalu hitung PERCENTILE.INC kolom C pada 0,025 dan 0,975. Kalau Excel-mu memakai titik sebagai desimal, ganti koma desimal dengan titik dan titik koma dengan koma. Pada contoh di atas hasilnya sekitar 0,047 sampai 0,350.
3. Uji Sobel manual dengan rumus di atas. Ini pilihan minimum. Kalau hasilnya signifikan, kesimpulanmu aman. Kalau tidak signifikan, ingat bahwa Sobel konservatif, jadi coba dulu salah satu dari dua cara di atas sebelum menyimpulkan tidak ada mediasi.

Kalau penelitianmu memakai SmartPLS, efek tidak langsung sudah dihitung dalam menu bootstrapping pada tabel specific indirect effects, dan cara membacanya sama: lihat rentang keyakinannya. Pembahasan menjalankan modelnya ada di analisis SmartPLS untuk skripsi.

#Menulis kesimpulan mediasi di bab empat

Banyak penulis metodologi kini menyarankan agar label penuh dan parsial diganti dengan uraian yang langsung menyebut dua efek: efek tidak langsung ab dan efek langsung c'.

Contoh kalimat untuk data di atas: "Efek tidak langsung intensitas bimbingan terhadap kemajuan skripsi melalui efikasi diri menulis signifikan (ab = 0,176; 95% CI bootstrap 0,036 sampai 0,378), sedangkan efek langsungnya tidak signifikan (c' = 0,024; p = 0,879). Pengaruh intensitas bimbingan terhadap kemajuan skripsi terjadi melalui efikasi diri menulis."

#Kesalahan yang sering terjadi

1. Menyimpulkan tidak ada mediasi karena X ke Y tidak signifikan di regresi pertama.
2. Menguji hipotesis mediasi hanya dengan melihat Sig. jalur a dan b secara terpisah, tanpa pernah menguji ab.
3. Membandingkan R² model dengan dan tanpa M, lalu menyebut kenaikannya sebagai bukti mediasi.
4. Melaporkan rentang bootstrap tanpa menyebut jumlah sampel bootstrap dan jenis rentangnya.
5. Menyebut mediasi penuh pada sampel 40 orang hanya karena c' tidak signifikan.
6. Mengklaim hubungan sebab akibat X ke M ke Y dari data survei satu waktu tanpa membahas bahwa urutan sebabnya bersandar pada teori, bukan pada data.

Untuk model yang memadukan mediasi dengan moderasi, atau kalau suku interaksimu tidak signifikan, lanjutkan ke uji moderasi MRA saat interaksi tidak signifikan.

#FAQ

#Apakah Baron-Kenny masih boleh dipakai kalau pembimbing memintanya?

Boleh dijalankan sebagai gambaran jalur a, b, c, dan c', karena koefisiennya tetap berguna. Tambahkan uji efek tidak langsung dengan bootstrap atau Sobel, dan jadikan uji itu dasar kesimpulan. Dengan begitu permintaan pembimbing terpenuhi tanpa kesimpulan yang keliru.

#Berapa jumlah sampel bootstrap yang cukup?

5.000 adalah angka yang umum dipakai dan menjadi bawaan di PROCESS. Angka yang lebih besar membuat batas rentang lebih stabil antar percobaan.

#Rentang bootstrap saya 0,002 sampai 0,210. Apakah itu signifikan?

Ya, karena nol tidak berada di dalam rentang. Batas bawah yang sangat dekat dengan nol menandakan buktinya tipis, jadi tulis hasilnya apa adanya tanpa melebih-lebihkan.

#Apakah uji mediasi perlu uji asumsi klasik?

Regresi untuk jalur a dan b tetap regresi biasa, jadi asumsi residualnya tetap layak dicek. Bootstrapping membantu untuk sebaran ab, tetapi tidak memperbaiki model yang salah spesifikasi.

#Bisakah mediasi diuji dengan data yang dikumpulkan sekali saja?

Secara statistik bisa dihitung, dan banyak skripsi melakukannya. Tetapi urutan X ke M ke Y tidak dibuktikan oleh datanya. Urutan itu harus kamu bela dengan teori di bab dua dan diakui sebagai keterbatasan di bab lima.