MONOGRAF
ANALISIS VARIABEL MODERATING
Penulis:
ASSOC PROF. DR. DEDI RIANTO RAHADI
M. MFTAH FARID.,M.IKOM
Penerbit : CV. Lentera Ilmu Mandiri
2021
MONOGRAF
ANALISIS VARIABEL MODERATING
Penulis:
ASSOC PROF. DR. DEDI RIANTO RAHADI
M. MFTAH FARID.,M.IKOM
Editor : Pandu Adi C, Moch Muslih Disain Cover: M. Iqbal Tawaqal
Terbit: Agustus 2021 ISBN: 978-623-96955-3-8
Penerbit : CV. Lentera Ilmu Mandiri
KANTOR PUSAT : Jl. Letjen Ibrahim Adjie 51A, Pasarebo, Indihiang, Tasikmalaya KANTOR CABANG : Perum Bumi Lestari H11 No.01, Mangunjaya, Tambun Selatan,Bekasi
Telp : 08163288810 (Dedi) , 089638690705 (M.Muslih) , 081286168584 (Pandu) Cetakan pertama: Agustus 2021
Hak cipta dilindungi Undang-Undang
Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku tanpa ijin dari penerbit
KATA PENGANTAR
Dengan mengucapkan puji syukur kehadirat Allah SWT Yang Maha Esa, atas berkat dan rahmat-Nya sehingga penulis dapat menyelesaikan penyusunan buku monograf yang berjudul “Analisis Variabel Moderating”.
Dalam buku monograf ini akan membahas berbagai hal terkait dari konsep variabel moderating. Di bagian pendahuluan akan dijelaskan latar belakang konsep variabel. Dilanjutkan dengan variabel moderating beserta studi kasus serta melakukan analisis moderating dengan menggunakan SPSS dan Process.
Penulis tentunya menyadari bahwa dalam penulisan buku monograf ini masih banyak kekurangan sehingga saran dan kritik diterima dengan terbuka agar buku memiliki manafaat bagi semua.
Terakhir, semoga buku monograf ini dapat memberikan inspirasi bagi banyak orang untuk terus berkarya yang akan ememberikan manfaat banyak orang.
Tasikmalaya, Agustus 2021
DAFTAR ISI
HALAMAN
JUDUL... i
KATA PENGANTAR... ii
DAFTAR ISI ... iii
BAB I Konsep Varibel. ... 1
BAB II Variabel Moderating…………... 13
BAB III Konseptualisasi Hubungan Memoderasi... 21
BAB IV Pendekatan Analisis Moderasi... 26
BAB IV Studi Kasus Variabel Moderating... 36
BAB I
KONSEP VARIABLE
alam melakukan penelitian ilmiah, seorang peneliti akan menggunakan berbagai metode dan variable pada saat melakukan eksperimen. Penggunaan variable sangat penting sebagai perwakilan atribut terukur atau bervariasi pada saat melakukan eksperimen. Variable ini dapat digunakan oleh semua peneliti untuk melakukan pembandingan ataupun menguji dari hasil penelitian sebelumnya.
Variable mempunyai arti faktor tidak tetap atau berubah-ubah yang diserap dari Bahasa Inggris yaitu variable. Dari pernyataan tersebut dapat disimpulkan variable adalah sesuatu yang bisa berubah-ubah atau tidak ada kepastian. Setiap obyek yang ada dialam dunia dapat dikatakan sebagai variable, misalnya manusia, hewan, tumbu tumbuhan dan dapat berubah. Seorang peneliti dapat melakukan pemilihan variable sesuai dengan topik atau permasalahan yang timbul dari hasil risetnya. Pengertian variable juga dapat berbeda beda tergantung dari sudut pandang latar belakang pendidikan peneliti, misalnya dari ahli computer, matematikan, bahasa, ilmu social dan sebagainya.
Variable penelitian dapat didefinisikan sebagai sesuatu yang ditetapkan dan diamati oleh peneliti untuk mendapatkan informasi tentang proses melakukan penelitian dan menarik kesimpulan.
Pengertian variable dilihat dari sudut pandang ilmu pengetahuan, sebagai berikut :
dalam pendekatan ilmu sains, variable sebagai objek penelitian yaitu ada sesuatu yang akan diteliti yang terdiri dari nama, value yang akan diisi nilainya atau dapat dikosongkan.
dalam pendekatan matematik, variable dilihat sebagai sesuatu karakter atau abjad yang jumlahnya belum ditentukan dan mengandung nilai untuk memudahkan dalam mengerjakan soal, terutama soal aljabar.
dalam pendekatan ilmu komputer, variable meliputi nama, abjad, karakter atau kata yang mewakili nilai dalam memori komputer.
dalam logika matematika, variable merupakan symbol yang mewakili suatu symbol.
Variable akan muncul ketika peneliti menetapkan tema yang akan diteliti. Dari tema tersebut akan ditentukan variable yang akan digunakan dalam riset penelitian. Selanjutnya, peneliti akan menentukan permasalahan, latar belakang, perumusan masalah, tujuan penelitian kemudian dibangun hipotesis melalui pengklasifikasian dan penentuan secara sistematis. Kemudian, peneliti akan memilih pendekatan metode analisi dan menentukan variable yang akan digunakan.
PENGERTIAN VARIABLE MENURUT PARA AHLI
eberapa pengertian variable menurut para ahli, dapat dijelaskan sebagai berikut :
Menurut Arikunto (1998), suatu objek penelitian atau sesuatu yang
menjadi fokus perhatian disebut sebagai variable.
Menurut Sugiyono (2009), variable merupakan semua yang ada danakan
ditentukan peneliti kemudian dipelajari, dipahami dan dianalisis untuk mendapatkan informasi dan dibuat kesimpulan.
Menurut Hatch dan Farhady, (1981), variable terdiri dari atribut ilmu
pengetahuan atau kegiatan seseorang, atau suatu objek, yang bervariasi dari setiap orang atau objek tertentu. Misalnya tinggi dan berat badan seseorang atau perilaku individu, motivasi, sebagai atribut dan ukuran, bentuk, dan warna adalah bagian dari atribut.
Menurut Kerlinger (1973), variable merupakan konstruk atau perilaku yang
ditetapkan peneliti. Misalnya, pengeluaran, pendapatan, tingkat pendidikan, status sosial, kinerja pegawai dan lain-lain. Kerlinger juga menjelaskan variable merupakan perilaku yang diambil dari nilai yang berbeda atau dapat dikatakan variable adalah sesuatu yang bervariasi.
Menurut Kidder (1981), peneliti belajar membuat kesimpulan disebut
sebagai variable..
Menurut Bhisma Murti (1996), variable sebagai fenomena yang memililki
variasi nilai. dan dapat diukur secara kualitatif atau kuantitatif.
Menurut Ahmad Watik P (2007), variable sebagai konsep yang memiliki
variabilitas yang didefinisikan sebagai penggambaran atau abstraksi dari suatu fenomena tertentu dalam bentuk apapun dan memiliki ciri yang bervariasi.
Menurut Soekidjo Notoatmodjo (2002), variable mengandung pengertian
ukuran, bentuk atau suatu ciri yang dimiliki anggota kelompok yang berbeda dengan kelompok lainnya. Variable dapat digunakan sebagai suatu ciri, sifat atau ukuran dalam penelitian dari konsep pengertian tertentu. Misalnya : tingkat pendapat, jabatan, gaji yang diperoleh, tingkat pendidikan, lama berkeja dan sebagainya.
Dari uraian diatas dapat disimpulkan variable adalah karakteristik dari unit yang diamati yang dapat mengasumsikan lebih dari satu set nilai yang ukuran numerik atau kategori dari klasifikasi dapat diberikan.
JENIS VARIABLE
erdasarkan fungsi variable dalam hubungan antar variable, ada berbagai macam variable dalam penelitian dapat dibedakan menjadi:
1. Variable bebas/ independent
Variable independen adalah karakteristik tunggal yang tidak dapat diubah oleh variable lain dalam penelitian. Usia adalah contoh variable bebas. Di mana seseorang tinggal, apa yang mereka makan atau seberapa banyak mereka berolahraga tidak akan mengubah usia mereka. Variable bebas dapat, bagaimanapun, mengubah variable lain. Dalam studi, peneliti sering mencoba mencari tahu apakah variable independen menyebabkan variable lain berubah dan dengan cara apapun.
2. Variable terikat/dependent
Variable terikat bergantung pada dan dapat diubah oleh komponen lain. Nilai pada ujian adalah contoh dari variable dependen karena tergantung pada faktor-faktor seperti berapa banyak tidur yang diperoleh dan berapa lama Anda belajar. Variable terikat tidak dapat mempengaruhi variable bebas sebaliknya variable bebas dapat mempengaruhi variable terikat. Misalnya, waktu yang dihabiskan untuk belajar (tergantung) dapat memengaruhi nilai ujian Anda (mandiri), tetapi nilai ujian tidak memengaruhi waktu yang dihabiskan untuk belajar. Ketika menganalisis hubungan antar objek studi, peneliti sering mencoba menentukan apa yang membuat variable dependen berubah dan bagaimana caranya.
Agar lebih jelas dapat diberikan contoh kedua variable independen berpengaruh terhadap variable dependen sebagai berikut :
Tujuan penelitian untuk mengetahui apakah lama waktu tidur pelajar dapat mempengaruhil nilai ujian, dimana variable bebas adalah lamanya waktu tidur pelajar dan variable terikat adalah nilai ujian pelajar.
Misalnya : Berapa lama waktu tidur pelajar (variable independen) dapat
mempengaruhi nilai ujian pelajar (variable dependen), ini masuk akal, tetapi sebaliknya :
Misalnya : nilai ujian pelajar dapat mempengaruhi berapa lama waktu tidur
pelajar, hal ini kurang masuk akal (kecuali jika tidak bisa tidur dikarenakan takut gagal dalam ujian, tetapi itu akan menjadi eksperimen yang berbeda).
Variabel Independent/Bebas Berapa Lama Tidur Siswa
Variabel Dependent/Terikat Nilai Siswa
Gambar 1. Variable Independen dan Variable dependent 3. Variable Intervensi
Variable intervening atau disebut variable mediator, adalah variable yang digunakan peneliti untuk menjelaskan penyebab atau hubungan antara dua variable penelitian atau lebih. Variable intervening dapat juga didefinisikan sebagai variable yang mempengaruhi hubungan antara variable bebas dan variable terikat. Variable ini dapat muncul ketika peneliti mempelajari hubungan antara dua variable dan tidak menyadari bahwa ada variable lain yang mengintervensi hubungan tersebut. Misalnya, peneliti tertarik terhadap penelitian untuk mengetahui hubungan antara tingkat pendidikan (variable independent) dan pengeluaran tahunan (variable dependent). Hubungan antar variable tersebut dapat diperlihatkan pada gambar 2 sebagai berikut :
Setelah mengumpulkan data tentang tingkat pendidikan dan pengeluaran tahunan untuk seratus orang, peneliti menemukan bahwa ada korelasi positif yang kuat antara kedua variable tersebut. Secara khusus, peneliti menemukan bahwa individu yang memiliki pendidikan lebih cenderung lebih banyak melakukan pengeluaran uang untuk membiayai pendidikan. Tanpa disadari peneliti gagal mencatat pendapatan sebagai variable intervening. Ternyata seseorang yang memiliki level pendidikan yang lebih tinggi cenderung memiliki pekerjaan dengan gaji yang lebih tinggi, yang berarti mereka secara alami memiliki lebih banyak uang untuk dibelanjakan.
Dapat disimpulkan variable mediasi (intervening) (income) menjadi penentu atau bagaimana efek yang diberikan terjadi antara variable independen (tingkat pendidikan) dan variable dependen (spending). Atau variable intervening Sebuah variable, yang digunakan dalam proses menjelaskan hubungan yang diamati antara variable independent dan dependent, sehingga X → T → Y, di mana T adalah variable intervening yang digunakan untuk menjelaskan hubungan X → Y. Misalnya, jika X adalah tingkat pendidikan dan Y adalah spending, hubungan sebab akibat antara X dan Y dapat dijelaskan oleh variable perantara T, katakanlah pendapatan, yang menjelaskan hubungan X → Y. Oleh karena itu X adalah penyebab tidak langsung dari Y melalui variable intervening T: T memprediksi Y tetapi secara bersamaan diprediksi oleh X.
4. Variable pemoderasi
Variable moderator atau moderator mengubah hubungan antara variable dependen dan independen dengan memperkuat atau memperlemah efek variable intervening. Misalnya, dalam sebuah penelitian yang melihat hubungan antara status ekonomi (variable independen) dan seberapa sering orang mendapatkan pemeriksaan fisik dari dokter (variable dependen), usia adalah variable moderasi. Hubungan itu mungkin lebih lemah pada individu yang lebih muda dan lebih kuat pada individu yang lebih tua. Variable moderating dapat diperlihatkan pada gambar 3 sebagai berikut :
Gambar 3 Variable Moderating
Contoh : Misalnya, peneliti mengawasi sekelompok orang yang membuat produk dan ingin mengetahui bagaimana meningkatkan kinerja pegawai. Peneliti berhipotesis bahwa jumlah jam kerja akan menghasilkan lebih banyak unit yang dibuat. Hasil penelitian benar dan ada hubungan. Tetapi sesuatu memoderasi hubungan antara jumlah jam dan unit yang dibuat. Setelah dilakukan penyelidikan, ditentukan bahwa terkadang ada peralatan rusak dan menghentikan produktivitas bahkan ketika karyawan sedang bekerja.
Dalam hal ini, memiliki peralatan yang berfungsi penuh memoderasi hubungan antara jam dan unit yang diproduksi. Jumlah jam kerja karyawan tidak relevan kecuali peralatan bekerja ditambah, seperti ditunjukkan pada gambar 4.
Dengan menggunakan model pada gamabar di atas, jumlah jam kerja adalah prediktor/variable terikat dan jumlah unit yang dibangun adalah hasil/variable bebas. Variable moderator adalah peralatan yang berfungsi.
5. Variable kontrol
Variable kontrol atau pengontrol merupakan suatu karakteristik yang bersifat tetap dan tidak berubah ubah dan setiap faktor yang dapat dikendalikan atau dipertahankan secara konstan selama penelitian. Untuk alasan ini, ini juga dikenal sebagai variable terkontrol atau variable konstan. Sebuah percobaan tunggal dapat berisi banyak variable kontrol. Berbeda dengan variable independen dan dependen, variable kontrol bukan bagian dari eksperimen, tetapi penting karena dapat memengaruhi hasil. Lihatlah perbedaan antara variable kontrol dan kelompok kontrol dan lihat contoh variable control.
Misalnya, dalam melakukan eksperimen yang menguji efek warna cahaya pada pertumbuhan tanaman, tetapi peneliti tidak mengontrol suhu, hal itu dapat memengaruhi hasilnya. Satu sumber cahaya mungkin lebih panas dari yang lain, mempengaruhi pertumbuhan tanaman. Ini bisa membuat salah menerima atau menolak hipotesis peneliti. Sebagai contoh lain, peneliti memang mengontrol suhu. Jika peneliti tidak melaporkan suhu ini di bagian "metode", peneliti lain mungkin kesulitan mereproduksi hasil penelitian. Bagaimana jika peneliti melakukan eksperimen pada suhu 15 °C. Apakah peneliti mengharapkan hasil yang sama pada suhu 5 °C atau 35 °C? Terkadang efek potensial dari variable kontrol dapat mengarah ke eksperimen baru. Lihat gambar 5 varaiabel kontrol
l.
6. Variable Asing
Variable asing adalah faktor yang mempengaruhi variable terikat tetapi peneliti awalnya tidak mempertimbangkan ketika merancang percobaan. Variable-variable yang tidak diinginkan ini dapat secara tidak sengaja mengubah hasil penelitian atau bagaimana peneliti menginterpretasikan hasil tersebut. Ambil contoh, sebuah penelitian yang menilai apakah les privat atau kursus online lebih efektif dalam meningkatkan nilai ujian bahasa Spanyol siswa. Variable asing yang mungkin secara tidak sengaja mempengaruhi hasil termasuk dukungan orang tua, pengetahuan sebelumnya tentang bahasa asing atau status sosial ekonomi.
7. Variable Kuantitatif
Variable kuantitatif adalah kumpulan data yang melibatkan angka atau jumlah. Contohnya mungkin termasuk tinggi, jarak atau jumlah item. Peneliti selanjutnya dapat mengkategorikan variable kuantitatif menjadi dua jenis: a. Diskrit: Variable numerik apa pun yang dapat Anda hitung secara
realistis, seperti koin di dompet Anda atau uang di rekening tabungan Anda.
b. Berkelanjutan: Variable numerik yang tidak pernah bisa Anda selesaikan menghitung, seperti waktu.
8. Variable Kualitatif / Katagori
Variable kualitatif, atau kategoris, adalah nilai atau pengelompokan non-numerik. Contohnya mungkin termasuk warna mata atau rambut. Variable kategori mewakili pengelompokan dari beberapa jenis. Mereka kadang-kadang dicatat sebagai angka, tetapi angka-angka tersebut mewakili kategori daripada jumlah sebenarnya dari hal-hal.
Peneliti selanjutnya dapat mengkategorikan variable kualitatif menjadi tiga jenis:
a. Biner: Variable dengan hanya dua kategori, seperti pria atau wanita, merah atau biru.
b. Nominal: Variable yang dapat Anda atur dalam lebih dari dua kategori yang tidak mengikuti urutan tertentu. Ambil contoh, tipe perumahan: Rumah keluarga tunggal, kondominium, rumah mungil.
c. Ordinal: Variable yang dapat Anda atur dalam lebih dari dua kategori yang mengikuti urutan tertentu. Ambil, misalnya, tingkat kepuasan: Tidak puas, netral, puas.
Binner
Gambar 6. Struktur Variable
*Perhatikan bahwa terkadang sebuah variable dapat berfungsi sebagai lebih dari satu tipe! Variable ordinal juga dapat digunakan sebagai variable kuantitatif jika skalanya numerik dan tidak perlu disimpan sebagai bilangan bulat diskrit. Misalnya, peringkat bintang pada ulasan produk adalah ordinal (1 hingga 5 bintang), tetapi peringkat bintang rata-rata bersifat kuantitatif.
Contoh lembar data Untuk melacak percobaan toleransi garam, peneliti membuat lembar data tempat untuk mencatat informasi tentang variable dalam percobaan, seperti penambahan garam dan kesehatan tanaman.
Untuk mengumpulkan informasi tentang respons tanaman dari waktu ke waktu, peneliti dapat mengisi lembar data yang sama setiap beberapa hari hingga akhir eksperimen. Lembar contoh ini diberi kode warna sesuai dengan jenis variable: nominal, kontinu, ordinal, dan biner.
9. Variable pengganggu
Variable pengganggu adalah variable yang tidak diperhitungkan dan dapat menyamarkan efek variable lain. Variable pengganggu dapat membuat hasil eksperimen menjadi tidak valid dengan membuatnya menjadi bias atau menyarankan adanya hubungan antar variable padahal sebenarnya tidak. Misalnya, jika mempelajari hubungan antara tingkat latihan (variable independen) dan indeks massa tubuh (variable dependen) tetapi tidak mempertimbangkan efek usia pada faktor-faktor ini, itu menjadi variable pengganggu yang mengubah hasil atau dapat tidaknya variable penelitian dimanipulasi. Peneliti dapat melakukan intervensi atau sebaliknya terhadap suatu variable. Berdasarkan hal tersebut variable pengganggu dapat dibedakan menjadi :
a. Variable dinamis, dimana dapat dimanipulasi atau diintervensi oleh peneliti, misalnya : metoda mengajaran, teknik pelatihan dan sebagainya;
b. Variable statis, dimana variable tidak dapat diintervensi atau dimanipulasi oleh peneliti. Misalnya : jenis kelamin umur responden, status perkawinandan sebagainya.
Ferdinand, (2006) membagi variable berdasarkan cara pengukuran senagai berikut :
a. Variable laten (Latent Variable) berupa konsep abstrak, seperti perilaku, perasaan, dan motivasi responden. Variable ini dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya dari variable yang diamati. Variable laten dapat disebut juga sebagai variable faktor, konstruk, atau unobserved variable.
Variable laten terbagi dua bagian, yaitu variable eksogen setara dengan variable bebas dan endogen setara dengan variable terikat. Notasi matematik variable laten eksogen adalah ξ (“ksi”) dan variable laten endogen adalah η (“eta”).
Gambar 7. Simbol Variable Laten
b. Variable Terukur (Measured Variable) dimana data diperoleh melalui penelitian lapangan, contohnya melakukan survey dengan menggunakan kuesioner dan dapat diamati atau diukur secara empiris dan sering disebut sebagai indikator. Variable terukur sering disebut sebagai variable observed, indicator atau manifest. Variable teramati yang berkaitan dengan variable laten eksogen diberi notasi matematik label X, sedangkan yang berkaitan dengan variable laten endogen diberi label Y. Simbol diagram jaluran dari variable teramati adalah bujur sangkar atau empat persegi panjang.
BAB II
VARIABLE MODERATING
ariabel moderasi adalah inti dari teori dalam bisnis dan ilmu sosial (Cohen, Cohen, West, & Aiken, 2003). Ini melambangkan kedewasaan dan kecanggihan bidang penyelidikan (Aguinis, Boik, & Pierce, 2001; Frazier, Tix, & Barron, 2004). Variable moderasi mengacu pada variable yang “mempengaruhi sifat (mis., Magnitudo dan/atau Memon et al. , 2019. Dalam istilah statistik, moderasi adalah di mana hubungan antara variable independen dan variable dependen berubah sesuai dengan nilai variable moderator (Dawson, 2014). Selain itu, variable moderasi sangat penting untuk menilai apakah dua variable memiliki hubungan yang sama antar kelompok. Secara keseluruhan, model moderasi membahas "kapan" atau "untuk siapa" variable sangat menjelaskan atau menyebabkan variable hasil (Frazier et al., 2004).
TENTANG VARIABLE MODERASI
oderasi terjadi ketika pengaruh variable independen terhadap variable dependen bervariasi menurut tingkat variable ketiga, disebut variable moderator, yang berinteraksi dengan variable independen (Edwards dan Lambert, 2007). Sebuah variable 'z' adalah moderator jika hubungan antara dua (atau lebih) variable lain, misalnya 'x' dan 'y', adalah fungsi dari tingkat 'z' (James dan Brett, 1984). Efek moderasi terjadi ketika variable atau konstruk ketiga mengubah hubungan antara dua variable atau konstruk yang terkait (Hair et al., 1998). Moderator adalah variable independen yang mempengaruhi kekuatan dan/atau arah konotasi antara variable independen lain dan variable hasil (Lai, 2013).
Penting untuk membedakan antara Efek Moderasi dan Efek Interaksi.
Efek interaksi digunakan untuk menguji hipotesis model yang tidak pasti kausal dalam causal alam. Di sisi lain, efek moderasi digunakan untuk menguji hipotesis model yaitu bersifat kausal. Efek moderasi adalah efek
V
interaksi tetapi efek interaksi tidak tentu efek moderasi (Wu dan Zumbo, 2008; dan Tang et al., 2009).
Variable moderator dapat dipertimbangkan ketika hubungan antara variable predictor dan variable terikat kuat, tetapi paling sering dianggap ketika ada yang tidak terduga hubungan yang lemah atau tidak konsisten antara prediktor dan variable dependen (Kim et al., 2001). Tidak seperti regresi yang menentukan kekuatan atau derajat hubungan antara predictor dan variable kriteria, signifikansi variable moderasi terletak pada identifikasi apakah hubungan antara prediktor dan variable kriteria berbeda untuk kelompok tertentu atau bukan. Misalnya, jika kita mempelajari hubungan antara orientasi inovasi dan kinerja bisnis, dan kami ingin tahu apakah hubungan ini sama di seluruh grup atau dimoderasi oleh beberapa variable misalnya, ukuran perusahaan (besar vs kecil), jenis perusahaan (manufaktur vs. layanan), dll., moderasi akan memudahkan mempelajari apakah hubungan antara orientasi inovasi dan kinerja bisnis lebih menonjol di bidang manufaktur atau dalam organisasi jasa.
Analisis moderasi menyediakan cara untuk menguji apakah suatu intervensi memiliki efek yang serupa lintas kelompok. Penting, misalnya, untuk menunjukkan bahwa efek intervensi diperoleh untuk laki-laki dan perempuan jika program akan disebarluaskan ke seluruh kelompok berisi jantan dan betina. Demikian pula, konsistensi efek intervensi di seluruh subkelompok memberikan dukungan untuk generalisasi intervensi (Mackinnon, 2011). Variable moderasi harus dipilih dengan dukungan teoritis yang kuat. Pasti ada beberapa alasan logis dan dukungan teoretis sebelumnya mengapa variable tertentu cenderung mempengaruhi hipotesis hubungan antara konstruksi. Variable moderasi bisa di rasio, interval atau level kontinu atau bisa juga kategoris, tergantung pada jenisnya variable moderating (Kim et al., 2001). Namun, perlu dicatat bahwa moderator tidak seharusnya memiliki hubungan dengan konstruksi yang diteliti, tidak seperti variable mediasi di mana mediator harus terkait dengan kedua konstruksi. Mediasi mengacu pada hubungan tidak langsung pengaruh variable bebas terhadap variable terikat yang melewati mediator variable (Shrout dan Bolger, 2002).
MODERATOR DALAM RISET BISNIS
alam penelitian bisnis, berbagai variable moderasi digunakan. Secara sistematis mengidentifikasi variable penting yang digunakan di seluruh area fungsional dan penelitian strategi. Variable moderasi yang paling banyak digunakan dalam riset bisnis adalah turbulensi pasar, turbulensi teknologi, intensitas persaingan, jenis strategi, orientasi strategis, perusahaan usia, ukuran perusahaan, jenis industri, pola pikir kewirausahaan, budaya organisasi, organisasi struktur, dinamika lingkungan, dll. Deskripsi singkat tentang moderator ini, konteks penelitian dan temuan diberikan di bawah ini:
Pada Gambar di atas dilihat ada variable M. variable M merupakan variable moderating dan variable bebas yang variabilitasnya tidak ditentukan oleh variable X sehingga variable M merupakan variable eksogen (moderating). Sebagai contoh variable moderating misalnya variable Gaya kepemimpinan (X) mempengaruhi kinerja pegawai (Z) yang bisa “diperkuat” atau “diperlemah” dengan lingkungan kerja (M). Lingkungan kerja adalah variable moderating, dan bukan variable intervening karena tidak dipengaruhi oleh gaya kepemimpinan.
KONSEP MODERATING
odel konseptual (Gambar 9) terdiri dari variable terikat (Y), variable bebas (X), dan moderator (M). Variable moderasi dihubungkan ke variable dependen dan independen dengan tanda panah yang menunjuk pada hubungan antara X dan Y. Namun, visualisasi statistik berbeda dari bagaimana hal itu dikonseptualisasikan dalam model secara grafis karena mencakup interaksi istilah yang digambarkan oleh X*M (Z).
D
VARIABEL INDEPENDEN (X) VARIABEL MODERATING (M) VARIABEL DEPENDEN (Y)
Gambar 9 Model Konseptual Moderating
Gambar 10 dibawah, menunjukkan model statistik untuk moderasi termasuk istilah interaksi (Z), menunjuk ke variable dependen. Secara umum, moderator dapat memiliki konotasi yang berbeda. Ini dapat disebut sebagai variable kategoris ketika skala nominal atau ordinal digunakan (misalnya, pria dan wanita; universitas negeri dan universitas swasta) atau sebagai variable kontinu ketika skala interval digunakan (misalnya tingkat skeptisisme tinggi dan rendah; tingkat skeptisisme tinggi dan rendah). dukungan organisasi yang rendah). Data rahasia sering diperlakukan sebagai variable kategoris dalam analisis statistik. Perhatikan bahwa tidak benar untuk mengklaim bahwa analisis moderasi hanya melibatkan variable dengan data kategoris.
VARIABEL INDEPENDEN (X) VARIABEL MODERATING (M) VARIABEL DEPENDEN (Y) X * M = (Z)
BAGAIMANA MENGIDENTIFIKASI MODERATOR POTENSIAL
ilihan moderator harus didasarkan pada landasan teoritis dengan dukungan literatur yang cukup besar (Frazier et al., 2004) daripada didorong oleh ambisi atau persyaratan untuk membuat studi menjadi kompleks. Tinjauan yang cermat terhadap artikel-artikel relevan yang diterbitkan dalam jurnal-jurnal bereputasi baik, terutama bagian tentang keterbatasan dan arah studi di masa depan dapat menjadi titik awal yang baik untuk mengidentifikasi moderator potensial. Temuan yang tidak konsisten dalam studi sebelumnya tentang pengaruh anteseden yang sama (variable independen) pada hasil juga bisa menjadi alasan kuat untuk menguji moderator. Oleh karena itu, tinjauan literatur sistematis dan meta-analisis biasanya digunakan untuk mencapai tujuan ini. Selain itu, penggunaan faktor kontekstual dari bidang yang berbeda dengan penjelasan teoritis yang konstruktif (misalnya menggunakan generasi dari sosiologi dalam studi pemasaran) memberikan dasar yang kuat untuk memasukkan faktor tersebut ke dalam penelitian sebagai moderator. Investigasi tersebut dan temuan selanjutnya menandai kontribusi substansial pada tubuh pengetahuan yang ada. Selanjutnya, diskusi dengan para ahli di bidang yang sama dan informan kunci di industri yang relevan dapat menjadi teknik lain yang berguna untuk bertukar pikiran dan mengidentifikasi moderator potensial.
Patut dicatat, pemilihan ahli dan informan kunci yang tepat sangat penting.
Demikian pula, menghadiri konferensi yang tepat juga penting untuk berdiskusi dengan dan belajar dari para ahli dan delegasi yang terinformasi. Selain itu, penyelidikan kualitatif diperlukan untuk mengeksplorasi dan mengusulkan efek moderasi potensial ketika variable kontekstual ditemukan terkait tetapi belum diuji secara empiris di bidang studi yang sama. Oleh karena itu teknik pengumpulan data seperti kelompok fokus, observasi partisipatif dan wawancara pribadi direkomendasikan untuk mengidentifikasi faktor-faktor kontekstual yang berpengaruh pada sifat hubungan antara anteseden dan hasil dalam setting alami. Kami akan merekomendasikan bahwa peneliti membaca Andersson et al. (2014) dan Frazier et al. (2004)
untuk pemahaman yang lebih baik dalam kaitannya dengan variable moderasi.
PERBEDAAN MODERASI SEDERHANA DAN ANALISIS MULTI-GRUP
nalisis multi-kelompok (MGA) membantu peneliti untuk menilai apakah dua atau lebih variable memiliki hubungan yang sama/berbeda antar kelompok (MacKinnon, 2011). Khususnya, ketika moderator variable kategoris, seperti kebangsaan atau jenis industri, teknik analisis yang lebih disukai adalah MGA jika efek moderasi ada pada keseluruhan model. Dengan kata lain, itu menguji dan membandingkan efek dari setiap jalur struktural di berbagai kelompok. MGA sama sekali berbeda dari uji-t atau ANOVA karena yang terakhir dilakukan melalui analisis univariat.
Prosedur ini dapat dilakukan dengan membandingkan parameter antara dua atau lebih kelompok. Karena moderator diharapkan untuk memberikan efeknya pada semua jalur struktural model daripada jalur tertentu di MGA, uji invarians pengukuran adalah wajib. Tujuan utamanya adalah untuk memastikan bahwa penilaian model pengukuran yang dilakukan dalam kondisi yang berbeda menghasilkan representasi yang setara dari konstruksi yang sama (Hair, Black, Babin, & Anderson, 2010). Dalam nada yang sama, Hult et al. (2008, p. 1028) menunjukkan bahwa "kegagalan untuk menetapkan kesetaraan data adalah sumber potensial kesalahan pengukuran (yaitu, perbedaan dari apa yang dimaksudkan untuk diukur dan apa yang sebenarnya diukur), yang menonjolkan ketepatan penduga, mengurangi kekuatan uji statistik hipotesis, dan memberikan hasil yang menyesatkan.” Dalam CB-SEM, invarians Configural, invarians metrik, dan invarians skalar perlu dinilai sebelum MGA (lihat Hair et al., 2010). Namun, dalam PLS-SEM, invarian konfigurasi, invarian komposisi, mean yang sama, dan varians yang sama perlu diperiksa sebagai gantinya (lihat Henseler, Ringle, & Sarstedt, 2016). Khususnya, peneliti perlu mencapai setidaknya hasil invarian parsial dari uji invarian metrik (atau invarian komposisional) untuk melanjutkan ke MGA (Hair et al., 2010; Henseler et al., 2016).
Efek moderasi sederhana dapat dinilai dengan membuat model regresi yang dimoderasi yang menjelaskan apakah moderator mengubah kekuatan
atau/dan arah hubungan antara anteseden (variable independent) dan hasil (Andersson et al., 2014; Baron & Kenny, 1986). Perhatikan bahwa moderator dengan data berkelanjutan tidak boleh dikonversi ke data kategoris saat menilai interaksinya (Dawson, 2014). Hal ini karena akan mengurangi kekuatan statistik pengujian, sehingga lebih sulit untuk mendeteksi efek signifikan (Cohen et al., 2003; Stone-Romero & Anderson, 1994). Selain itu, juga menimbulkan kekhawatiran tentang penggunaan titik pemisah tertentu (yaitu median atau mean) untuk menjalankan analisis (Aguinis et al., 2017, hlm. 10).
KAPAN MENGGUNAKAN VARIABLE MODERASI
engan mengacu pada diskusi sebelumnya tentang cara mengidentifikasi moderator potensial, moderasi variable diperkenalkan ketika ada hubungan yang lemah atau tidak konsisten secara tak terduga antara anteseden (variable independen) dan hasil di seluruh studi (Baron & Kenny, 1986; Frazier et al., 2004). Relasi yang tidak konsisten atau tidak meyakinkan mengacu pada saat “sebuah relasi bertahan” satu pengaturan tetapi tidak di tempat lain, atau untuk satu subpopulasi tetapi tidak untuk yang lain” (Baron & Kenny, 1986, hal. 1178). Dalam kebanyakan kasus, moderator adalah salah satu anteseden (variable independen) yang diuji dalam studi masa lalu atau faktor kontekstual yang ditemukan relevan di berbagai bidang studi. Peltokorpi, Varma, dan Hitotsuyanagi-Hansel (2018) memberikan contoh tentang pendekatan tersebut di mana penulis menunjukkan temuan tidak meyakinkan sebelumnya sebagai dasar untuk menguji efek moderasi karakteristik demografis karyawan antara penghargaan berdasarkan prestasi dan kepuasan kerja. Selain itu, variable moderasi juga dapat diuji untuk tujuan wawasan teoretis baru new (Andersson et al., 2014). Misalnya, Hauff, Richter, dan Tressin (2015) meneliti kesenjangan penelitian dengan menyelidiki bagaimana budaya nasional memoderasi pengaruh karakteristik pekerjaan yang berbeda pada kepuasan kerja. Dalam kedua kasus, dukungan teoretis yang kuat diperlukan untuk memasukkan variable moderasi ke model yang ada atau eksplorasi. Harus ada argumen teoretis mengapa dimasukkannya moderator tertentu akan menghasilkan penjelasan yang lebih baik tentang fenomena yang diselidiki
(Andersson et al., 2014). Seharusnya tidak dilakukan berdasarkan 'percobaan' dan pendekatan kesalahan juga tidak boleh dirancang untuk membuat model menjadi kompleks, dengan asumsi bahwa itu akan menghasilkan kontribusi yang lebih signifikan. Andersson et al. (2014) dan Frazier et al. (2004), selanjutnya merekomendasikan referensi ini untuk pemahaman yang lebih baik tentang penggunaan variable moderasi: Dawson (2014), Baron dan Kenny (1986) dan Aguinis et al. (2017).
BAB III
KONSEPTUALISASI HUBUNGAN MEMODERASI
erangka kerja dapat dijelaskan dengan tujuh langkah oleh Andersson et al. (2014) untuk mengonsep atau menghipotesiskan hubungan moderasi. Kerangka kerja ini menunjukkan bahwa peneliti harus: (1) Mengidentifikasi teori yang menjelaskan efek langsung dan efek moderasi, (2) menerapkan teori yang dipilih untuk pertanyaan penelitian dan menjelaskan efek langsung dan mekanisme di baliknya, (3) memberikan pembenaran teoretis untuk pilihan variable moderator (M), (4) jelaskan pengaruh langsung variable moderator (M) terhadap variable terikat (Y) terhadap jelaskan bagaimana efek langsung ini berbeda dari efek moderasi (Z), (5) jelaskan bagaimana efek moderasi (Z) mengubah mekanisme dengan memperkuat atau melemahkan direct hubungan, (6) secara teoritis mengesampingkan interaksi terbalik di mana variable independen (X) memoderasi hubungan antara variable moderating (M) dan dependen variable (Y), (7) kembali ke teori ketika menginterpretasikan hasil dan menjelaskannya dari a sudut pandang teoretis. Langkah-langkah ini dapat diadaptasi dan dimodifikasi tergantung pada spesifikasinya pertanyaan penelitian dan sifat penelitian. Perlu ditekankan lagi bahwa penyertaan efek moderasi harus dibenarkan oleh must teori, daripada signifikansi statistik dari efek moderasi. Peneliti harus memastikan bahwa penjelasan efek moderasi (Z) harus berbeda dari penjelasan pengaruh langsung serta dari penjelasan pengaruh variable pemoderasi (M) terhadap variable terikat (Y). Cukup menyebutkan bahwa “M memoderasi hubungan antara X dan Y” bukan merupakan hipotesis yang baik. Sebaliknya, penulis harus menyebutkan secara eksplisit arah interaksi dengan mendalilkan baik hubungan positif atau terbalik berdasarkan literatur (Aguinis et al., 2017) Misalnya, “Dampak X pada Y akan meningkat ketika M hadir” atau “Hubungan antara X dan Y akan semakin kuat ketika M berkurang”., Harris, Li, Kirkman, dan Mathieu (2017) menyarankan tiga kemungkinan jenis efek interaksi yang: dapat dilakukan oleh moderator. Secara khusus, seorang moderator dapat (1) memperkuat hubungan, (2) melemahkan hubungan atau (3) membalikkan atau mengubah hubungan. Peneliti dapat membaca Andersson et al. (2014), Aguinis dkk. (2017),
Gardner dkk. (2017) dan Baron dan Kenny (1986) untuk lebih memahami bagaimana hubungan moderasi dikonseptualisasikan.
Contoh memformulasikan Hipotesis pada hubungan moderating, sebagai berikut :
Ada beberapa contoh redaksi kalimat yang dapat digunakan untuk menjelaskan hipotesis denagn melibatkan variable moderator. Misalnya peranan variable perilaku pegawai (X) dan kinerja pegawai (Y) lebih tergantung pada variable moderator tingkat pendidikan (Z), pada gambar 11 berikut :
PERILAKU PEGAWAI (X)
TINGKAT PENDIDIKAN (Z)
KENERJA PEGAWAI (Y)
Gambar 11. Model Moderating
Perilaku Pegawai (X) akan meningkatkan Kinerja Pegawai (Y) dengan dimoderatori peningkatan tingkat pendidikan (Z). Peluang kinerja akan meningkat ketika dibarengi dengan peningkatan Perilaku Pegawai dan peningkatan Tingkat Pendidikan. Sebaliknya peluang peningkatan Kinerja Pegawai tidak terjadi bila tidak dibarengi dengan peningkatan tingkat pendidikan.
Dari keterangan tersebut diatas, hipotesisnya dapat diajukan sebagai berikut:
֎ “Tingkat Pendidikan memoderatori Perilaku Pegawai terhadap Kinerja Pegawai”.
֎ “Tingkat Pendidikan mempengaruhi besar kecilnya Perilaku Pegawai terhadap Kinerja Pegawai”
atau …
“Signifikan tidaknya Perilaku Pegawai terhadap Kinerja Pegawai dipengaruhi oleh Tingkat Pendidikan”. Hipotesis ini tidak memiliki arah (2-ekor) karena tidak menentukan Perilaku Pegawai (X) akan meningkatkan (positif) atau menurunkan (negatif) Kinerja Pegawai (Y). Jika kita memiliki hipotesis yang berarah (1-ekor), hipothesisnya adalah
֎ “Tingkat Pendidikan memoderatori perilaku pegawai terhadap Kinerja Pegawai”.
atau redaksional yang berbeda, adalah :
֎ “Perilaku Pegawai berperan terhadap peningkatan Kinerja Pegawai, namun peranan tersebut dipengaruhi oleh Kinerja Pegawai”.
atau…….
֎ “Peranan Perilaku Pegawai dalam meningkatkan Kinerja Pegawai, dimoderatori oleh Tingkat Pendidikan”.
Kalimat tersebut perlu dijelaskan karena belum menggambarkan secara spesifik pungsi variable moderating. Untuk menjelaskan secara spssifik, variable moderator dapt dibagi menjadi dua. Misalnya berdasarkan levelnya yaitu tinggi-rendah atau besar-kecil dan berdasarkan kategori ketika variable moderator kita berbentuk kategorikal. Misalnya jenis kelamin (laki-laki dan perempuan), Jurusan pendidikan (eksakta dan non eksakta), jabatan pegawai (manajer-non manajer) dan sebagainya
֎ “Pada Pegawai yang Tingkat Pendidikannya tinggi, peranan Perilaku Pegawai dalam meningkatkan Kinerja Pegawai lebih besar dibanding pada pegawai yang Tingkat Pendidikannya rendah”.
֎ “Peranan Perilaku Pegawai dalam meningkatkan Kinerja Pegawai, lebih besar pada Tingkat Pendidikan Pegawainya Tinggi dibanding yang Tingkat Pendidikannya rendah”
atau…..
֎ “Perilaku Pegawai yang memiliki Tingkat Pendidikannya Tinggi meningkatkan peluang untuk meningkatkan Kinerja Pegawai. Dibandingkan dengan Tingkan Pendidikannya rendah.
Penulisan hipotesis dengan menggunakan variable moderator, setiap peranan variable X terhadap Y dijelaskan secara terpisah pada setiap kategori atau level variable moderator yang dihipotesiskan.
Beberapa redaksional dalam menyusun kalimat hipotesis yang melibatkan variable moderator sebagai berikut :
a. Peran variable X terhadap variable Y dimoderatori oleh variable Z, dimana peran variable X terhadap variable Y lebih tinggi ketika variable Z pada kategori tinggi dibanding dengan variable Z pada kategori yang lebih rendahrendah.
b. Peran variable X terhadap variable Y tergantung pada variable Z individu, dimana tingkat variable Z individu semakin tinggi, maka semakin besar peran variable X dalam meningkatkan variable Y. Sebaliknya tingkat variable Z individu semakin rendah, maka semakin kecil peran variable X terhadap peningkatan variable Y.
Variable Z (Tingkat pendidikan) dalam memoderasi variable X terhadap variable Y akan teridentifikasi dengan kriteria sebagai berikut:
a. Quasi Moderator (Moderator Semu), merupakan variable yang memoderasi hubungan antara variable independent dan variable dependent, dimana dapat berinteraksi dengan variable independent sekaligus menjadi variable independent Dimana terdapat pengaruh variable Z terhadap variable Y pada estimasi pertama dan terdapat pengaruh Interaksi X*Z pada estimasi kedua dan memiliki signifikasi terhadap variable Y.
b. Pure Moderator (Moderator Murni), merupakan variable moderasi yang memoderasi hubungan antara variable independent dan variable dependent dimana variable moderasi murni berinteraksi dengan variable independen tanpa menjadi variable independen. Dimana hasilnya adanya pengaruh variable Z terhadap variable Y, dimana estimasi pertama tidak memiliki pengaruh signifikan terhadap variable Y, sedangkan Interaksi X*Z pada estimasi kedua berpengaruh signifikan terhadap variable Y.
c. Prediktor Moderasi (Moderasi Prediktor), dimana ada pengaruh variable Z terhadap variable Y pada estimasi pertama berpengaruh secara signifikan dan adanya pengaruh Interaksi X*Z pada estimasi kedua tidak signifikan. Artinya variable moderasi hanya berperan sebagai variable independen dalam model hubungan yang dibentuk. d. Homologizer Moderasi (Moderasi Potensial), dimana ada pengaruh
variable Z terhadap variable Y pada estimasi pertama dan pengaruh Interaksi X*Z pada estimasi kedua, tidak ada satupun yang berpengaruh signifikan. Artinya, variable tidak berinteraksi dengan variable independent dan tidak mempunyai hubungan yang signifikan dengan variable dependent.
BAB IV
PENDEKATAN ANALISIS MODERASI
alam melakukan analisis statistik menggunakan pemodelan persamaan struktural, khususnya dalam PLSSEM, terdapat beberapa pendekatan untuk analisis moderasi, antara lain Product-Indicator, TwoStage, dan Orthogonalizing. Pendekatan indikator produk (Chin, Marcolin, & Newsted, 2003) mengalikan indikator variable independen dengan indikator variable moderator. Pendekatan ini direkomendasikan untuk model reflektif. Ini juga dapat digunakan untuk multi-grup analisis ketika moderator adalah kategoris (dengan variable independen berkelanjutan). Namun, tidak tepat jika variable independen atau/dan moderator diukur secara formatif (Ramayah, Cheah, Chuah, Ting, & Memon, 2018). Salah satu kelemahan dari pendekatan ini adalah sehingga menghasilkan kolinearitas pada model struktural (Fassott, Henseler, & Coelho, 2016).
Dalam pendekatan dua tahap (Henseler & Chin, 2010; Henseler & Fassott, 2010), skor konstruk laten pertama-tama dihitung dan disimpan. Istilah interaksi (Z) selanjutnya dibangun sebagai produk elemen-bijaksana dari skor konstruk X dan M. Istilah interaksi ini bersama-sama dengan skor variable laten X dan M dengan demikian digunakan sebagai variable independen dalam regresi berganda pada skor variable laten Y (Fassott et al., 2016, hal. 1891). Pendekatan ini direkomendasikan ketika independen (X) atau moderator (M) adalah formatif variable. Seperti pendekatan indikator produk, pendekatan dua tahap juga dapat mendorong kolinearitas karena melibatkan istilah interaksi. Pendekatan ortogonalisasi (Henseler & Chin, 2010) merupakan perluasan dari indikator produk mendekati. Berbeda dengan indikator produk dan pendekatan dua tahap, pendekatan ortogonalisasi Pendekatan menghilangkan masalah collinearity melalui pemusatan residual. Selain itu, ia memiliki keunggulan dalam hal parameter dan akurasi prediksi. Namun, itu hanya berlaku ketika baik independen (X) dan moderator (M) bersifat reflektif. Kekuatan statistik yang lebih rendah dianggap sebagai salah satu kelemahan utama dari pendekatan ini (Fassott et al., 2016).
PEDOMAN PRA-ANALISIS
elain kerangka kerja 7 langkah oleh Andersson et al. (2014), ada tujuh hal penting pedoman yang berkaitan dengan desain penelitian yang harus dipertimbangkan sebelum pengumpulan data, diantaranya : (1) menggunakan skala yang memiliki titik skala yang cukup. Menggunakan skala yang tidak mencukupi titik skala dapat mengakibatkan hilangnya informasi, sehingga mencegah deteksi a efek moderasi (Aguinis, 1995). Berdasarkan pengalaman dan diskusi kami dengan para ahli, kami percaya bahwa skala Likert 7 poin bekerja lebih baik untuk variable moderasi dibandingkan dengan mereka skala dengan poin skala yang lebih sedikit dalam konteks Malaysia karena budaya kolektivistik,
(2) pretest instrumen sebelum pengumpulan data utama. Sesi pretest menyeluruh melalui protokol atau teknik pembekalan, untuk melakukan uji reliabilitas, dengan target peserta dapat menjadi latihan yang berharga dan meminimalkan risiko kumpulan data berkualitas rendah dan hasil yang berpotensi tidak terduga,
(3) simpan barang-barang penting (mis., Barang yang terkait dengan variable pemoderasi) diurutkan, terutama bila kuesioner relatif panjang,
(4) menjalankan analisis daya (lihat Faul, Erdfelder, Buchner, & Lang, 2009; Kock & Hadaya, 2018). Sejauh terkait analisis daya, kami sarankan untuk menjalankannya dua kali. Pertama, harus menjalankannya sebelumnya pengumpulan data untuk menentukan ukuran sampel yang diperlukan untuk mencapai kekuatan dan efek yang diinginkan ukuran. Kedua, harus dilakukan setelah pengumpulan data untuk memastikan bahwa penelitian telah cukup ukuran sampel yang diperlukan agar efek moderasi dapat dideteksi. Dalam kasus ketika ada beberapa moderator dalam model dan ukuran sampelnya rendah, kami sarankan untuk menganalisis setiap moderator secara terpisah, (5) menyaring tanggapan yang mencurigakan (misalnya, garis lurus dan zigzag pola), dan tanggapan yang memiliki simpangan baku kurang dari 0,5 karena variasi yang kecil,
(6) lakukan “pekerjaan rumah” terlebih dahulu melalui membaca untuk memahami beberapa konsep dan pendekatan mendasar yang terkait dengan analisis moderasi (hal ini membingungkan kita ketika kandidat PhD mengajukan pertanyaan tentang moderasi yang sebenarnya dapat mereka ketahui dengan mudah melalui beberapa bacaan),
(7) pilih paket statistik yang sesuai (misalnya, SmartPLS, IBM SPSS AMOS, WarpPLS, IBM SPSS Statistics, dan SPSS/SAS Macro) berdasarkan karakteristiknya dan pastikan teknik penelitian relevan dengan masalah/tujuan/pertanyaan/hipotesis penelitian. Meskipun IBM SPSS AMOS banyak digunakan untuk analisis data dalam ilmu sosial dan penelitian bisnis, SmartPLS 3.0 (Ringle, Wende, & Becker, 2015) telah menerima cakupan yang baik baru-baru ini karena fitur bawaannya yang menjalankan semua pendekatan moderasi (mis. indikator, dua tahap, dan ortogonalisasi). Jelas, SmartPLS3.0 membuat MGA lebih mudah dieksekusi daripada paket lain yang sering digunakan (mis., IBM SPSS AMOS). Hal yang sama berlaku tentang WarpPLS 6.0 (Kock, 2017). SPSS Macro (Preacher & Hayes, 2004) juga dapat menjadi alat yang baik untuk analisis moderasi meskipun tidak memberikan output grafis. Kami merekomendasikan beberapa kunci referensi tentang materi pelajaran, termasuk karya-karya mani oleh Aguinis et al. (2017), Aguinis (1995), dan Andersson et al. (2014). Juga, penjelasan singkat terkait dengan pedoman pra-analisis dirinci dalam Memon et al. (2017).
ANALISIS REGRESI LINEAR DENGAN VARIABLE MODERATING
erbedaan utama antara analisis regresi dan korelasi Pearson adalah asimetri: memprediksi Y menggunakan X menghasilkan hasil yang berbeda dari memprediksi X menggunakan Y. Alasan kedua menggunakan regresi adalah untuk dapat memeriksa apakah nilai yang diamati konsisten dengan penjelasan kausal oleh penyidik. Menggunakan regresi, bagaimanapun, mengatakan apa-apa tentang kebenaran model kausal tersebut.
1. Multiple Regression Analysis (MRA)
Moderated Regression Analysis (MRA) atau uji interaksi merupakan aplikasi khusus regresi linear berganda, dimana persamaan regresinya mengandung unsur interaksi (perkalian dua atau lebih variable independen) dengan rumus persamaan sebagai berikut:
Y = a + b1X1 + b2X2 + b3 X1X2 + e
Variable perkalian antara X1 dan X2 disebut juga variable moderating, karena menggambarkan pengaruh moderating variable X2 terhadap hubungan X1 dan Y. Sedangkan variable X1 dan X2 merupakan pengaruh langsung dari variable X1 dan X2 terhadap variable Y. X1X2 dianggap sebagai variable moderating karena:
Y = a + b1X1 + b2X2 + b3 X1X2 + e dY/dX1 = b1 + b3X2
Persamaan tersebut memberikan arti bahwa dY/dX1 merupakan fungsi dari X2 atau variable X2 memoderasi hubungan antara X1 dan Y. Contoh :
VARIABEL INDEPENDEN (X1)
VARIABEL MODERATING (X2)
VARIABEL DEPENDEN (Y)
Gambar 11. Model Variable Moderating Menggunakan MRA
Hipotesis yang akan dilakukan pengujian adalah, semakin tinggi nilai variable X1 dan X2 maka akan berpengaruh semakin tingginya variable Y. Untuk menguji apakah X2 merupakan variable moderating maka dibuat persamaan regresi sebagai berikut:
Y = a + b1X1 + b2X2 + b3 X1X2 + e
Ketentuan : Jika variable X2 merupakan variable moderating, maka koefisien b3 nilainya harus signifikan pada tingkat signifikansi yang ditentukan. Penggunaan Regresi dengan Moderated Regression Analysis (MRA) pada umumnya sering menimbulkan masalah karena akan terjadi multikolonieritas yang tinggi antara variable independen, misalkan antara variable X1 dan variable moderat (X1X2) atau antara variable X2 dan Moderat (X1X2). Hal ini disebabkan variable moderating ada unsur X1 dan X2, adanya masalah dalam regresi bilamana hubungan multikolonieritas lebih dari 80%. Misalnya, adanya pengaruh variable X1 dan X2 terhadap Y dengan X3 sebagai variable moderating, dapat digambarkan sebagai berikut:
VARIABEL INDEPENDEN (X1)
VARIABEL MODERATING (X3)
VARIABEL DEPENDEN (Y)
VARIABEL INDEPENDEN (X2)
Gambar 12. Hubungan variable regresi dengan variable moderating
Hipotesis:
a. X1 berpengaruh langsung terhadap Y b. X2 berpengaruh langsung terhadap Y
c. X1 berpengaruh terhadap Y dimoderasi oleh X3 d. X2 berpengaruh terhadap Y dimoderasi oleh X3
Model matematis hubungan antar variable adalah sebagai berikut: Y = a1 + b1X1 + b4X3 + b5 X1X3 + e1
Jika variable X3 merupakan variable moderating, maka koefisien b5 dan b6 harus (tingkat signifikansi yangsignifikan pada ditentukan).
2. Absolut residual
Residual merupakan selisih dari nilai observasi dengan nilai prediksi sedangkan nilai absolut adalah nilai mutlaknya. Model hamper sama dengan MRA, perbedaannya nilai variable moderating didekati dengan selisih mutlak diantara variable bebas dan variable moderating. Penerimaan hipotesis juga sama, dan model absolut residual masih sangat riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA.
3. Residual
Model residual dapat menggunakan konsep lack of fit, dimana hipotesis moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi hubungan linear antara variable independen. Langkahnya adalah dengan melakukan regresikan antara kualitas layanan terhadap kepuasan penumpang dan dihitung nilai residualnya..
MENGANALISIS DAN MELAPORKAN EFEK MODERASI
ujuan utama dari analisis moderasi adalah untuk "mengukur dan menguji efek diferensial dari" variable bebas pada variable terikat sebagai fungsi moderator” (Baron & Kenny, 1986, hal. 1174). Langkah-langkah yang terlibat dalam menganalisis efek moderasi bervariasi berdasarkan: paket statistik dan pendekatan yang digunakan. Meskipun berada di luar cakupan editorial ini untuk menjelaskan langkah-langkah analitis dari setiap pendekatan menggunakan paket yang berbeda, penulis merekomendasikan bahwa: pedoman umum harus dipertimbangkan saat menganalisis dan melaporkan analisis moderasi. Paket statistik mana pun yang digunakan, peneliti harus memperhatikan tiga kunci berikut: poin saat melakukan analisis moderasi sebagai berikut :
(1) Pertama, penelitian harus fokus pada signifikansi efek moderasi (Z). Untuk memperjelas, ada kemungkinan bahwa variable moderator (M) mungkin atau
mungkin tidak berpengaruh pada variable dependen (Y). Dengan demikian, keputusan apakah ada efek moderasi harus dibuat berdasarkan hubungan yang signifikan antara efek moderasi (Z) dan variable dependen (Y).
(2) Kedua, peneliti harus menghitung dan laporkan ukuran efek (f2), dan seberapa besar kontribusinya terhadap R2 sebagai fungsi moderator. Hanya beberapa paket perangkat lunak (misalnya, SmartPLS3.0) menghitung f2 secara default. Untuk yang lain, ada yang online spreadsheet yang dapat
digunakan untuk menghitung ukuran efek (lihat
http://statwiki.kolobkreations.com).
(3) Terakhir, peneliti harus melaksanakan dan melaporkan plot kemiringan sederhana untuk inspeksi visual arah dan kekuatan efek moderasi. Pengguna SmartPLS dapat melihat plot kemiringan sederhana di bawah "Hasil Akhir" dan "Analisis Kemiringan Sederhana". Sebagai catatan akhir, penulis menekankan kembali langkah ketujuh yang disarankan oleh Andersson et al. (2014) bahwa para peneliti harus "kembali ke" teori ketika menafsirkan hasil dan menjelaskannya dari sudut pandang teoretis”. Dengan kata lain, mereka harus lebih menekankan pada makna substantif dari hasil tersebut dalam hal pemahaman teoritis dari fenomena yang sedang diselidiki daripada signifikansi statistik. Untuk penjelasan praktis dan panduan langkah demi langkah, kami sangat menyarankan PLS Primer oleh Hair, Hult, Ringle, dan Sarstedt (2017) dan manual PLS oleh Ramayah et al. (2018) untuk menilai moderasi di SmartPLS 3.0.
MASALAH YANG MUNCUL UNTUK DIPERTIMBANGKAN
ada bagian ini, akan di bahas secara singkat beberapa isu yang diangkat oleh Aguinis et al. (2017) kapan melakukan analisis moderator. Ada tujuh masalah yang memerlukan pertimbangan dan mereka adalah sebagai berikut :
a. kurangnya perhatian terhadap kesalahan pengukuran;
b. distribusi variable diasumsikan meliputi rentang penuh nilai yang mungkin;
c. ukuran sampel yang tidak sama di seluruh kategori berbasis moderator;
d. kekuatan statistik yang tidak mencukupi; e. dikotomi buatan moderator berkelanjutan;
f. dugaan efek korelasi antara istilah produk dan komponennya dan; g. menafsirkan efek orde pertama berdasarkan model tidak termasuk
istilah produk.
Aguin dkk. (2017) menyebutkan bahwa 62,4% dari makalah yang mereka ulas di Strategic Jurnal Manajemen tidak melaporkan kesalahan pengukuran. Hal ini sesuai dengan apa yang dikatakan Boyd et al (2005) menemukan di mana sebagian besar artikel yang diterbitkan dalam Jurnal Manajemen Strategis tidak melaporkan keandalan. Mereka berpendapat bahwa jika X (reliabilitas = 0,7) dan Z (reliabilitas = 0,7), maka istilah produk X*Z (keandalan 0,7*0,7 = 0,49) tidak dapat diterima. Mereka juga berpendapat bahwa ketika variable independen dan moderator diukur dengan kesalahan, yang tidak terstandarisasi estimasi koefisien akan menjadi bias. Mereka menyarankan bahwa penelitian di masa depan harus, minimal, melaporkan perkiraan keandalan untuk semua prediktor, termasuk komponen produk karena ini mungkin berguna untuk menafsirkan ketika efek interaksi tidak signifikan. Isu kedua yang mereka angkat adalah tentang data yang dikumpulkan yang tidak mewakili seluruh jangkauan kemungkinan skor dari variable yang dipertimbangkan yang mungkin ada dalam populasi. Untuk contoh, hanya perusahaan dengan kinerja terbaik di daerah perkotaan dari populasi yang dipilih dan dijadikan sampel. Mereka menyebut masalah ini sebagai "pembatasan jangkauan" karena perusahaan-perusahaan miskin kinerja tidak termasuk dalam sampel.
Aguinis dan Stone-Romero (1997) menemukan bahwa ketika varians sampel lebih kecil dari varians populasi, bahkan oleh apa yang mungkin dianggap kecil jumlah, kekuatan statistik untuk mendeteksi efek moderasi secara substansial berkurang. Mereka menyarankan bahwa para peneliti harus berusaha untuk menangkap berbagai skor dari semua variable terlibat dalam analisis jika itu tidak layak. Atau, ketika efek moderasi adalah kecil atau tidak signifikan, mereka harus melaporkan varians populasi untuk
mengesampingkan batasan jangkauan sebagai penjelasan alternatif yang masuk akal untuk hasil yang diperoleh. Isu ketiga yang mereka angkat adalah untuk situasi di mana moderatornya kategoris. Dalam jenis ini situasi, sebanyak mungkin peneliti harus berusaha untuk menyeimbangkan ukuran sampel di masing-masing kategori variable moderator. Misalnya, jika gender dikonstruksikan sebagai moderator, dan responden wanita merupakan 80% dari sampel, itu akan menyebabkan meremehkan efek moderasi. Sebisa mungkin peneliti harus mencoba mengumpulkan proporsi yang sama. Jika kategori tidak merata, maka kemungkinan besar terjadi oversampling dari kelompok yang lebih kecil untuk mengembang kekuatan statistik dengan biaya menggunakan sampel yang mungkin tidak mewakili populasi.
Masalah keempat yang mereka angkat adalah bahwa banyak penelitian tidak memiliki kekuatan yang cukup untuk mendeteksi detect efek moderasi. Akibatnya, banyak efek moderasi yang tidak terdeteksi. Sebagai norma untuk IPS adalah untuk mendapatkan pangkat 0,80, peneliti disarankan untuk melakukan analisis daya terlebih dahulu untuk mengumpulkan data untuk memastikan bahwa mereka memiliki kekuatan yang cukup untuk analisis mereka. Mereka lebih lanjut menyarankan bahwa kekuatan statistik dapat ditingkatkan dengan menggunakan sampel yang lebih besar dan melakukan penelitian dalam pengaturan yang mengontrol variable asing (yaitu, eksperimental atau berbasis simulasi riset). Lebih lanjut direkomendasikan bahwa daya harus dihitung dan dilaporkan di masa mendatang penelitian untuk menghilangkan anggapan bahwa penelitian ini kurang bertenaga. Isu kelima yang mereka kemukakan adalah dikotomi buatan dari variable moderator kontinu di analisis yang biasa dilakukan melalui IBM SPSS AMOS. Karena pembangkitan efek interaksi di IBM SPSS AMOS relatif membosankan. Mereka berpendapat masalah seperti itu akan menyebabkan hilangnya informasi. Ini tidak hanya merusak interpretasi moderator tetapi juga mengurangi varians dari variable moderator. Akibatnya, perkiraan efek moderasi bias ke bawah (Aguinis, 1995). Mereka juga berpendapat bahwa ini praktik mengkategorikan variable moderator berkelanjutan secara artifisial membuang informasi, mengurangi kekuatan statistik untuk mendeteksi efek moderasi, dan melemahkan ukuran moderasi efek. Oleh karena itu, praktik ini harus dihentikan (Aguinis, 1995; Aguinis & Gottfredson, 2010).
Isu keenam berkaitan dengan kekhawatiran tentang korelasi antara istilah produk Z dan komponen variable X dan M yang umumnya dianggap multikolinearitas. Jadi, banyak peneliti melakukan prosedur yang disebut pemusatan rata-rata untuk mencoba mengurangi efek ini. Apa yang mereka? menulis bertentangan dengan kepercayaan umum ini, dan itu adalah multikolinearitas yang diciptakan oleh masalahnya sebenarnya tidak menimbulkan masalah pada analisis moderasi selama X, M, dan X*M disertakan saat menjalankan analisis. Akhirnya, mereka merekomendasikan pemusatan rata-rata untuk satu-satunya tujuan memfasilitasi interpretasi koefisien pada istilah tingkat rendah dengan adanya interaksi. Tetapi mereka juga menekankan fakta bahwa hasil mengenai efek interaksi kemungkinan akan tetap tidak berubah terlepas dari prediktor dipusatkan atau tidak. Isu terakhir yang diangkat adalah interpretasi lower order effect (efek langsung dari X ke Y) tanpa menyertakan efek interaksi. Ini tidak disarankan karena ketika interaksi ada, prediktor yang terlibat dalam interaksi tidak memiliki efek unik tunggal. Sebaliknya, itu memiliki kisaran efek yang bervariasi sesuai dengan tingkat variable moderasi dan disebut sebagai lereng sederhana (Aiken & West, 1991). Aguinis (2004) menjelaskan bahwa karena sederhana lereng mewakili berbagai efek dalam banyak kasus, tidak berarti untuk berhipotesis atau menguji efek tunggal untuk prediktor ketika berinteraksi dengan variable moderasi. Kesimpulannya, mereka menyarankan untuk tidak menilai efek urutan rendah (X ke Y) tanpa efek interaksi di masa depan.
BAB V
STUDI KASUS VARIABLE MODERATING
Pada bab ini, penulis akan memberikan contoh studi kasus dengan menggunakan analisis variable moderator denganSPSS 24 dan PROCESS V.3.5 SPSS 24.
a. Analisis Variable Moderator dengan PROCESS V.3.5 SPSS 24
PROCESS adalah tool macro yang diciptakan Andrew F. Hayes dan dapat diinstal di SPSS. Tool ini dapat digunakan untuk melakukan analisis moderator dan mediator atau kedua secara bersamaan, dimana keunggulannya peneliti 1) cukup melakukan satu kali analisis untuk melihat adanya atau tidak efek moderasi. 2) dapat digunakan untuk membuat model yang lebih rumit dan kompleks, dimana variable moderator dan mediator dapat lebih dari satu. Bagi pembaca PROCESS dapat didownload secara gratis di link berikut http://www.processmacro.org/download.html, ada versi terbaru yakni v3.5.
Persiapkan program SPSS setelah PROCESS telah download, langkah berikutnya buka folder yang sudah didownload. Masuk ke folder PROCESS v3.5 melalui SPSS, selanjutnya doble klik pada file process.spd untuk menginstal PROCESS ke SPSS. Apabila metode kurang berhasil, pembaca dapat menginstal secara manual di SPSS. Caranya klik menu utilities –
custom dialogs – install custom dialog. Bilamana sudah berhasil terinstall,
akan muncul menu baru pada analyze – resgression – PROCESS
Gambar 13. Membuka PROCESS V.3.5 SPSS 24 Contoh Studi Kasus Penelitian
Penulis akan memberikan contoh penelitian fiktif penggunaan varibel moderator. Penelitian ini dilakukan di suatu maskapai penerbangan. Pemilik maskapai penerbangan resah dengan ada kebijakan pemerintah melakukan protokol kesehatan yang ketat membuat kepuasan penumpang rendah, dikarena harus mengikuti protokol kesehatan yang ketat. Maskapai telah meningkatkan kualitas pelayanan dengan baik, ternyata hasilnya tidak terlalu berpengaruh terhadap kepuasan penumpang. Setelah dilakukan penelitian oleh perusahaan, ternyata ada dugaan bahwa variable kecantikan & keramahan pramugari turut berperan dalam mempengaruhi hubungan antara kualitas pelayanan dan kepuasan penumpang tersebut.
Maka berikut desain penelitiannya.
KUALITAS LAYANAN (X)
KECANTIKAN DAN KERAMAHAN PRAMUGARI (Z)
KEPUASAN PENUMPANG (Y)
Variable independent (X) : kualitas layanan
Variable dependent (Y) : kepuasan penumpang
Variable moderating (Z) : kecantikan dan keramahan pramugari
Pertanyaan : apakah kecantikan & keramahan pramugari menjadi moderator hubungan antara variable kualitas pelayanan dan variable kepuasan penumpang ?
Hipotesis : variable kecantikan & keramahan pramugari menjadi moderator/memoderasi hubungan antara variable kualitas pelayanan dan variable kepuasan penumpang. Semakin tinggi variable kecantikan & keramahan pramugari, maka semakin kuat hubungan antara variable pelayanan dan variable kepuasan penumpang.
Langkah awal dapat dilakukan dengan memasukkan data setiap 3 variable
dependen, indepen dan moderator melalui SPSS sebagai berikut :
Gambar 15. Data Penelitian
Perlu menjadi perhatian, peneliti tetap melakukan Uji instrumen penelitian dengan menggunakan analisis validitas dan reliabilitas. Dimana uji validitas dengan syarat korelasi 0,30, sedangkan uji reliabilitas dengan syarat korelasi sebesar 0,60. Diasumsikan hasilnya sudah memenuhi syarat.
Langkah kedua, setelah memenuhi syarat, kita akan menggunakan Process v3.5 By Andrew F Hayes. Langkah awal klik Analyze kemudian klik Regression kemudian klik Process v3.5 By Andrew F Hayes dan hasilnya
Gambar 16. Tampilan Process v3.5 By Andrew F Hayes
Langkah ketiga, masukkan semua variable pada kolom yang ada, tampilan
yang muncul sebagai berikut :
Gambar 17. Tampilan Menu untuk Memasukkan Variable
Masukkan variable independen, dependen dan moderating pada kolom seperti pada gambar kemudian klik Option dan klik menu continue dan klik
Gambar 18. Tampilan Menu Process Option
Output analisis PROCESS dapat dilihat pada gambar sebagai berikut :
Gambar 19. Tampilan Output Process
Untuk melihat apakah adanya efek moderasi, dapat dilihat dibagian int_1. Int_1 merupakan hasil perkalian antara kualitas pelayanan dan kecantikan & keramahan. Jika efek int_1 hasilnya signifikan, maka ada efek moderasi, artinya kecantikan & keramahan memiliki peran sebagai variable moderator antara pelayanan dan kepuasan penumpang. Dari hasil ouput terlihat bahwa int_1 memiliki nilai p<0,05, dapat disimpulkan bahwa variable kecantikan & keramahan berperan sebagai moderator pada penelitian tersebut.
Melihat Visualisasi Interaksi
Untuk melihat visualisasi interaksi dapat dilihat dari hasil visualisasi pada garis korelasi pada kelompok rendah, sedang, dan tinggi. Untuk membuat grafik scatterplot, tinggal melakukan Doble klik pada output. Selanjutnya dapat melakukan edit di bagian output, dengan melakukan copy code seperti terlihat pada gambar berikut :
Gambar 20. Data Untuk di copy Paste
kemudian kita klik paste pada halaman syntax, seperti pada gambar berikut :
Selanjutnya kita klik Run dan klik All, hasilnya seperti terlihat pada gambar berikut :
Gambar 22. Tampilan garafik
Selanjutnya ditampilkan output baru berupa scaterplot berupa titik titik. Untuk membuat garis korelasi di scaterplot, lakukan doble klik pada gambar, lalu diarahkan pada halaman chart editor. Berikutnya klik add
fit line at subgroup dan akan muncul garis terlihat seperti pada
gambar berikut :
Gambar 23. Tampilan grafik setelah dimodifikasi
Dari gambar 23 dapat kesimpulan, pada kelompok variable kecantikan & Keramahan yang tinggi (warna abu-abu) ada hubungan positif yang kuat antara variable kualitas pelayanan dan variable kecantikan & keramahan.
