Uji Moderasi & IPMA PLS-SEM

Hipotesis Anda sudah lolos: kualitas layanan berpengaruh pada kepuasan pelanggan. Tetapi pembimbing bertanya, “Apakah pengaruhnya sama besar untuk semua orang?” Bayangkan dua jenis pelanggan. Pelanggan yang sudah lama dan loyal sudah merasa puas sejak awal, jadi layanan yang lebih bagus tidak terlalu menggerakkan kepuasan mereka. Pelanggan baru belum punya keterikatan, jadi layanan bagus justru sangat menggerakkan kepuasan mereka.

Rata-rata pengaruh sama, tetapi ceritanya berbeda di tiap kelompok. Pertanyaan “tergantung siapa” atau “tergantung kondisi apa” inilah yang dijawab uji moderasi. Ada satu variabel lain yang diam-diam mengatur seberapa kuat sebuah pengaruh bekerja. Artikel ini menjelaskan cara menangkapnya di PLS-SEM dari nol, lalu menutup dengan satu peta yang sering jadi penutup bab pembahasan: IPMA, peta yang menjawab “jadi, manajemen harus benahi yang mana dulu?”

Apa Itu Moderasi

Variabel moderator (kita lambangkan $M$) adalah variabel ketiga yang mengubah kekuatan atau arah pengaruh $X$ terhadap $Y$. Pengaruh $X \to Y$ tetap ada, tetapi besarnya naik-turun mengikuti nilai $M$. Moderator tidak membuat jalur baru ke $Y$ sendirian; ia menempel pada jalur yang sudah ada dan mengatur seberapa kencang jalur itu bekerja.

Analogi paling jelas: $X$ adalah pedal gas mobil, $Y$ adalah percepatan, dan $M$ adalah kemiringan jalan. Injakan gas yang sama persis menghasilkan percepatan besar di jalan menurun, tetapi percepatan kecil di tanjakan terjal. Kemiringan jalan ($M$) tidak menyetir mobil, ia hanya mengubah seberapa besar efek gas ($X$) terhadap percepatan ($Y$).

Jangan tertukar dengan mediasi. Mediasi berbentuk $X \to M \to Y$: $M$ duduk di tengah jalur sebagai jembatan, $X$ memengaruhi $M$ dulu, baru $M$ memengaruhi $Y$. Moderasi berbeda total: $M$ berdiri di samping jalur $X \to Y$ sambil mengatur ketebalannya. Inilah inti perbedaannya dalam satu gambar:

Di PLS-SEM, moderasi diuji dengan membuat satu konstruk tambahan: suku interaksi (interaction term), yaitu konstruk hasil perkalian $X$ dengan $M$, ditulis $X \times M$. Konstruk ini dimasukkan ke model sebagai prediktor tambahan untuk $Y$. Kalau jalur dari $X \times M$ ke $Y$ signifikan, berarti ada moderasi.

Dua Cara Membentuk Suku Interaksi

PLS menawarkan dua pendekatan untuk membentuk konstruk $X \times M$. Keduanya menuju kesimpulan serupa, tetapi prosedurnya berbeda.

Perhatikan kelemahan product indicator lewat hitungan kecil: kalau $X$ punya 2 indikator dan $M$ punya 3 indikator, suku interaksinya butuh $2 \times 3 = 6$ indikator perkalian. Makin banyak indikator asli, makin meledak jumlah indikator interaksinya. Karena itu Hair dkk. (2022) menganjurkan two-stage sebagai pilihan baku: lebih stabil dan tidak menggelembungkan jumlah indikator. Di SmartPLS Anda tinggal memilih dari menu; perangkat lunak yang mengerjakan perkaliannya, jadi Anda tidak perlu mengalikan indikator satu per satu.

Model dan Koefisien Interaksi

Dengan menambahkan suku interaksi, pengaruh terhadap $Y$ ditulis:

$$ Y = b_1 X + b_2 M + b_3 (X \times M) $$

Penjelasan tiap lambang:

• $X$ = variabel bebas (prediktor utama), mis. kualitas layanan. $Y$ = variabel terikat, mis. kepuasan. $M$ = moderator, mis. lama menjadi pelanggan.
• $b_1$ = efek utama $X$ terhadap $Y$. Karena PLS menstandarkan tiap konstruk (rata-rata 0), $b_1$ adalah pengaruh $X$ saat $M$ berada di rata-ratanya ($M = 0$).
• $b_2$ = efek utama $M$ terhadap $Y$.
• $b_3$ = koefisien interaksi, yaitu koefisien jalur dari konstruk $X \times M$ ke $Y$. Inilah angka inti uji moderasi.
• $X \times M$ = konstruk perkalian; nilainya besar saat $X$ dan $M$ sama-sama tinggi (atau sama-sama rendah), dan kecil saat keduanya berlawanan.

Yang menentukan ada-tidaknya moderasi adalah $b_3$, bukan $b_1$ atau $b_2$. Tetapi signifikansi $b_3$ tidak dibaca dari besar angkanya langsung — di PLS, signifikansi tiap jalur diperoleh dari bootstrapping (uji ulang-sampel ribuan kali untuk mendapat nilai $t$ dan $p$; lihat Bootstrapping PLS). Kalau jalur $X \times M$ signifikan (lazimnya nilai $t > 1{,}96$ atau $p < 0{,}05$), moderasi terbukti.

Slope efektif bergantung pada M

Begitu ada interaksi, kemiringan (slope) efektif $X$ terhadap $Y$ bukan lagi satu angka tetap, melainkan bergeser mengikuti level $M$:

$$ \text{slope}_X = b_1 + b_3 \cdot M $$

Di sini “slope” berarti: berapa banyak $Y$ naik untuk tiap satu satuan kenaikan $X$, pada level $M$ tertentu. Tanda $b_3$ menentukan arah moderasi:

• $b_3 > 0$: $M$ memperkuat pengaruh $X$ — makin tinggi $M$, makin curam (besar) slope $X \to Y$.
• $b_3 < 0$: $M$ memperlemah pengaruh $X$ — makin tinggi $M$, makin landai (kecil) slope $X \to Y$.
• $b_3 = 0$: tidak ada moderasi — slope sama di semua level $M$ (garis-garisnya sejajar).

Simple Slope: Menghitung dengan Tangan

Estimasi koefisien ($b_1$, $b_3$) butuh perangkat lunak karena PLS bekerja iteratif. Tetapi begitu $b_1$ dan $b_3$ keluar dari SmartPLS, simple slope bisa Anda hitung sendiri — cukup penjumlahan dan perkalian. Inilah angka yang membuat grafik moderasi (simple slope plot) bisa dibaca.

Misalkan hasil estimasi: efek utama $b_1 = 0{,}40$ dan koefisien interaksi $b_3 = 0{,}15$ (anggap sudah signifikan lewat bootstrap). Karena konstruk PLS terstandar (simpangan baku = 1), istilah “moderator tinggi” berarti $M = +1$ (satu simpangan baku di atas rata-rata) dan “moderator rendah” berarti $M = -1$ (satu simpangan baku di bawah rata-rata).

Tinggal masukkan tiga level $M$ ke rumus $\text{slope}_X = b_1 + b_3 \cdot M$:

Perhatikan: pada moderator sedang, slope-nya persis sama dengan efek utama $b_1 = 0{,}40$ — itulah arti $b_1$ tadi (pengaruh $X$ saat $M$ di rata-rata).

Tafsirnya. Pada pelanggan dengan moderator rendah, satu satuan kenaikan $X$ menaikkan $Y$ sebesar 0,25. Pada moderator tinggi, kenaikan $X$ yang sama menaikkan $Y$ sebesar 0,55 — lebih dari dua kali lipat. Karena slope naik dari 0,25 ke 0,55 seiring naiknya $M$, moderasi memperkuat pengaruh $X \to Y$. Itu konsisten dengan $b_3$ yang bertanda positif.

Ketiga angka ini (0,25 · 0,40 · 0,55) adalah tiga garis yang Anda lihat di simple slope plot SmartPLS: tiga garis lurus dari satu pangkal yang sama, makin curam saat moderator naik — persis pola di bagian kanan gambar tadi.

Bereksperimen Sendiri

Atur efek utama ($b_1$) dan koefisien interaksi ($b_3$), lalu geser level moderator dan lihat slope efektif $b_1 + b_3 \cdot M$ berubah langsung. Cobalah set $b_3 = 0$ (ketiga garis menjadi sejajar — tanda tidak ada moderasi) lalu buat $b_3$ negatif (garis moderator tinggi justru jadi lebih landai — memperlemah).

IPMA: Memetakan Prioritas Perbaikan

Setelah model beres, sering muncul pertanyaan praktis dari pembimbing atau klien: “Konstruk mana yang harus dibenahi lebih dulu?” Inilah yang dijawab IPMA (Importance-Performance Map Analysis, analisis peta kepentingan-kinerja). IPMA adalah peta dua sumbu yang menempatkan tiap konstruk berdasarkan dua hal terhadap satu konstruk target (mis. Loyalitas):

• Importance (kepentingan, sumbu mendatar): seberapa besar total effect konstruk itu ke target. Total effect = pengaruh langsung + pengaruh tidak langsung (lewat konstruk perantara). Skalanya sama dengan koefisien jalur, biasanya 0 sampai sekitar 1.
• Performance (kinerja, sumbu tegak): skor rata-rata konstruk itu, diskalakan ulang ke 0 sampai 100. Skor 100 berarti semua responden menjawab maksimal.

Catatan penting soal performance: angka 0–100 ini bukan persentase jawaban mentah kuesioner. Perangkat lunak menskalakan ulang skor laten ke rentang 0–100. Contoh perhitungannya: kalau sebuah konstruk diukur skala Likert 1–5 dan rata-ratanya 4,2, maka performance $= \dfrac{4{,}2 - 1}{5 - 1} \times 100 = 80$. Nilai terendah skala (1) dipetakan ke 0, nilai tertinggi (5) ke 100.

Logikanya sederhana. Konstruk yang penting tetapi kinerjanya rendah adalah sasaran perbaikan utama, karena memperbaiki sedikit di situ berdampak besar ke target. Konstruk yang penting dan kinerjanya sudah tinggi cukup dipertahankan. Konstruk yang tidak penting boleh dinomorduakan.

Contoh membaca IPMA

Misalkan konstruk Kepuasan punya importance = 0,55 (total effect ke Loyalitas) dan performance = 70 (skor 0–100). Importance 0,55 tergolong tinggi: Kepuasan banyak menentukan Loyalitas. Tetapi performance 70 berarti masih ada $100 - 70 = 30$ poin ruang perbaikan menuju maksimal.

Kesimpulannya: Kepuasan penting tetapi belum maksimal, jadi inilah konstruk yang diprioritaskan untuk dibenahi. Tiap perbaikan kecil pada Kepuasan diramalkan menggerakkan Loyalitas lebih besar dibanding membenahi konstruk lain yang importance-nya rendah. Jenis rekomendasi manajerial seperti inilah yang dicari di bab penutup skripsi.

Mengambil Keputusan

Untuk moderasi, baca tabel hasil bootstrapping pada jalur interaksi $X \times M$:

Untuk IPMA, baca posisi tiap konstruk di peta:

Di SmartPLS, moderasi dibuat lewat menu yang menambahkan Moderating Effect, lalu Bootstrapping untuk membaca signifikansi jalur interaksi, dan Simple Slope Plot untuk grafiknya. IPMA punya menu sendiri, Importance-Performance Map Analysis: Anda pilih konstruk target, lalu perangkat lunak mengeluarkan tabel importance, performance, dan petanya.

Cek Pemahaman

1. Sebuah model menghasilkan efek utama $b_1 = 0{,}30$ dan koefisien interaksi $b_3 = -0{,}20$ (signifikan lewat bootstrap). Hitung slope efektif $X \to Y$ pada moderator rendah ($M = -1$), sedang ($M = 0$), dan tinggi ($M = +1$). Apakah $M$ memperkuat atau memperlemah?

Lihat jawaban

Pakai $\text{slope}_X = b_1 + b_3 \cdot M$:

• Rendah ($M = -1$): $0{,}30 + (-0{,}20) \times (-1) = 0{,}30 + 0{,}20 = 0{,}50$
• Sedang ($M = 0$): $0{,}30 + (-0{,}20) \times 0 = 0{,}30$
• Tinggi ($M = +1$): $0{,}30 + (-0{,}20) \times (+1) = 0{,}30 - 0{,}20 = 0{,}10$

Slope turun dari 0,50 (moderator rendah) ke 0,10 (moderator tinggi) seiring naiknya $M$. Berarti $M$ memperlemah pengaruh $X \to Y$ — konsisten dengan $b_3$ yang bertanda negatif.

2. (transfer) Seorang peneliti menemukan $b_3 = 0{,}28$ (cukup besar), tetapi nilai $t$-nya 1,40 dari bootstrapping. Pembimbing bertanya apakah hipotesis moderasi diterima. Apa jawaban yang benar, dan kenapa?

Lihat jawaban

Hipotesis moderasi tidak diterima. Besar $b_3$ saja tidak cukup; yang menentukan adalah signifikansi jalur interaksi dari bootstrapping. Dengan $t = 1{,}40$ (di bawah ambang 1,96), nilai $p > 0{,}05$, sehingga $b_3$ tidak berbeda nyata dari nol. Artinya $X \times M$ tidak terbukti memengaruhi $Y$, dan $M$ tidak terbukti sebagai moderator — meski angka koefisiennya kelihatan besar.

3. (transfer) Dua konstruk pada IPMA: Harga (importance = 0,18; performance = 45) dan Layanan (importance = 0,52; performance = 48). Anggaran perbaikan terbatas, hanya cukup untuk satu konstruk. Mana yang dipilih, dan kenapa?

Lihat jawaban

Pilih Layanan. Kinerja keduanya hampir sama-sama rendah (45 vs 48), jadi pembedanya adalah importance. Layanan jauh lebih penting (0,52 vs 0,18): tiap perbaikan kinerja Layanan menggerakkan target jauh lebih besar daripada perbaikan Harga. Memperbaiki Harga yang importance-nya rendah memberi hasil kecil — itu kesalahan menukar importance dengan performance.

Kesalahan Umum

Menyimpulkan moderasi dari besar $b_3$ tanpa bootstrap. Nilai $b_3$ besar belum tentu signifikan. Moderasi ditentukan oleh signifikansi jalur interaksi dari bootstrapping (nilai $t$/$p$), bukan dari besar koefisiennya saja.

Menafsirkan efek utama saat ada interaksi sebagai efek $X$ total. Dengan interaksi, $b_1$ adalah efek $X$ hanya saat moderator di rata-rata ($M = 0$). Efek $X$ yang sebenarnya = $b_1 + b_3 \cdot M$, berubah mengikuti $M$. Melaporkan $b_1$ seolah berlaku untuk semua orang adalah kesalahan tafsir.

Membaca performance IPMA sebagai persen mentah kuesioner. Performance sudah diskalakan ulang ke 0–100 oleh perangkat lunak dari skor laten, bukan persentase jawaban biasa. Jangan menghitung ulang dari rata-rata Likert mentah tanpa penyesuaian skala.

Menukar importance dengan performance saat menyimpulkan prioritas. Prioritas perbaikan = importance tinggi dan performance rendah — bukan sebaliknya. Salah tukar membuat rekomendasi manajerial terbalik.

Memakai product indicator untuk indikator formatif. Untuk konstruk formatif atau indikator banyak, gunakan pendekatan two-stage. Product indicator hanya cocok untuk konstruk reflektif dengan sedikit indikator (lihat Indikator Reflektif vs Formatif).

Dipakai di Dunia Nyata

• Skripsi dengan hipotesis moderasi. Sangat lazim di model PLS, mis. “komitmen organisasi memoderasi pengaruh kepuasan kerja terhadap kinerja karyawan”. Suku interaksi + bootstrap + simple slope plot menjadi isi subbab pengujian moderasinya.
• Riset pemasaran untuk segmentasi. Menguji apakah efek kualitas layanan terhadap loyalitas berbeda antara pelanggan lama dan baru, lalu IPMA menunjukkan konstruk mana yang harus dibenahi lebih dulu untuk menaikkan loyalitas.
• Evaluasi program sektor publik. Menguji apakah efek pelatihan terhadap kinerja bergantung pada dukungan atasan (moderasi), sekaligus memetakan prioritas perbaikan lewat IPMA untuk rekomendasi kebijakan.

Lanjutan

Pengantar regresi moderasi (tanpa konstruk laten) ada di fondasi:

• Uji Moderasi (Moderated Regression Analysis) — versi regresi biasa, untuk membangun intuisi suku interaksi.
• Bootstrapping PLS — dari sinilah signifikansi jalur interaksi dibaca.

Langkah berikutnya di jalur SEM:

• CB-SEM: Identifikasi & Estimasi — pendekatan SEM berbasis kovarians, alternatif PLS.

Reference

• 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.
• Henseler, J., & Fassott, G. (2010). Testing Moderating Effects in PLS Path Models. In Handbook of Partial Least Squares. Springer.
• Ringle, C.M., & Sarstedt, M. (2016). Gain more insight from your PLS-SEM results: The importance-performance map analysis. Industrial Management & Data Systems, 116(9), 1865–1886.
• Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS. Badan Penerbit Universitas Diponegoro.