Uji Mediasi (Baron-Kenny & Sobel Test)

Hipotesis skripsi Anda makin canggih. Bukan lagi sekadar “kepemimpinan menaikkan kinerja”, tetapi “kepemimpinan menaikkan kinerja melalui motivasi”. Kalimat kecil “melalui” itu mengubah segalanya: Anda tidak hanya mengeklaim ada pengaruh, tetapi mengeklaim tahu lewat jalan mana pengaruh itu mengalir. Kepemimpinan yang baik membuat bawahan termotivasi, dan motivasi itulah yang lalu menaikkan kinerja.

Variabel di tengah — motivasi — disebut mediator (perantara). Menguji apakah jalan memutar “lewat motivasi” itu benar-benar ada disebut uji mediasi, dan ia salah satu analisis paling populer di skripsi manajemen masa kini.

Artikel ini membangun uji mediasi dari nol: model jalurnya, arti efek langsung dan tak langsung, langkah Baron-Kenny, Sobel test yang dihitung dengan tangan, lalu metode bootstrap yang kini jadi standar — termasuk beda mediasi penuh dan sebagian.

Intuisi: Jalan Langsung dan Jalan Memutar

Bayangkan Anda ingin tahu mengapa hujan deras membuat jalanan macet. Satu jawaban polos: “hujan menyebabkan macet”. Tetapi cerita yang lebih jujur berantai — hujan membuat orang malas jalan kaki, lalu lebih banyak yang naik kendaraan, lalu jalanan penuh. Hujan menyentuh kemacetan lewat perantara: jumlah kendaraan.

Mediasi memformalkan cerita berantai seperti itu. Ada tiga pemain:

• X — variabel bebas (penyebab awal). Contoh: kepemimpinan.
• M — mediator (perantara di tengah). Contoh: motivasi.
• Y — variabel terikat (akibat akhir). Contoh: kinerja.

Pertanyaan inti mediasi bukan “apakah X memengaruhi Y”, melainkan: berapa bagian pengaruh X yang mengalir lewat M, dan berapa yang langsung? Itulah yang dipecah oleh uji mediasi.

Model Mediasi: Tiga Jalur

Tiga variabel itu dihubungkan oleh tiga panah sebab-akibat. Gambar di bawah adalah peta seluruh artikel ini:

Tiap panah punya nama dan arti yang harus Anda pegang sepanjang artikel:

• a = pengaruh X terhadap M (seberapa kuat kepemimpinan menaikkan motivasi).
• b = pengaruh M terhadap Y setelah X dikendalikan (seberapa kuat motivasi menaikkan kinerja, pada tingkat kepemimpinan yang sama).
• c′ (dibaca “c-aksen”) = efek langsung X terhadap Y, yaitu pengaruh kepemimpinan pada kinerja yang tidak lewat motivasi.
• c = efek total X terhadap Y, yaitu pengaruh kepemimpinan pada kinerja sebelum motivasi dimasukkan ke model.

Tiap panah ini sebenarnya adalah koefisien regresi biasa, hanya dari tiga regresi yang berbeda — itu sebabnya prasyaratnya regresi berganda.

Efek Tak Langsung: Inti Seluruh Cerita

Pengaruh yang mengalir lewat jalan memutar X → M → Y disebut efek tak langsung (indirect effect). Cara menghitungnya: kalikan dua jalur yang ia lewati.

$$\text{efek tak langsung} = a \times b$$

Penjelasan tiap lambang:

• $a$ = koefisien jalur X → M (langkah pertama jalan memutar).
• $b$ = koefisien jalur M → Y (langkah kedua jalan memutar).
• $a \times b$ = hasil kali keduanya = besar pengaruh X pada Y yang benar-benar lewat M.

Kenapa dikalikan, bukan dijumlahkan? Karena jalan memutar harus dilewati berurutan. Misalkan menaikkan kepemimpinan 1 satuan menaikkan motivasi $a = 0{,}5$ satuan; dan tiap 1 satuan motivasi menaikkan kinerja $b = 0{,}4$ satuan. Maka tambahan 1 satuan kepemimpinan, lewat motivasi, menaikkan kinerja sebesar $0{,}5 \times 0{,}4 = 0{,}20$ satuan. Naik dulu lewat $a$, baru turun lewat $b$ — efeknya berlipat, bukan bertambah.

Dan efek total adalah penjumlahan jalan memutar dengan jalan langsung:

$$c = c' + (a \times b)$$

Persamaan kecil ini adalah jantung mediasi. Ia mengatakan: seluruh pengaruh X pada Y (= $c$) terbagi habis menjadi bagian langsung ($c'$) dan bagian yang lewat mediator ($a \times b$). Kalau hampir semua pengaruh lewat M, mediasinya kuat; kalau hanya sedikit, mediasinya lemah.

Langkah Baron-Kenny (Klasik)

Metode klasik dari Baron dan Kenny (1986) menguji mediasi lewat empat langkah, masing-masing satu regresi:

1. X → Y harus signifikan — ada pengaruh total (koefisien $c$). Tanpa pengaruh total, dulu dianggap tak ada yang perlu dimediasi.
2. X → M harus signifikan — X benar memengaruhi mediator (koefisien $a$).
3. M → Y dengan X dikendalikan harus signifikan — mediator memengaruhi Y di luar pengaruh X (koefisien $b$).
4. Bandingkan $c$ dan $c'$ — pengaruh X pada Y sebelum dan sesudah M dimasukkan:
   • Kalau $c'$ jatuh menjadi tidak signifikan → mediasi penuh (full mediation): seluruh pengaruh X lewat M.
   • Kalau $c'$ mengecil tetapi tetap signifikan → mediasi sebagian (partial mediation): sebagian lewat M, sebagian langsung.

Baron-Kenny intuitif, tetapi punya satu kelemahan yang kini diakui: syarat langkah 1 (X → Y harus signifikan) terlalu ketat. Sebuah mediasi bisa nyata meski pengaruh total tampak kecil — misalnya kalau jalur langsung dan tak langsung saling melemahkan. Karena itu langkah 1 sekarang tidak lagi wajib, dan perhatian beralih ke uji formal langsung pada efek tak langsung: Sobel test, lalu bootstrap.

Sobel Test: Apakah a × b Signifikan?

Empat langkah Baron-Kenny menguji tiap jalur terpisah. Tetapi yang ingin kita ketahui adalah apakah hasil kalinya, $a \times b$, berbeda nyata dari nol. Sobel (1982) memberi rumusnya: bagi efek tak langsung dengan standar error-nya untuk memperoleh statistik $z$.

$$z = \frac{a \times b}{\sqrt{b^2 s_a^2 + a^2 s_b^2}}$$

Penjelasan tiap lambang:

• $a$, $b$ = koefisien jalur X → M dan M → Y (yang tadi).
• $s_a$, $s_b$ = standar error koefisien $a$ dan $b$ — ukuran ketidakpastian tiap koefisien, dibaca langsung dari output regresi (kolom Std. Error di SPSS).
• Penyebut $\sqrt{b^2 s_a^2 + a^2 s_b^2}$ = standar error efek tak langsung $a \times b$. Perhatikan polanya: kuadrat koefisien disilang dengan kuadrat standar error pasangannya ($b^2$ bertemu $s_a^2$, $a^2$ bertemu $s_b^2$).
• $z$ = berapa banyak standar error efek tak langsung itu berjarak dari nol. Makin jauh dari nol, makin yakin mediasinya nyata.

Aturan keputusan sederhana: bandingkan $z$ dengan 1,96 (nilai kritis taraf 5% dua arah). Kalau $|z| > 1{,}96$, efek tak langsung signifikan — ada mediasi.

Contoh hitung Sobel dari nol

Misalkan dari dua regresi Anda memperoleh koefisien dan standar error berikut:

Langkah 1 — efek tak langsung. Kalikan kedua jalur:

$$a \times b = 0{,}5 \times 0{,}4 = 0{,}20$$

Langkah 2 — standar error Sobel. Isi rumus penyebut, satu suku demi satu suku:

$$b^2 s_a^2 = 0{,}4^2 \times 0{,}1^2 = 0{,}16 \times 0{,}01 = 0{,}0016$$$$a^2 s_b^2 = 0{,}5^2 \times 0{,}1^2 = 0{,}25 \times 0{,}01 = 0{,}0025$$$$\sqrt{b^2 s_a^2 + a^2 s_b^2} = \sqrt{0{,}0016 + 0{,}0025} = \sqrt{0{,}0041} = 0{,}0640$$

Langkah 3 — statistik z. Bagi efek tak langsung dengan standar error-nya:

$$z = \frac{0{,}20}{0{,}0640} = 3{,}123$$

Keputusan. Karena $3{,}123 > 1{,}96$, efek tak langsung signifikan. Kesimpulan: motivasi memang memediasi pengaruh kepemimpinan terhadap kinerja — sebagian pengaruh kepemimpinan mengalir lewat motivasi, bukan langsung.

Mediasi Penuh vs Sebagian

Setelah efek tak langsung terbukti signifikan, langkah berikutnya menafsirkan seberapa banyak pengaruh yang lewat M. Di sinilah perbandingan $c$ (total) dan $c'$ (langsung) berperan. Ingat persamaan jantung tadi: $c = c' + a\times b$.

Misalkan efek total $c = 0{,}35$ dan efek tak langsung $a \times b = 0{,}20$. Maka efek langsung:

$$c' = c - (a \times b) = 0{,}35 - 0{,}20 = 0{,}15$$

Dua kemungkinan tafsir:

• Mediasi sebagian. Kalau $c' = 0{,}15$ ini masih signifikan secara statistik, artinya kepemimpinan tetap menyentuh kinerja secara langsung di samping lewat motivasi. Sebagian jalan memutar, sebagian jalan langsung. Bagian yang lewat M di sini $0{,}20 / 0{,}35 \approx 57\%$ dari pengaruh total.
• Mediasi penuh. Kalau setelah M dimasukkan, $c'$ jatuh hingga praktis nol dan tidak signifikan, artinya seluruh pengaruh kepemimpinan ternyata mengalir lewat motivasi. Tanpa motivasi, kepemimpinan tidak menyentuh kinerja sama sekali.

Catatan penting: mediasi penuh jarang benar-benar terjadi pada perilaku manusia yang rumit, dan tidak otomatis “lebih baik” dari sebagian. Mediasi sebagian justru lebih realistis untuk kebanyakan fenomena sosial.

Metode Modern: Bootstrap

Sobel punya satu kelemahan teknis. Rumusnya mengandaikan sebaran $a \times b$ berbentuk lonceng normal, padahal hasil kali dua koefisien sering menceng (tidak simetris) — apalagi pada sampel kecil. Akibatnya Sobel bisa keliru, biasanya terlalu konservatif (gagal mendeteksi mediasi yang sebenarnya ada).

Metode modern (Preacher dan Hayes, 2008), lewat PROCESS macro di SPSS atau bawaan SmartPLS, memakai bootstrap (pengambilan sampel ulang). Idenya polos:

1. Dari data asli berukuran $n$, ambil $n$ baris secara acak dengan pengembalian (satu responden boleh terambil lebih dari sekali) — ini satu “sampel bootstrap”.
2. Hitung efek tak langsung $a \times b$ pada sampel bootstrap itu.
3. Ulangi ribuan kali (lazimnya 5.000 atau 10.000). Anda kini punya ribuan nilai $a \times b$ yang menggambarkan sebaran sesungguhnya — tanpa mengandaikan bentuk lonceng.
4. Ambil selang kepercayaan (confidence interval, CI) 95% dari ribuan nilai itu, yaitu rentang dari persentil ke-2,5 sampai ke-97,5.

Aturan keputusannya sederhana dan kuat: kalau selang kepercayaan tidak memuat nol, mediasi signifikan. Kalau rentangnya, misalnya, [0,08; 0,33] — seluruhnya positif, tidak melewati nol — maka efek tak langsung nyata. Kalau rentangnya [−0,05; 0,21] — melompati nol — maka belum bisa disimpulkan ada mediasi.

Bootstrap kini lebih disukai daripada Sobel di hampir semua situasi, dan wajib di PLS-SEM (lihat Mediasi dalam PLS-SEM). Sobel tetap berguna untuk dipahami karena memperlihatkan dengan gamblang dari mana standar error efek tak langsung berasal.

Coba Sendiri

Geser jalur $a$ dan $b$ pada peraga di bawah, lalu amati efek tak langsung ($a \times b$) dan statistik Sobel $z$ ikut berubah. Perhatikan saat $a$ atau $b$ mendekati nol — mediasinya lenyap. Atur juga $c'$ untuk membedakan mediasi penuh ($c' \approx 0$) dari mediasi sebagian.

Berkas Excel Pendamping

/excel/uji-mediasi.xlsx berisi: ringkasan empat langkah Baron-Kenny, kalkulator Sobel test ($a$, $b$, $s_a$, $s_b$ → efek tak langsung → standar error Sobel → $z$) dengan tiap langkah terlihat sebagai formula hidup, perbandingan $z$ dengan 1,96, serta lembar yang membedakan mediasi penuh dan sebagian lewat dekomposisi $c = c' + a\times b$.

Cek Pemahaman

1. Sebuah uji mediasi menghasilkan $a = 0{,}6$ ($s_a = 0{,}2$) dan $b = 0{,}5$ ($s_b = 0{,}1$). Hitung efek tak langsung dan statistik Sobel $z$ dari nol, lalu simpulkan.

Lihat jawaban

Efek tak langsung $a \times b = 0{,}6 \times 0{,}5 = 0{,}30$.

Standar error Sobel:

$$\sqrt{b^2 s_a^2 + a^2 s_b^2} = \sqrt{0{,}5^2 \times 0{,}2^2 + 0{,}6^2 \times 0{,}1^2} = \sqrt{0{,}0100 + 0{,}0036} = \sqrt{0{,}0136} = 0{,}1166$$

Statistik $z = 0{,}30 / 0{,}1166 = 2{,}572$. Karena $2{,}572 > 1{,}96$, efek tak langsung signifikan — ada mediasi.

2. (Transfer) Seorang peneliti melaporkan: efek total $c = 0{,}18$ tidak signifikan, jadi ia menyimpulkan “tidak ada mediasi” dan berhenti. Tetapi bootstrap atas efek tak langsung memberi selang kepercayaan [0,09; 0,27]. Apa yang salah dengan kesimpulan peneliti, dan apa kesimpulan yang benar?

Lihat jawaban

Peneliti memakai logika lama Baron-Kenny yang menuntut $c$ (X → Y) signifikan sebagai syarat masuk. Syarat itu kini ditinggalkan karena terlalu ketat: mediasi bisa nyata meski efek total kecil — misalnya bila jalur langsung $c'$ dan jalur tak langsung $a\times b$ berlawanan tanda sehingga saling memperkecil pengaruh total.

Yang menentukan ada-tidaknya mediasi adalah efek tak langsung, bukan efek total. Bootstrap memberi selang [0,09; 0,27] yang tidak memuat nol, jadi efek tak langsung signifikan. Kesimpulan benar: mediasi ada (dan karena $c$ tak signifikan sementara $a\times b$ signifikan, ini mengarah ke pola mediasi penuh / indirect-only). Peneliti seharusnya tidak berhenti di langkah pertama.

Kesalahan Umum

Menyimpulkan mediasi hanya dari Baron-Kenny. Syarat langkah 1 (X → Y signifikan) sudah ketinggalan zaman. Selalu uji efek tak langsung secara langsung lewat Sobel atau, lebih baik, bootstrap.

Salah menyusun standar error Sobel. Polanya $b^2 s_a^2 + a^2 s_b^2$ — kuadrat koefisien disilang dengan kuadrat standar error pasangannya. Sering tertukar menjadi $a^2 s_a^2 + b^2 s_b^2$. Periksa: $b$ bertemu $s_a$, $a$ bertemu $s_b$.

Mengeklaim mediasi karena a dan b masing-masing signifikan. Yang menentukan adalah hasil kali $a \times b$ signifikan, bukan $a$ dan $b$ signifikan terpisah. Keduanya bisa signifikan sendiri-sendiri sementara hasil kalinya tidak cukup kuat.

Tertukar mediasi penuh dan sebagian. Penuh: efek langsung $c'$ jatuh sampai tidak signifikan. Sebagian: $c'$ mengecil tetapi tetap signifikan. Cek lewat $c = c' + a\times b$, jangan menebak.

Memakai Sobel pada sampel kecil. Sobel mengandaikan sebaran normal yang sering tidak terpenuhi pada $n$ kecil. Pakai bootstrap (PROCESS di SPSS atau SmartPLS), yang tidak bergantung pada andaian itu.

Dipakai di Dunia Nyata

• Skripsi dengan variabel intervening/mediator. Pola paling umum di manajemen: “kepuasan memediasi pengaruh kualitas layanan terhadap loyalitas pelanggan”.
• Riset perilaku organisasi. Menguji mekanisme psikologis — motivasi, komitmen, kepercayaan — sebagai perantara antara praktik manajemen dan kinerja.
• Riset pemasaran. Bagaimana persepsi atau sikap memediasi pengaruh terpaan iklan terhadap niat beli.
• Evaluasi kebijakan dan kesehatan. Apakah pengaruh sebuah program pada hasil akhir benar-benar lewat perubahan perilaku yang ditargetkan, atau lewat jalan lain.

Lanjutan

• Uji Moderasi (MRA) — beda mediator (perantara) dari moderator (pengubah kekuatan hubungan).
• Analisis Jalur (Path Analysis) — kerangka umum dekomposisi pengaruh langsung-tidak langsung-total.
• Mediasi dalam PLS-SEM (VAF) — uji mediasi dengan bootstrap di SmartPLS.

Fondasi:

• Regresi Linear Berganda
• Membaca Output Regresi

Reference

• 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.
• Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology, 13, 290–312.
• Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891.