Uji Moderasi (Moderated Regression Analysis)

Sebuah perusahaan memberi pelatihan yang sama kepada semua karyawan. Setahun kemudian, kinerja sebagian karyawan melonjak, sebagian lain nyaris tak bergerak. Bukan pelatihannya yang berbeda — yang berbeda adalah orangnya. Pada karyawan yang motivasinya tinggi, pelatihan terasa sangat berdampak; pada yang motivasinya rendah, dampaknya kecil saja.

Pelatihan tetap menaikkan kinerja. Tetapi seberapa besar kenaikan itu ternyata bergantung pada hal ketiga: motivasi. Motivasi tidak duduk di tengah jalur sebagai perantara — ia bekerja seperti tombol pengatur volume, memperbesar atau memperkecil pengaruh pelatihan terhadap kinerja.

Variabel yang berperan seperti tombol volume itu disebut variabel moderasi. Artikel ini menjelaskan cara mengujinya dengan metode yang paling lazim di skripsi — Moderated Regression Analysis (MRA) — dari nol, lengkap dengan contoh hitung dan cara membaca hasilnya.

Apa Itu Moderasi

Variabel moderasi memengaruhi kekuatan atau arah hubungan antara dua variabel lain. Sepanjang artikel ini kita pakai notasi yang baku:

• X = variabel bebas (yang pengaruhnya kita amati), contohnya pelatihan.
• Y = variabel terikat (yang dipengaruhi), contohnya kinerja.
• Z = variabel moderasi (tombol volume), contohnya motivasi. (Sebagian buku menulis moderator dengan huruf M; isinya sama.)

Moderasi mudah tertukar dengan mediasi, padahal keduanya bertolak belakang:

• Mediasi menjawab “lewat apa”: X memengaruhi Y melalui perantara M, jalurnya X→M→Y. Perantara berada di tengah jalan.
• Moderasi menjawab “tergantung apa”: X memengaruhi Y, tetapi besarnya bergantung pada Z. Z tidak berada di tengah jalan — ia mengatur kemiringan jalan itu.

Gambar berikut memperlihatkan perbedaannya sekaligus bukti visual moderasi:

Inti seluruh ujinya ada di gambar kanan: kalau kemiringan garis X→Y berubah tergantung tinggi-rendah Z, berarti Z memoderasi. Tugas kita adalah menangkap “perubahan kemiringan” itu dengan satu angka — dan di situlah suku interaksi masuk.

Model MRA: Menambah Satu Kolom

Mulailah dari regresi berganda biasa, lalu tambahkan satu suku baru: perkalian X dengan Z.

$$ Y = b_0 + b_1 X + b_2 Z + b_3 (X \times Z) $$

{#model-mra}

Suku $X \times Z$ disebut suku interaksi (interaction term) — sebuah kolom baru yang isinya hasil kali nilai X dan Z baris per baris. Arti tiap lambang:

• $b_0$ = konstanta (intercept), nilai Y saat X dan Z sama-sama 0.
• $b_1$ = pengaruh X terhadap Y saat Z = 0. Hati-hati: ini bukan pengaruh X “secara umum” (akan dibahas di bawah).
• $b_2$ = pengaruh Z terhadap Y saat X = 0.
• $b_3$ = koefisien interaksi — inti seluruh uji moderasi. Ia mengukur seberapa banyak pengaruh X berubah untuk setiap kenaikan satu satuan Z.
• $X \times Z$ = kolom interaksi; misalnya kalau pada satu baris X = 6 dan Z = 8, maka $X \times Z = 48$.

Kaidah keputusannya sederhana:

Kalau $b_3$ signifikan (nilai Sig./p-value < 0,05), ada efek moderasi: pengaruh X terhadap Y memang bergantung pada Z. Kalau $b_3$ tidak signifikan, tidak ada bukti moderasi — berapa pun nilai koefisien lain.

Kenapa Perkalian Menangkap “Tergantung”

Kenapa cukup mengalikan X dan Z untuk menangkap moderasi? Susun ulang persamaannya. Kumpulkan semua suku yang memuat X:

$$ Y = b_0 + b_2 Z + \underbrace{(b_1 + b_3 Z)}_{\text{kemiringan X}} \, X $$

Perhatikan bagian dalam kurung. Angka yang mengalikan X bukan lagi $b_1$ saja, melainkan $b_1 + b_3 Z$ — sebuah nilai yang ikut berubah mengikuti Z. Inilah “kemiringan jalan” yang diatur oleh tombol volume. Kita beri nama simple slope (kemiringan pada nilai Z tertentu):

$$ \text{Pengaruh X} = b_1 + b_3 Z $$

{#simple-slope}

Tanda $b_3$ menentukan arah moderasi:

• $b_3 > 0$ → Z memperkuat pengaruh X. Makin tinggi Z, makin curam pengaruh X terhadap Y.
• $b_3 < 0$ → Z memperlemah pengaruh X. Makin tinggi Z, makin landai.
• $b_3 = 0$ → tidak ada moderasi. Pengaruh X tetap $b_1$ apa pun nilai Z (pada widget interaktif di bawah, ketiga garis akan sejajar).

Contoh Hitung dari Nol

Mari kerjakan satu kasus utuh. Delapan karyawan, kita ukur tiga hal pada skala 1–10:

• X = intensitas pelatihan (jam pelatihan, disederhanakan).
• Z = motivasi (skor kuesioner).
• Y = kinerja (skor penilaian).

Langkah pertama: bentuk kolom interaksi $X \times Z$ dengan mengalikan X dan Z baris per baris.

Kolom $X \times Z$ inilah yang membuat MRA berbeda dari regresi biasa — sisanya identik. Sekarang jalankan regresi $Y = b_0 + b_1 X + b_2 Z + b_3(X \times Z)$ (di SPSS: masukkan X, Z, dan kolom $X\times Z$ sekaligus sebagai prediktor). Hasilnya:

$$ Y = 10 + 1{,}0\,X + 0{,}5\,Z + 0{,}25\,(X \times Z) $$

Jadi $b_1 = 1{,}0$, $b_2 = 0{,}5$, dan $b_3 = 0{,}25$. Anggap keluaran SPSS menunjukkan Sig. untuk $b_3$ adalah 0,01 (< 0,05) — interaksi signifikan, maka ada moderasi.

Cara membaca cepat: koefisien interaksi $b_3 = 0{,}25$ bertanda positif, jadi motivasi (Z) memperkuat pengaruh pelatihan (X) terhadap kinerja (Y).

Menghitung simple slope

Berapa persisnya pengaruh pelatihan pada karyawan bermotivasi rendah versus tinggi? Pakai rumus simple slope, $\text{Pengaruh X} = b_1 + b_3 Z = 1{,}0 + 0{,}25\,Z$:

Tafsirannya konkret: pada karyawan bermotivasi rendah, tambah satu satuan pelatihan menaikkan kinerja sekitar 1,5 poin; pada yang bermotivasi tinggi, tambahan pelatihan yang sama menaikkan kinerja 3,0 poin — dua kali lipat. Inilah kedua garis pada gambar kanan: garis Z tinggi lebih curam daripada garis Z rendah — makin tinggi Z, makin curam garisnya.

Perhatikan juga jebakannya: $b_1 = 1{,}0$ bukan “pengaruh pelatihan secara umum”. Ia adalah pengaruh pelatihan khusus saat Z = 0 (motivasi nol) — sebuah titik yang bahkan tak ada dalam data kita. Pengaruh X yang sebenarnya selalu lewat rumus $b_1 + b_3 Z$.

Centering: Merapikan Multikolinearitas

Ada satu masalah teknis yang hampir selalu muncul di MRA. Kolom interaksi $X \times Z$ secara matematis berkorelasi kuat dengan X dan Z aslinya — wajar, karena ia dibuat dari keduanya. Korelasi antar-prediktor yang tinggi disebut multikolinearitas, dan itu membuat koefisien jadi tidak stabil serta sulit ditafsirkan.

Pada data contoh kita, korelasi kolom $X \times Z$ dengan Z mencapai 0,75, dan VIF (Variance Inflation Factor, ukuran tingkat multikolinearitas — makin besar makin parah) untuk suku interaksi mencapai 8,8. Sudah mendekati ambang yang biasa dianggap mengkhawatirkan (10).

Solusi standarnya centering (pemusatan): kurangi tiap variabel dengan rata-ratanya sebelum membentuk interaksi. Lambang $\bar{X}$ (dibaca “x-bar”) berarti rata-rata X.

$$ X_c = X - \bar{X}, \qquad Z_c = Z - \bar{Z}, \qquad \text{interaksi} = X_c \times Z_c $$

{#centering}

Di data kita $\bar{X} = 5$ dan $\bar{Z} = 5$. Tabel pemusatannya:

Sekarang korelasi kolom $X_c \times Z_c$ dengan $X_c$ dan $Z_c$ turun jadi nol, dan VIF ketiga prediktor turun jadi 1,0 — multikolinearitas non-esensial hilang sepenuhnya.

Dua hal penting tentang centering:

1. Nilai $b_3$ tidak berubah. Pada model contoh, $b_3$ tetap 0,25 baik dengan maupun tanpa centering. Centering tidak mengubah kesimpulan ada-tidaknya moderasi — ia hanya merapikan angka di sekitarnya.
2. Koefisien $b_1$ dan $b_2$ jadi lebih bermakna. Setelah centering, $b_1$ menjadi pengaruh X saat Z berada di rata-ratanya (bukan saat Z = 0 yang sering tak masuk akal). Titik rata-rata jauh lebih relevan untuk ditafsirkan daripada titik nol.

Langkah MRA Ringkas

1. (Disarankan) Centering: hitung $X_c = X - \bar{X}$ dan $Z_c = Z - \bar{Z}$.
2. Buat kolom interaksi: $X_c \times Z_c$ (atau $X \times Z$ kalau tanpa centering).
3. Jalankan regresi $Y = b_0 + b_1 X + b_2 Z + b_3(X \times Z)$ — masukkan ketiga prediktor sekaligus.
4. Periksa signifikansi $b_3$. Sig. < 0,05 → ada moderasi.
5. Kalau signifikan, baca tanda $b_3$ (memperkuat/memperlemah), lalu hitung simple slope $b_1 + b_3 Z$ pada Z rendah/sedang/tinggi dan gambarkan grafiknya.

Jenis Moderator

Setelah uji selesai, jenis moderator ditentukan oleh kombinasi: apakah Z signifikan sebagai prediktor langsung, dan apakah suku interaksi signifikan.

Yang menentukan ada-tidaknya moderasi tetap $b_3$. Kolom $b_2$ hanya membedakan jenis moderator setelah moderasi terbukti.

Bereksperimen Sendiri

Geser koefisien interaksi $b_3$ dan amati ketiga garis (Z rendah/sedang/tinggi) berubah kemiringan. Saat $b_3 > 0$ garis Z tinggi makin curam (memperkuat); saat $b_3 < 0$ makin landai (memperlemah); saat $b_3 = 0$ ketiga garis sejajar (tidak ada moderasi).

Rumus di Excel

=B2*C2                                  → kolom interaksi X×Z (salin ke bawah)
=B2-AVERAGE($B$2:$B$9)                   → centering: Xc = X − rata-rata X
=LINEST(Y; X:Z:XZ; TRUE; TRUE)          → regresi berganda (koefisien b1,b2,b3 + statistik)
=INDEX(LINEST(...);1;1)                  → ambil koefisien interaksi b3

Berkas pendamping /excel/uji-moderasi.xlsx berisi data X, Z, kolom interaksi yang dihitung dengan formula hidup, contoh centering, tabel simple slope $b_1 + b_3 Z$ pada beberapa nilai Z, dan panduan membaca koefisien interaksi.

Cek Pemahaman

1. Sebuah model MRA menghasilkan $Y = 4 + 0{,}8\,X + 0{,}6\,Z - 0{,}1\,(X \times Z)$ dengan $b_3 = -0{,}1$ signifikan. Apakah Z memperkuat atau memperlemah pengaruh X? Hitung pengaruh X saat Z = 2 dan saat Z = 6.

Lihat jawaban

Karena $b_3 = -0{,}1$ negatif, Z memperlemah pengaruh X. Pakai simple slope $b_1 + b_3 Z = 0{,}8 - 0{,}1\,Z$:

• Saat Z = 2: $0{,}8 - 0{,}1 \times 2 = 0{,}6$.
• Saat Z = 6: $0{,}8 - 0{,}1 \times 6 = 0{,}2$.

Makin tinggi Z, makin kecil pengaruh X (turun dari 0,6 ke 0,2) — itulah arti “memperlemah”.

2. Seorang peneliti melaporkan: “Z signifikan sebagai prediktor (Sig. = 0,003), maka Z memoderasi pengaruh X terhadap Y.” Apakah kesimpulan ini benar? Jelaskan.

Lihat jawaban

Salah. Yang menentukan moderasi adalah signifikansi suku interaksi $b_3$, bukan signifikansi Z sebagai prediktor langsung ($b_2$). Z bisa saja berpengaruh kuat terhadap Y secara langsung tanpa memoderasi apa pun — itu hanya menjadikannya prediktor biasa (lihat tabel jenis moderator). Peneliti harus melihat Sig. dari kolom $X \times Z$, bukan kolom Z.

3. (Transfer) Anda meneliti apakah ukuran perusahaan (Z) memoderasi pengaruh utang (X) terhadap nilai perusahaan (Y). Hasil: $b_1 = -0{,}3$, $b_3 = +0{,}05$, dan $b_3$ signifikan. Pada perusahaan kecil (Z = 2) dan besar (Z = 10), apakah utang merugikan atau menguntungkan nilai perusahaan?

Lihat jawaban

Hitung simple slope $b_1 + b_3 Z = -0{,}3 + 0{,}05\,Z$:

• Perusahaan kecil (Z = 2): $-0{,}3 + 0{,}05 \times 2 = -0{,}2$ → utang merugikan nilai (pengaruh negatif).
• Perusahaan besar (Z = 10): $-0{,}3 + 0{,}05 \times 10 = +0{,}2$ → utang menguntungkan nilai (pengaruh positif).

Ini contoh moderasi yang bahkan membalik arah hubungan: utang merugikan perusahaan kecil tetapi menguntungkan perusahaan besar. Membaca $b_1 = -0{,}3$ saja akan menyimpulkan “utang selalu merugikan” — keliru, karena $b_1$ hanya berlaku saat Z = 0.

Kesalahan Umum

Lupa memasukkan main effect. Model harus tetap berisi X dan Z sendiri-sendiri, bukan hanya kolom interaksinya. Tanpa X dan Z di model, koefisien interaksi tidak bisa ditafsirkan dengan benar.

Menafsir $b_1$ sebagai pengaruh X keseluruhan. Saat ada interaksi, $b_1$ hanya berlaku saat Z = 0 — sering kali titik yang tak masuk akal. Pengaruh X yang sebenarnya selalu $b_1 + b_3 Z$.

Menyimpulkan moderasi dari signifikansi Z, bukan dari $b_3$. Yang menentukan moderasi adalah suku interaksi $b_3$ signifikan, bukan Z signifikan sebagai prediktor langsung.

Mengabaikan multikolinearitas interaksi. Kolom $X \times Z$ hampir selalu kolinear dengan X dan Z. Lakukan centering untuk merapikannya; periksa VIF.

Tidak menggambarkan moderasi. Setelah $b_3$ signifikan, gambar grafik simple slope (garis pengaruh X pada Z rendah/sedang/tinggi). Tanpa grafik, pembaca sulit menangkap arah dan besar moderasi.

Dipakai di Dunia Nyata

• Skripsi & tesis manajemen. Sangat lazim, mis. “budaya organisasi memoderasi pengaruh gaya kepemimpinan terhadap kinerja” atau “ukuran perusahaan memoderasi pengaruh struktur modal terhadap nilai perusahaan”.
• Riset pemasaran. Apakah efek promosi terhadap penjualan bergantung pada segmen pelanggan (loyal vs baru).
• Manajemen SDM. Apakah efek pelatihan terhadap kinerja bergantung pada tingkat motivasi — persis kasus pembuka artikel ini.
• Keuangan & akuntansi. Apakah pengaruh tata kelola terhadap kinerja keuangan berbeda antara perusahaan keluarga dan non-keluarga.

Lanjutan

• Moderasi dalam PLS-SEM — pendekatan moderasi pada model variabel laten (product-indicator, two-stage).
• Uji Mediasi — saudara dekat yang sering tertukar: X→M→Y, bukan “tergantung Z”.
• Analisis Jalur (Path Analysis) — kombinasi beberapa hubungan langsung dan tak langsung dalam satu model.

Fondasi:

• Regresi Linear Berganda — dasar MRA; moderasi hanya menambah satu kolom.
• Variabel Dummy & Interaksi (teori) — landasan teoretis suku interaksi.

Reference

• Aiken, L. S. & West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions. Sage.
• Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), 291–300.
• Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM SPSS 25. Badan Penerbit Universitas Diponegoro.