Tahap 1: Input Matriks Data Observasi
| No | ID_Responden | Motivasi_X1 | Kompensasi_X2 | Kepuasan_M1 | Iklim_Z1 | Kinerja_Y |
|---|---|---|---|---|---|---|
| 1 | ||||||
| 2 | ||||||
| 3 | ||||||
| 4 | ||||||
| 5 |
Dokumentasi Akademik ST-Engine: Path Analysis (Mediasi & Moderasi)
Dikembangkan Oleh:
ANWAR HIDAYAT
Founder dan CEO www.statistikian.com
Alat analisis ini dibangun dan didevelop oleh Anwar Hidayat. Beroperasi melalui Custom JavaScript Math Engine (Vanilla JS) di sisi klien, instrumen ini menyajikan kalkulasi kompleks dekomposisi efek jalur (langsung dan tidak langsung), uji mediasi Sobel, dan analisis regresi moderasi (MRA) secara presisi tanpa koneksi server.
Dokumentasi ini menguraikan spesifikasi analitis, landasan teoretis, dan prosedur operasional instrumen ST-Engine Path Analysis. Analisis Jalur merupakan perluasan dari regresi linear berganda yang memungkinkan peneliti untuk menguji model kausalitas yang kompleks, dengan mengurai korelasi menjadi efek langsung (direct effects), efek tidak langsung (indirect effects), serta menguji intervensi variabel ketiga berupa mediator dan moderator.
Lanjutkan membaca referensi teoretis komprehensif, rumus matematis, dan panduan instrumen analisis ini.
1. Teori Dasar: Analisis Jalur, Mediasi, dan Moderasi
A. Analisis Jalur (Path Analysis)
Analisis Jalur pada mulanya dikembangkan oleh ahli genetika populasi, Sewall Wright (1934), sebagai metode biometrika untuk mendekomposisi korelasi antara variabel-variabel ke dalam komponen kausal. Secara teoretis, analisis jalur adalah instrumen statistik multivariat yang digunakan untuk mengevaluasi kekuatan dari tautan kausal yang dihipotesiskan secara apriori antar serangkaian variabel teramati (observed variables). Berbeda dengan regresi berganda konvensional yang hanya sanggup memodelkan satu variabel terikat dalam satu waktu, analisis jalur mampu memproses beberapa persamaan struktural (serangkaian regresi OLS) secara serempak. Kapabilitas ini krusial untuk memetakan alur di mana suatu variabel dapat berfungsi sebagai prediktor bagi satu variabel, namun secara simultan menjadi variabel terikat bagi variabel yang lain (Pedhazur, 1997).
B. Uji Mediasi (Intervening Effects)
Pusat dari pemodelan kausalitas dalam ilmu sosial adalah pengujian variabel mediasi (mediator). Variabel mediator dideskripsikan sebagai entitas konseptual yang menjelaskan bagaimana atau mengapa variabel independen (X) dapat memengaruhi variabel dependen (Y). Paradigma klasik pengujian mediasi diperkenalkan oleh Baron dan Kenny (1986), yang mensyaratkan signifikansi pada tiga jalur utama: pengaruh X ke Y tanpa mediator (jalur $c$), pengaruh X ke mediator M (jalur $a$), dan pengaruh mediator M ke Y setelah mengendalikan X (jalur $b$). Jika jalur langsung X ke Y (jalur $c’$) tidak signfikan setelah mediator dimasukkan, maka terjadi mediasi penuh (full mediation). Namun, jika jalur $c’$ tetap signifikan namun menyusut, ini diistilahkan sebagai mediasi parsial (partial mediation).
Untuk memvalidasi signifikansi empiris dari jalur tidak langsung (jalur $a \times b$), uji formal parametrik dituntut oleh standar publikasi. Sobel Test (Sobel, 1982) menyediakan taksiran uji signifikansi asimtotik yang menempatkan rasio dari koefisien efek tidak langsung terhadap galat bakunya ke dalam distribusi normal. Walaupun literatur kontemporer sering merekomendasikan metode Bootstrapping (MacKinnon et al., 2002) karena asumsi normalitas pada perkalian koefisien rentan terlanggar pada sampel kecil, Uji Sobel tetap mempertahankan statusnya sebagai prosedur deduktif klasik yang kuat secara teoretis dan akurat pada ukuran sampel besar.
C. Analisis Moderasi (Moderated Regression Analysis)
Berbeda dengan mediator yang menjelaskan mekanisme, variabel moderator (Z) difungsikan untuk menjelaskan kapan atau di bawah kondisi apa efek X terhadap Y mengalami perubahan (Aiken & West, 1991). Analisis Regresi Moderasi (MRA) dieksekusi dengan mengikutsertakan variabel efek interaksi—yang merupakan perkalian antara prediktor dan moderator ($X \times Z$)—ke dalam persamaan regresi utama. Apabila koefisien regresi dari variabel interaksi tersebut mencapai signifikansi secara statistik, hipotesis moderasi dikonfirmasi sah. Moderasi dapat bersifat memperkuat (amplifying), memperlemah (dampening), atau bahkan membalikkan arah hubungan kausal utama antara X dan Y (Hayes, 2018).
2. Formula Tiap Tahap Analisis dan Relevansinya
M = i_1 + aX + e_1 \quad \text{(Persamaan Sub-Struktur 1)}a mewakili koefisien regresi. Signifikansi pada persamaan ini adalah prasyarat mutlak berjalannya efek intervening (Baron & Kenny, 1986).Y = i_2 + c'X + bM + e_2 \quad \text{(Persamaan Sub-Struktur 2)}b adalah taksiran efek mediator pada dependen, sedangkan c' melambangkan efek langsung X ke Y. Reduksi dari nilai c ke c' mengindikasikan serapan varians oleh mediator (Pedhazur, 1997).Z_{Sobel} = \frac{a \cdot b}{\sqrt{b^2 s_a^2 + a^2 s_b^2}}ab) dan varians gabungan standard error. Z_{Sobel} > 1.96 mengkonfirmasi secara statistik bahwa mediasi bukanlah fenomena acak sampel (Sobel, 1982).Y = i_3 + \beta_1 X + \beta_2 Z + \beta_3 (XZ) + e_3XZ melambangkan suku interaksi. \beta_3 menguji hipotesis moderasi. Jika P-Value \beta_3 < 0.05, maka diyakini kuat bahwa kemiringan pengaruh X ke Y termodifikasi secara bervariasi bergantung pada tingkatan nilai Z (Aiken & West, 1991).3. Arsitektur Komputasi: Vanilla JavaScript Engine
Alat diagnostik ST-Engine ini diarsiteki tanpa pengiriman skrip matriks ke backend server maupun unduhan modul R-WASM. Sistem ini beroperasi pada 100% Pure JavaScript Math Engine.
- OLS Berantai (Chained OLS): Alih-alih melakukan Maximum Likelihood Estimation (MLE) serentak seperti pada aplikasi SEM (Lavaan/AMOS), alat ini memecah struktur model menjadi dekomposisi persamaan regresi linear parsial, menyelesaikannya melalui inversi matriks Gauss-Jordan, serta mengekstraksi parameter jalur. Metode ini setara secara fungsi dengan makro Hayes’ PROCESS di SPSS.
- Automasi Variabel Interaksi: Pengguna tidak dituntut untuk menghitung silang kolom variabel di Excel. Saat memetakan variabel Moderator, mesin mendeduksi secara otomatis perumusan $X \times Z$ pada matriks aljabar.
4. Panduan Manual Penggunaan Alat Analisis
A. Persiapan Data (Format Matriks)
- Susunan input wajib dalam wujud numerik rasio atau interval utuh tanpa data kosong (missing cases).
- Gunakan fasilitas Tombol Data Simulasi untuk mempelajari kerangka logika analisis. Simulasi membuahkan 4 variabel acak berdistribusi asimtotik normal guna menstimulasi respons algoritma seketika.
B. Pemetaan Variabel Silang (Mapping)
- Setelah mengamankan data matriks, alokasikan komponen analisis:
- Variabel Independen (X): Penyebab / Prediktor primer.
- Variabel Dependen (Y): Akibat / Variabel target.
- Variabel Mediator (M) [Opsional]: Perantara. Isikan jika ingin menguji Uji Sobel. Boleh dikosongkan jika riset hanya berfokus pada moderasi.
- Variabel Moderator (Z) [Opsional]: Intervensi kondisional (pengubah efek). Pengisian pada bilik ini mengaktifkan algoritma otomatisasi interaksi (MRA).
C. Diagram Alur Analisis
Parsing Matriks → Pembentukan Persamaan Sub-Struktur → OLS Model 1 (M terhadap X) → OLS Model 2 (Y terhadap X, M) → OLS Model 3 (Y terhadap X, Z, XZ) → Kalkulasi Sobel Test → Dekomposisi Efek Langsung & Tidak Langsung → Simpulan Narasi Otomatis.
D. Cara Baca Output Inferensial
- Sub-Model Regresi (ANOVA & Coefficients): Berfungsi sebagai justifikasi awal. Pastikan Model memiliki P-Value < 0.05. Di tabel koefisien, amati kolom Sig untuk setiap jalur. Nilai beta *Unstandardized* menunjukkan bobot persamaan absolut, sedangkan *Standardized* digunakan untuk komparasi kekuatan mutlak antar jalur.
- Ringkasan Analisis Mediasi (Sobel Test): Memfokuskan pengujian pada p-value Sobel. Angka Sig. < 0.05 menahbiskan secara tegas bahwa variabel M merupakan instrumen perantara yang sahih menghubungkan pengaruh X ke Y. Status Full Mediation atau Partial dilaporkan otomatis oleh mesin narasi.
- Analisis Moderasi (MRA): Pusatkan perhatian pada baris berlabel “Interaksi (X * Z)”. Apabila nilai P-Value menembus batas penolakan (< 0.05), keberadaan variabel moderator secara statistik terbukti mengubah (memoderasi) trajektori kemiringan kausalitas X ke Y.
- Dekomposisi Efek: Tabel rangkuman ini mengkuantifikasi pembagian Efek Langsung, Efek Tidak Langsung, dan Total Efek untuk memberikan perspektif komprehensif atas dinamika seluruh sistem.
5. Manfaat Aplikasi (Kelebihan & Kekurangan)
- Kelebihan Instrumental: Mereduksi kerumitan berlapis dalam pengoperasian makro SPSS (seperti PROCESS) menjadi satu layar web terpadu yang instan tanpa *load time*. Privasi data terjamin secara eksklusif (beroperasi di RAM lokal gawai pengguna). Mesin otomatis melukis variabel persilangan dan mendekomposisi tabel efek, memangkas proses kalkulasi manual berpotensi human-error.
- Kekurangan: Hanya mendukung model observasi aktual tanpa kapabilitas menampung konstruk laten tak teramati seperti pada aplikasi Structural Equation Modeling (SEM). Pengujian signifikansi mediasi masih bersandar teguh pada algoritma asimtotik distribusi Sobel konvensional, tanpa menawarkan rute pendugaan ulang (Bootstrapping) karena komputasi iteratif raksasa pada RAM peramban dapat memicu kelumpuhan (*crash*).
6. Daftar Pustaka
- Aiken, L. S., & West, S. G. (1991). Multiple Regression: Testing and Interpreting Interactions. Sage Publications.
- Baron, R. M., & Kenny, D. A. (1986). The moderator-mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173-1182.
- Hayes, A. F. (2018). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). Guilford Press.
- MacKinnon, D. P., Lockwood, C. M., Hoffman, J. M., West, S. G., & Sheets, V. (2002). A comparison of methods to test mediation and other intervening variable effects. Psychological Methods, 7(1), 83-104.
- Pedhazur, E. J. (1997). Multiple Regression in Behavioral Research: Explanation and Prediction (3rd ed.). Harcourt Brace.
- Sobel, M. E. (1982). Asymptotic confidence intervals for indirect effects in structural equation models. In S. Leinhardt (Ed.), Sociological Methodology 1982 (pp. 290-312). American Sociological Association.
- Wright, S. (1934). The method of path coefficients. The Annals of Mathematical Statistics, 5(3), 161-215.
