11. A.
variabel
intervening
adalah variabel yang secara teoritis mempengaruhi hubungan antara variabel
independen dengan variabel dependen menjadi hubungan yang tidak langsung dan
tidak dapat diamati dan diukur. Variabel ini merupakan variabel penyela / antara
variabel independen dengan variabel dependen, sehingga variabel independen
tidak langsung mempengaruhi berubahnya atau timbulnya variabel dependen.
Dari definisi ini, intervening
(mediator) dikatakan memberikan pengaruh di antara independent
variable (IV) and a dependent variable (DV). Dapat merubah hasil, persamaannya adalah mediator variabel
/ variabel perantara, sulit untukj diantisipasi, dll. Dimananakah posisinya ??
yaitu di tengah.
Perhatikan penjelasan berikut (cth
variabel diambil dari buku Prof. Sugiyono, 2007) :
Penghasilan (IV) —>
gaya hidup (M)
—>
harapan hidup (Y)
Dari gambar anak panah dapat
diketahui bahwa :
1. Penghasilan mempengaruhi gaya hidup.
2. Gaya hidup mempengaruhi harapan
hidup
3. Karena adanya variabel gaya hidup
ini maka hubungan yang terjadi antara penghasilan (X) ke harapan hidup (M)
menjadi hubungan yang tidak langsung karena diperantarai gaya hidup (Y)
PERBEDAAN VARIABEL MEDIATOR DENGAN MODERATOR
Ditinjau dari definisinya, variabel
mediasi (intervening) dan moderator sama-sama mempengaruhi hubungan independen
terhadap dependen, lalu dimana perbedaannya ??
Untuk menjelaskan hal ini saya
kembali mengambil contoh dalam buku Prof. Sugiyono (2007:40-41) mengenai
variabel dan paradigma hubungan.
Perhatikan dua model di atas ..ada
dua perbedaan mendasar yaitu :
- Variabel mediator berada dalam satu jalur hubungan,
moderator di luar
- Variabel mediator dipengaruhi
IV dan mempengaruhi DV, moderator lebih banyak tidak
- dan…ciri
khas variabel mediator (terutama dalam penelitian sosial/keperilakuan)
adalah mudah berubah, misal mood, emosi, rasa puas, benci, sedih,
dll. Sedangkan moderator lebih susah berubah seperti kepribadian, usia,
masa kerja, budaya, dll.
Apa yang bisa disimpulkan dari model
di atas :
- Pertama, stressor (penyebab stres) berakibat terhadap
stres yang dirasakan. Stessor ditempatkan sebagai penyebab (independen),
dan stres yang dirasakan ditempatkan sebagai mediator (M).
- Kedua, pada hubungan antara stressor dan stress yang
dirasakan ini akan sangat dipengaruhi oleh salah satunya tipe kepribadian
(misal tipe A). Mengapa demikian ??
Dalam kaitannya dengan pengalaman
stres tersebut, beberapa ahli menyatakan bahwa kepribadian tipe A lebih mudah
terkena stres. Hal ini dikarenakan pola perilaku tipe A cenderung lebih agresif
dan ambisius. Sikap permusuhan individu tipe A juga lebih mudah muncul, dan
mereka merasakan sangat pentingnya waktu. Pada umumnya, kepribadian tipe A ini
tipe orang yang tidak sabar, sangat kompetitif, serta pikiran mereka dipenuhi
oleh masalah-masalah pekerjaan.
Dengan demikian, meski sumber
stressnya sama..stres yang dirasakan oleh setiap orang akan berbeda tergantung
kepada tipe kepribadian yang dimilikinya.
Lalu, stres yang dirasakan ini akan
mempengaruhi perilaku pegawai (yang dalam hal ini dikonsepkan sebagai kinerja).
Hubungan ini kembali dinaik turunkan oleh variabel moderator tipe kepribadian.
Tipe kepribadian A yang dicirikan pribadi yang terburu-buru, berorientasi pada
angka, meski dipercaya lebih mudah terserang stress namun bukti empiris
membuktikan mereka memiliki kinerja lebih tinggi dibanding tipe kepribadian B.
Tahapan
Regresi Linear dengan Variabel Moderating
Variabel
moderating adalah variabel yang memperkuat atau memperlemah hubungan antara
satu variabel dengan variabel lain. Sebagai contoh: seorang suami menyayangi
istrinya. Dengan hadirnya seorang anak, maka rasa sayang tersebut bertambah.
Berarti variabel anak merupakan moderating antara rasa saya suami terhadap
istri. Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja
terhadap kinerja. Artinya kepuasan kerja berpengaruh terhadap kinerja, dan
adanya kompensasi yang tinggi maka
pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat. Dalam
hal ini, kompensasi bisa saja berpengaruh terhadap kinerja bisa saja tidak.
Metode
analisis regresi linear dengan variabel moderating:
1.
Multiple Regression Analysis (MRA)
Metode
ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas
dengan variabel moderatingnya, sehingga persamaan umumnya adalah sebagai
berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja, X1 adalah
kepuasan kerja, X2 kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja
dengan kompensasi. Hipotesis moderating diterima jika variabel X1 X2 mempunyai
pengaruh signifikan terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai
pengaruh terhadap Y atau tidak. Model ini biasanya menyalahi asumsi
multikolinearitas atau adanya korelasi yang tinggi antara variabel bebas dalam
model regresi, sehingga menyalahi asumsi klasik. Hampir tidak ada model MRA
yang terbebas dari masalah multikolinearitas, sehingga sebenarnya model ini tidak
disarankan untuk dipergunakan.
2.
Absolut residual
Model
ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak
(absolut residual) antara variabel bebas dengan variabel moderatingnya.
Penerimaan hipotesis juga sama, dan model ini masih riskan terhadap gangguan
multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA
3.
Residual
Model
ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi
jika terdapat ketidakcocokan dari deviasi hubungan linear antara variabel
independen. Langkahnya adalah dengan meregresikan antara kepuasan kerja
terhadap kompensasi dan dihitung nilai residualnya. Pada program SPSS dengan
klik Save pada regreesion, lalu klik pada usntandardized residual. Nilai
residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja
terhadap absolut residual. Hipotesis moderating diterima jika nilai t hitung
adalah negatif dan signifikan. Model ini terbebas dari gangguan
multikolinearitas karena hanya menggunakan satu variabel bebas.
Pertanyaan-pertanyaan
yang sering muncul:
1.
Ada model regresi moderating dengan MRA tetapi output
memenuhi uji multikolinearitas?
Hampir
tidak ada model moderating dengan MRA yang terbebas dari gangguan
multikolinearitas. Banyak output pada skripsi yang dimanipulasi agar tampaknya
memenuhi asumsi multikolinearitas padahal sebenarnya tidak. Hal ini banyak
terjadi di mana (maaf) dosen tidak terlalu menguasai statistik secara baik.
Penulis sendiri belum pernah melihat tabulasi data yang memenuhi model
moderating dengan metode MRA.
2.
Bagaimana model regresi moderating dengan dua buah
variabel bebas?
Model
dengan MRA menjadi Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X1 X2 + b5 X1 X3 + b6 X2
X3 + bb X1 X2 X3 di mana X3 adalah variabel moderating (he he…jadi panjang
banget kan). Hipotesis diterima jika X1 X2 X3 signifikan, tetapi hampir pasti
model ini menyalahi asumsi multikolinearitas. Sebaiknya digunakan model
residual dengan lack of fit.
3.
Bagaimana merancang model regresi dengan moderating
pada penelitian?
Model
moderating ditentukan dengan tinjauan teoretis, sehingga analisis dengan
moderating hanya mengkonfirmasi saja teori tersebut apakah cocok dengan model
empiris. Tidak boleh menggunakan alat statistik moderating untuk
mengidentifikasikan bahwa variabel itu merupakan variabel moderating.
Regresi Linear dengan Variabel Intervening
Variabel
intervening adalah variabel antara atau variabel mediating. Model regresi
dengan variabel intervening merupakan hubungan bertingkat sehingga jika dengan
analisis regresi harus menggunakan analisis jalur (path analysis) atau
disarankan menggunakan metode structural equation modelling (SEM). Metode SEM
akan dibahas belakangan dengan menggunakan Program AMOS atau LISREL
Regresi
dengan variabel intervening dipergunakan untuk melihat pengaruh tidak langsung
antara satu variabel terhadap variabel yang lain. Sebagai contoh: Gaya Evaluasi
Atasan
(GEA) mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja
(TK). GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai
pengaruh tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai
pengaruh tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK
signifikan dan pengaruh TK terhadap KM juga signifikan. Dalam suatu kasus bisa
saja variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh
tidak langsung terhadap variabel tersebut melalui variabel yang lain.
B.
REGRESI DENGAN EFEK MEDIASI
Desain
penelitian :
Variabel
Dependen : Depresi
Variabel
Independen : Kepercayaan Diri
Variabel
Mediasi : Pengalaman Menekan / Tekanan
Hipotesis : Kepercayaan diri berperan dalam
penurunan depresi dengan diperantarai oleh penurunan pengalaman menekan.
Ouput
analisis akan keluar seperti dibawah ini.
Run
MATRIX procedure:
VARIABLES In SIMPLE MEDIATION MODEL
Y
Depresi
X
Percaya_
M
Tekanan
DESCRIPTIVES
STATISTICS And PEARSON CORRELATIONS
Mean
SD Depresi Percaya_
Tekanan
Depresi 70.0566
18.7891 1.0000 -.0329
.2695
Percaya_ 144.8679
13.6257 -.0329 1.0000
-.2984
Tekanan 104.4198
16.1864 .2695 -.2984
1.0000
SAMPLE
SIZE 212
DIRECT
And TOTAL EFFECTS
Coeff s.e. t
Sig(two)
b(YX) -.0453
.0951 -.4768 .6340
peranan X terhadap Y
b(MX) -.3545
.0782 -4.5306 .0000
peranan X terhadap M
b(YM.X) .3309
.0809 4.0898 .0001
peranan M terhadap Y dengan mengendalikan X
b(YX.M) .0719
.0961 .7486 .4550
peranan X terhadap Y dengan
mengendalikan
M
INDIRECT
EFFECT And SIGNIFICANCE USING NORMAL DISTRIBUTION
Value s.e.
LL 95 CI UL 95 CI Z
Sig(two)
Effect -.1173
.0392 -.1940 -.0406
-2.9959 .0027 Peranan X ke Y melalui M
Hasil analisis akan mengeluarkan
informasi mengenai deskrpsi statistik serta hubungan antar variabel. Deskripsi
statistik berisi mengenai rerata dan devasi standarnya, sedangkan hubungan
antar variabel adalah sebagai berikut.
Tabel hasil analisis di atas menunjukkan
bahwa peranan rasa percaya diri terhadap penurunan depresi dapat melalui
pengalaman menekan. Dengan kata lain tekanan yang dialami oleh individu
merupakan perantara hubungan antara kepercayaan diri dan depresi. Dalam
menurunkan depresi, kepercayaan diri menurunkan pengalaman menekan terlebih
dahulu sebelum menurunkan depresi b=-0.1173 (p<0,05)
2.
ANALISA
DATA
A.
Desain
Penelitian
Penlitian
ini bertujuan untuk menguji peranan kualitas pelayanan (X) terhadap loyalitas
pelanggan (Y). Hubungan keduanya dimediatori oleh kepuasan pelanggan (Mod).
Artinya pelayanan meningkatkan kepuasan pelanggan terlebih dahulu baru kemudian
meningkatkan loyalitasnya.
Di
sisi lain, empati juga berperan dalam hubungan ketiga variabel tersebut. Empati
menentukan apakah pelayanan meningkatkan kepuasan ataukah tidak. Asumsinya
hanya dengan empati, pelayanan yang berkualitas akan meningkatkan kepuasan
pelanggan. Empati juga menjadi moderator peranan kepuasan terhadap loyalitas.
Konsumen puas, tapi kalau tidak dibarengi dengan empati terhadap pelanggan
mereka tidak akan loyal. Orang pasti tidak akan kembali ke toko kita kalau
penjaga toko tidak ramah. Meskipun dia puas dengan harga dan pelayanan, bisa
jadi dia beralih ke toko lainnya.
Jadi,
selengkapnya variabel kita adalah sebagai berikut
Variabel
Dependen : Loyalitas
Variabel
Independen : Kualitas Pelayanan
Variabel
Mediator : Kepuasan
Variabel
Moderator : Empati
B.
Gambar
Model
Konsep
ini direfleksikan pada gambar di atas. Panah dari empati ke arah panah hubungan
pelayanan-kepuasan serta kepuasan-loyalitas menunjukkan bahwa empati menjadi
moderator hubungan tersebut.
C.
Mengaplikasikan
Gambar di AMOS
Variabel
moderator secara statistik diwujudkan dalam bentuk variabel yang merupakan
perkalian antara prediktor dan moderatornya. Misalnya peranan pelayanan yang
dimoderatori oleh empati, maka kita membuat variabel baru yang merupakan
perkalian kedua variabel tersebut
Dalam
contoh ini perkalian antara pelayanan dan empati saya namakan EM_PEL, sedangkan
perkalian antara kepuasan dan empati saya namakan EM_PUAS. Tentunya kita
siapkan variabel ini di SPSS sebelum di bawa ke AMOS.
Gambar hasil analisis di program AMOS dapat
dilihat pada gambar di bawah ini.
D.
Membaca
Output
1. Estimasi Parameter
Berikut
ini hasil analisis melalui program AMOS. Ada dua bagian yang kita bahas yaitu
nilai estimasi tiap parameter dan nilai ketepatan model.
Hipotesis
1. Loyalitas menjadi moderator peranan tingkat pelayanan terhadap kepuasan
pelanggan. Kontribusi loyalitas dalam meningkatkan kepuasan pelanggan akan
besar jika pelayanan tersebut dibarengi dengan empati.
Hasil
analisis menunjukkan nilai estimasi yang signifikan (b=-0.24; p<0.05).
Dengan
demikian hipotesis 1 terbukti.
Hipotesis
2. Loyalitas menjadi moderator peranan kepuasan pelanggan terhadap
loyalitasnya. Hasil analisis menunjukkan
nilai estimasi yang signifikan (b=-0.007). Dengan demikian hipotesis 2
terbukti.
Catatan : Karena koefisien ini bukan merupakan
koefisien yang terstandarisasi, maka jangan melihat besar kecilnya nilai
estimasi. Nilai estimasi tinggi tapi kalau standar error nya tinggi ya sama
aja, tidak signifikan.
Nilai
C.R di atas menunjukkan nilai critical ratio yang didapatkan dari nilai
estimasi yang dibagi oleh standar errornya (S.E). Semakin tinggi nilai C.R semakin signifikan.
Kalau ukuran sampel kita besar, maka biasanya nilai C.R di atas 1.96 akan
menghasilkan nilai estimasi yang signifikan pada taraf 5%, sedangkan jika di
atas 2.56 akan signifikan pada taraf 1%. Tapi kita tidak usah bingung, AMOS
membantu kita melalui nilai p yang menunjukkan signifikan tidaknya.
Di
bawah ini nilai estimasi yang terstandarisasi. Kalau yang unstandardized
disimbolkan dengan (b) maka nilai ini disimbolkan dengan (ß). Nah kalau ini
kita bisa membandingkan besarnya tidaknya.
Hipotesis
3. Kepuasan menjadi mediator peranan pelayanan dalam meningkatkan loyalitas
pelanggan. Pelayanan meningkatkan kepuasan pelanggan terlebih dahulu yang
selanjutnya kepuasan tersebut meningkatkan loyalitas.
Peranan
kepuasan sebagai mediator dapat dilihat pada bagian peranan tidak langsung
(indirect effect). Cara bacanya adalah kolom memprediksi baris (kolom baris).
Dengan prinsip ini kita mendapatkan peranan tidak langsung pelayanan terhadap
loyalitas adalah b=0.098 atau ß=0.42.
Dari
Tabel di awal awal tadi kita melihat bahwa peranan langsung pelayanan terhadap
loyalitas adalah ß=0.381, sedangkan peranan tidak langsungnya dari tabel di
atas ini adalah ß=0.482. Dari sini kita tahu bahwa peranan langsungnya masih
kalah dibanding dengan peranan tidak langsungnya. Jadi, pelayanan berperan
terhadap loyalitas lebih pada peranan tidak langsung.
2. Indeks Ketepatan Model
Banyak
sekali jenis indeks ketepatan model di dalam SEM, kita pilih yang paling
populer saja yaitu CMIN, goodness of fit index (GFI), comparative fit
index (CFI) dan RMSEA.
Hasil
analisis menunjukkan nilai kai-kuadrat (CMIN) sebesar 0.583 (p>0.05). Nilai
p di atas 0.05 kalau dalam uji t menunjukkan tidak ada beda yang signifikan.
Nah dalam SEM juga demikian, nilai p di atas 0.05 menunjukkan tidak ada beda
antara data yang kita pakai untuk menganalisis dengan model yang kita
kembangkan. Dengan kata lain, model kita mewakili data kita.
Indeks
lainnya juga memiliki nilai yang diharapkan, GFI dan CFI di atas 0.9 sedangkan
RMSEA di bawah 0.08. RMSEA adalah nilai residu alias sampah atau pembuangan,
jadi kita harapkan sesedikit mungkin varian-varian di dalam data yang kita
buang, alias tidak dilibatkan dalam model. Dengan kesimpulan ini model ini
benar-benar fit dengan data.
Indeks
di bawah ini sangat penting untuk membandingkan antar model-model yang kita
kembangkan. Misalnya dari variabel-variabel di atas, kita mengembangkan
model-model yang berbeda. Nah kalau semua model itu fit, manakah yang paling
baik? Kita bisa melihat melalui akaike
information criterion (AIC)
Tabel
di bawah ini menjadi pedoman untuk menentukan mana di antara dua model yang dibandingkan yang paling menggambarkan
model. Misalnya model A dan B, model B memiliki nilai AIC lebih tinggi
dibanding model A, maka kesimpulannya sebagai berikut.
KADAKP IN THE FISHING IS THE NEXT TOP IN - Chad
KADAKP IN THE FISHING IS THE NEXT TOP IN PARADY OF kadangpintar THE NEXT TOP IN PARADY OF THE NEXT TOP IN 제왕 카지노 PARADY OF THE NEXT BEST 샌즈카지노 IN PARADY OF THE NEXT