Uji Moderasi MRA di SPSS: Langkah, Jenis Moderasi, dan Simple Slopes

Uji moderasi menjawab pertanyaan "apakah pengaruh X terhadap Y bergantung pada Z?". Dengan Moderated Regression Analysis (MRA), Anda menambahkan variabel interaksi X × Z ke persamaan regresi. Moderasi terbukti bila koefisien interaksi (b₃) signifikan, dan di SPSS hal ini sama dengan R² change yang signifikan. Setelah itu, Anda masih perlu menguji simple slopes untuk mengetahui apakah Z memperkuat atau memperlemah pengaruh X, karena tanda b₃ saja tidak cukup untuk menjawabnya.

Langkah Singkat Uji Moderasi MRA di SPSS

1. Hitung skor total X, Z, dan Y, lalu kurangi X dan Z dengan rata-ratanya (mean centering) lewat Transform → Compute Variable.
2. Buat variabel interaksi XZ = X_c × Z_c.
3. Klik Analyze → Regression → Linear, masukkan Y ke Dependent, X_c dan Z_c ke Block 1, klik Next, lalu masukkan XZ ke Block 2.
4. Di Statistics, centang R squared change, Confidence intervals, dan Collinearity diagnostics.
5. Klik OK, lalu baca Sig. F Change Model 2 dan Sig. koefisien XZ; keduanya bernilai sama.
6. Tentukan jenis moderasi dari signifikansi b₂ (Z) dan b₃ (XZ).
7. Uji simple slopes atau jalankan PROCESS Model 1 dengan Johnson-Neyman untuk melihat arah dan wilayah moderasinya.

Moderasi vs Mediasi: Bedanya dalam Satu Tabel

Moderasi menjelaskan kondisi, sedangkan mediasi menjelaskan mekanisme (Baron & Kenny, 1986). Bila rumusan masalah Anda berbunyi "melalui" atau "dampaknya terhadap", yang Anda butuhkan adalah analisis jalur dan uji mediasi, bukan MRA. Posisi moderator dalam model penelitian perlu digambarkan dan dijustifikasi di kerangka berpikir.

Contoh Kasus dan Langkah MRA di SPSS

Model dasar MRA adalah:

Y = b0 + b1·X + b2·Z + b3·(X × Z) + e
Pengaruh X terhadap Y pada nilai Z tertentu = b1 + b3·Z

Baris kedua adalah kunci tafsirannya. b₃ menunjukkan berapa besar kemiringan (pengaruh) X berubah setiap kali Z naik satu satuan.

Data ilustrasi (fiktif) untuk latihan: 160 karyawan mengisi kuesioner stres kerja (X; 8 butir, rentang 8–40), dukungan atasan (Z; 6 butir, 6–30), dan kinerja (Y; 10 butir, 10–50). Hipotesis moderasinya H0: β₃ = 0 dan H1: β₃ ≠ 0, yaitu dukungan atasan memoderasi pengaruh stres kerja terhadap kinerja.

Berapa Sampel yang Dibutuhkan?

Efek interaksi sering kali kecil, sehingga butuh sampel lebih besar daripada uji pengaruh langsung. Dengan G*Power (Faul et al., 2009), pilih Linear multiple regression: Fixed model, R² increase, lalu isi α 0,05, power 0,80, 1 tested predictor, dan 3 total predictors:

Contoh ini memakai n = 160, cukup untuk mendeteksi efek f² = 0,05. Dengan n yang sama, peluang mendeteksi efek kecil (f² = 0,02) hanya sekitar 43%. Rumus sampel lain dibahas di panduan menghitung ukuran sampel.

Membuat Variabel Terpusat dan Interaksi

Cari rata-rata lewat Analyze → Descriptive Statistics → Descriptives, lalu buat tiga variabel baru dengan Transform → Compute Variable. Dalam bentuk syntax (SPSS memakai titik desimal):

COMPUTE Stres_c = Stres - 23.58125.
COMPUTE Dukungan_c = Dukungan - 18.925.
COMPUTE XZ = Stres_c * Dukungan_c.
EXECUTE.

Gunakan rata-rata dengan desimal lengkap, jangan dibulatkan menjadi 23,6. Centering tidak mengubah b₃ maupun signifikansinya. Manfaatnya ada dua: b₁ dan b₂ menjadi bermakna (pengaruh pada nilai rata-rata variabel lain), dan VIF antara variabel asli dan interaksinya turun.

Regresi Hierarkis Dua Blok

1. Klik Analyze → Regression → Linear dan masukkan Kinerja ke Dependent.
2. Block 1 of 1: masukkan Stres_c dan Dukungan_c, lalu klik Next.
3. Block 2 of 2: masukkan XZ. Biarkan Method: Enter di kedua blok.
4. Klik Statistics, centang Estimates, Confidence intervals, Model fit, R squared change, dan Collinearity diagnostics, lalu Continue dan OK.

Langkah ini mengikuti dokumentasi IBM SPSS Statistics 30. Sebagian buku memakai tiga blok (X saja, lalu Z, lalu XZ); hasil untuk blok interaksinya tetap sama.

Cara Membaca Output MRA

Model Summary dan R Square Change

Baris Model 2 adalah uji moderasinya. Penambahan variabel interaksi menaikkan R² sebesar 0,061 (6,1 poin persentase), dan kenaikan ini signifikan, F(1, 156) = 15,095; p < 0,001. Ukuran efeknya f² = 0,061 ÷ (1 − 0,368) = 0,097, di antara kecil (0,02) dan sedang (0,15) menurut Cohen (1988).

Tabel Coefficients Model 2

Persamaannya: Kinerja = 36,495 − 0,351 Stres_c + 0,453 Dukungan_c + 0,066 (Stres_c × Dukungan_c). Cara membacanya:

• XZ (b₃ = 0,066; p < 0,001): moderasi terbukti. Karena hanya ada satu variabel interaksi, t² (3,885² ≈ 15,09) sama dengan F Change 15,095, sehingga Sig.-nya identik. Jangan menulis dua nilai p yang berbeda untuk hal yang sama.
• Stres_c (b₁ = −0,351): pengaruh stres pada karyawan dengan dukungan atasan rata-rata.
• Dukungan_c (b₂ = 0,453): pengaruh dukungan pada karyawan dengan stres rata-rata.
• VIF ketiga variabel 1,01–1,08, jadi tidak ada masalah multikolinearitas.
• Untuk variabel interaksi, baca kolom B, bukan kolom Beta. Beta yang dicetak SPSS untuk XZ bukan koefisien interaksi terstandar yang benar (Hayes, 2022).

Centering Tidak Mengubah b₃

Tanpa centering, VIF melonjak di atas 10, tetapi b₃, t-nya, dan R² change sama persis. VIF tinggi ini adalah multikolinearitas struktural akibat perkalian variabel, bukan masalah data; penjelasannya ada di panduan uji multikolinearitas. Bahaya sebenarnya ada pada b₂ tanpa centering: −1,095 adalah pengaruh dukungan ketika stres bernilai 0, padahal skor stres terendah yang mungkin adalah 8. Bila angka ini dibaca sebagai "dukungan menurunkan kinerja", kesimpulannya terbalik.

Jenis Moderasi Menurut Sharma et al. (1981)

Tipologi yang dipakai di banyak skripsi Indonesia berasal dari Sharma, Durand, dan Gur-Arie (1981). Kuncinya adalah signifikansi b₂ (pengaruh Z terhadap Y) dan b₃ (interaksi):

Baca b₂ dari model yang sudah di-center atau dari Model 1 tanpa interaksi, bukan dari model mentah tanpa centering, karena alasan di bagian sebelumnya. Untuk homologiser, Sharma et al. juga mensyaratkan Z tidak berhubungan dengan X maupun Y. Pada contoh ini b₂ signifikan di kedua model (p < 0,001) dan b₃ juga signifikan, sehingga dukungan atasan adalah moderasi semu: dukungan menaikkan kinerja secara langsung sekaligus mengubah pengaruh stres.

Simple Slopes: Memperkuat atau Memperlemah?

b₃ yang positif sering langsung ditulis "Z memperkuat pengaruh X". Itu hanya benar bila b₁ juga positif. Aturannya: bila tanda b₃ sama dengan tanda b₁, pengaruh X makin besar saat Z naik (memperkuat); bila berlawanan, pengaruh X makin kecil dan bahkan bisa berbalik arah (memperlemah). Pada contoh ini b₁ negatif dan b₃ positif, sehingga dukungan atasan memperlemah pengaruh negatif stres. Simple slopes membuktikannya:

Pada karyawan dengan dukungan rendah, setiap kenaikan satu poin stres menurunkan kinerja 0,613 poin. Pada dukungan tinggi, pengaruh stres tidak lagi signifikan. Inilah efek penyangga (buffering).

SPSS tidak punya menu simple slopes, tetapi Anda bisa memakai teknik re-centering (Aiken & West, 1991): pusatkan Z pada nilai yang ingin diuji, buat ulang interaksinya, lalu jalankan regresi. Koefisien Stres_c pada output itulah simple slope beserta uji t-nya. Untuk dukungan tinggi:

COMPUTE Dukungan_tinggi = Dukungan - 22.9054.
COMPUTE XZ_tinggi = Stres_c * Dukungan_tinggi.
EXECUTE.
REGRESSION
  /DEPENDENT Kinerja
  /METHOD=ENTER Stres_c Dukungan_tinggi XZ_tinggi.

Untuk grafiknya, hitung prediksi kinerja dari persamaan Model 2 pada stres rendah (18,82; −1 SD) dan tinggi (28,35; +1 SD), lalu buat tiga garis di Excel:

Garis dukungan rendah menurun tajam, garis rata-rata menurun sedang, dan garis dukungan tinggi hampir datar. Pola tiga garis yang tidak sejajar inilah yang menandai interaksi.

Alternatif: PROCESS Model 1 dan Johnson-Neyman

PROCESS adalah makro gratis dari Andrew F. Hayes untuk SPSS. Setelah dipasang mengikuti petunjuk di paket unduhannya, menu PROCESS muncul di Analyze → Regression. Pada dialog PROCESS v5.0 (per Oktober 2026), isi Y Variable dengan Kinerja, X Variable(s) dengan Stres, W: Primary Moderator dengan Dukungan, dan Model 1. Di bagian Options, aktifkan Johnson-Neyman technique dan pilih nilai pengondisian −1 SD, rata-rata, +1 SD agar hasilnya sebanding dengan tabel di atas. Pengaturan bawaannya memakai persentil ke-16, 50, dan 84, sehingga angkanya akan sedikit berbeda.

Hasil PROCESS untuk data contoh sama dengan MRA manual:

• Int_1 (interaksi): koefisien 0,066; t = 3,885; p < 0,001; LLCI 0,032 dan ULCI 0,099.
• Test of highest order unconditional interaction: R2-chng = 0,061; F(1, 156) = 15,095; p < 0,001.
• Conditional effects of the focal predictor: identik dengan tabel simple slopes (−0,613; −0,351; −0,090).
• Bila PROCESS dijalankan tanpa opsi mean centering, koefisien Stres dan Dukungan sama dengan kolom "tanpa centering" di atas (−1,594 dan −1,095). Ini normal, karena koefisien itu adalah pengaruh ketika variabel lain bernilai 0.

Kelebihan PROCESS adalah keluaran Johnson-Neyman. Teknik ini tidak menguji tiga titik saja, tetapi mencari nilai moderator tempat pengaruh X berubah dari signifikan menjadi tidak signifikan. Pada contoh ini titik peralihannya adalah dukungan atasan 21,85. Pengaruh negatif stres signifikan pada 74,4% responden yang dukungannya di bawah titik itu, dan tidak signifikan pada 25,6% responden di atasnya. Kalimat seperti ini jauh lebih informatif daripada sekadar "dukungan memoderasi".

Menulis Hasil Uji Moderasi di Bab 4

Template berikut memakai angka contoh di atas. Sesuaikan dengan penelitian Anda, jangan disalin mentah.

Penambahan variabel interaksi stres kerja × dukungan atasan meningkatkan R² sebesar 0,061, F(1, 156) = 15,095; p < 0,001. Koefisien interaksi positif dan signifikan, b = 0,066; t(156) = 3,885; p < 0,001; IK 95% [0,032; 0,099], sehingga H0 ditolak: dukungan atasan memoderasi pengaruh stres kerja terhadap kinerja. Karena dukungan atasan juga berpengaruh langsung terhadap kinerja (b = 0,453; p < 0,001), jenis moderasinya adalah moderasi semu (Sharma et al., 1981).

Uji simple slopes menunjukkan bahwa stres kerja menurunkan kinerja secara signifikan pada dukungan atasan rendah (b = −0,613; p < 0,001) dan rata-rata (b = −0,351; p < 0,001), tetapi tidak signifikan pada dukungan tinggi (b = −0,090; p = 0,329). Dengan demikian, dukungan atasan memperlemah pengaruh negatif stres kerja terhadap kinerja.

Kesalahan Umum yang Sering Dicoret Pembimbing

• Menyimpulkan "memperkuat" dari b₃ positif saja. Lihat tanda b₁ dan uji simple slopes.
• Membaca b₁ dan b₂ dari model tanpa centering sebagai pengaruh utama. Pada contoh ini, cara itu membuat dukungan seolah-olah menurunkan kinerja.
• Membuang variabel interaksi karena VIF-nya tinggi. VIF struktural tidak memengaruhi b₃; atasi dengan centering, bukan dengan membuang XZ.
• Menyimpulkan moderasi dari perbedaan signifikansi. "Pengaruh X signifikan pada perempuan tetapi tidak pada laki-laki" belum membuktikan moderasi; yang harus diuji adalah b₃.
• Sampel terlalu kecil. Dengan n = 55, MRA hanya cukup kuat untuk efek interaksi sedang (f² = 0,15), padahal efek interaksi sering kali lebih kecil.
• Lupa uji asumsi pada model akhir. Normalitas residual, heteroskedastisitas, dan pemeriksaan lain dijalankan pada model yang memuat interaksi; lihat panduan uji asumsi klasik.

Kesimpulan

MRA menguji moderasi lewat satu angka kunci, yaitu koefisien interaksi b₃ yang sama dengan uji R² change. Namun, kesimpulan yang bisa dipertahankan di sidang memerlukan dua langkah lanjutan: menentukan jenis moderasi dari b₂ dan b₃ menurut tipologi Sharma et al., lalu memeriksa arah dan wilayahnya lewat simple slopes atau Johnson-Neyman. Mean centering membuat b₁ dan b₂ bermakna tanpa mengubah hasil uji moderasinya. Dasar membaca tabel Coefficients sendiri dibahas di panduan regresi linier berganda.

Bila Anda ingin model moderasi Anda diperiksa, mulai dari pembuatan variabel interaksi hingga simple slopes, tim olah data SPSS Jokify dapat mengolah data penelitian Anda sendiri dan menjelaskan setiap output-nya, agar Anda memahami setiap langkahnya dan siap mempertahankannya saat sidang.

Pertanyaan yang Sering Diajukan

Bagaimana jika moderatornya kategorik, misalnya jenis kelamin?

Kodekan moderator sebagai dummy 0/1, misalnya 0 = laki-laki dan 1 = perempuan, lalu buat interaksi X × dummy. Centering dummy tidak wajib. b₁ adalah pengaruh X pada kelompok berkode 0, b₁ + b₃ adalah pengaruh X pada kelompok berkode 1, dan b₃ menguji apakah kedua kemiringan itu berbeda signifikan.

Apa beda moderasi murni dan moderasi semu?

Pada moderasi murni, Z tidak berpengaruh langsung terhadap Y (b₂ tidak signifikan) dan hanya mengubah pengaruh X lewat interaksi. Pada moderasi semu, Z berpengaruh langsung terhadap Y sekaligus berinteraksi dengan X. Keduanya sama-sama bukti moderasi; perbedaannya penting untuk pembahasan, karena moderator semu juga merupakan prediktor Y.

Apakah uji selisih nilai mutlak atau uji residual masih boleh dipakai?

Ghozali (2018) membahas keduanya sebagai alternatif MRA, antara lain untuk menghindari multikolinearitas variabel interaksi. Masalah itu kini cukup diatasi dengan mean centering, dan koefisien interaksi MRA lebih mudah ditafsirkan serta dilengkapi simple slopes. Bila pembimbing atau pedoman kampus meminta salah satu metode tersebut, ikuti langkahnya di buku Ghozali dan sebutkan alasannya di Bab 3.

Bagaimana jika koefisien interaksi tidak signifikan?

Tulis bahwa H0 gagal ditolak: data tidak cukup membuktikan Z memoderasi pengaruh X. Jenis moderasinya lalu ditentukan dari b₂, yaitu prediktor moderasi bila b₂ signifikan atau moderasi potensial bila tidak. Jangan melanjutkan ke simple slopes untuk mencari kelompok yang "signifikan", dan bahas kemungkinan kurangnya power bila sampel Anda kecil.

Bisakah uji moderasi dilakukan dengan SmartPLS?

Bisa, dan itu pilihan yang tepat bila X, Z, dan Y adalah variabel laten yang diukur banyak indikator. SmartPLS dapat membentuk efek interaksi (moderating effect) dari konstruk laten, dan signifikansinya diuji lewat bootstrapping. Dasar-dasar PLS-SEM dibahas di panduan SmartPLS untuk pemula.

Referensi

• Aiken, L. S., & West, S. G. (1991). Multiple regression: Testing and interpreting interactions. Sage.
• 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. https://doi.org/10.1037/0022-3514.51.6.1173
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum.
• Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
• Ghozali, I. (2018). Aplikasi analisis multivariate dengan program IBM SPSS 25 (Ed. 9). Badan Penerbit Universitas Diponegoro.
• Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press.
• Sharma, S., Durand, R. M., & Gur-Arie, O. (1981). Identification and analysis of moderator variables. Journal of Marketing Research, 18(3), 291–300. https://doi.org/10.1177/002224378101800303