Banyak cara yang bisa digunakan untuk menguji pengaruh tidak langsung.

Diantaranya adalah Sobel Test. Pada tulisan ini, di Tabel 1 (Lihat Gambar pada
lampiran) diperoleh hasil bahwa seluruh koefisien jalur teruji signifikan (p<0.05).
Hasil analisis jalur akan menggunakan standardized regression weight untuk
interpretasi, karena besaran nilai statistik ini dapat dibandingkan satu dengan
lainnya. Akan tetapi untuk uji hipotesis, harus menggunakan regression weight,
karena pada statistik inilah ada standard error.A. Pengaruh Tidak Langsung
Berdasarkan Hasil Uji Koefisien Jalur
Bila diperhatikan dalam hasil ini, koefisien pengaruh langsung dari X1 terhadap Y1
sebesar 0,482 adalah signifikan (p<0.05). Demikian koefisien pengaruh langsung
dari Y1 terhadap Y2 sebesar 0,481 adalah signifikan (p<0.05). Berdasarkan hasil uji
pada kedua koefisien jalur ini bisa didapatkan kesimpulan bahwa X1 berpengaruh
tidak langsung terhadap Y2 melalui Y1, karena kedua koefisien teruji signifikan.

Dengan cara yang sama juga didapatkan kesimpulan bahwa bahwa X2 berpengaruh
tidak langsung terhadap Y2 melalui Y1, karena kedua koefisien teruji signifikan.

B. Pengaruh Tidak Langsung Berdasarkan Sobel Test

Cara menghitung dengan Sobel test bisa dibaca pada Hayes (2013). Berikut ini akan
dijelaskan perhitungan sobel test pengaruh X1 terhadap Y2 melalui Y1. Tabel 1
adalah hasil pengaruh langsung pada kedua jalur yang ada dalam model.

Statistik yang digunakan dalam Sobel test adalah seluruh hasil perhitungan pada
bagian regression weight. Jika koefisien a adalah koefisien dari X1 terhadap Y1, maka
regression weight (a) dan standard error (SEa) dari X1 terhadap Y1 adalah 0,777 dan
0,377.

Jika koefisien b adalah koefisien dari Y1 terhadap Y2, maka regression weight (b)
dan standard error (SEb) dari Y1 terhadap Y2 adalah 0,042 dan 0,009.

Maka besar pengaruh tidak langsung yang akan diuji adalah a*b = 0,777 x 0,042 =
0,033. Standard error a*b atau SEab untuk menguji pengaruh tidak langsung
menurut Hayes (2013) adalah 0,018 (Lihat Gambar pada lampiran).

Selanjutnya akan dihitung nilai Z = a*b / SEab = 0,033/0,018 = 1,850. Untuk

menghitung harga p menggunakan fasilitas fungsi NORMSDIST yang ada di excel,
dengan cara sebagai berikut:

Ketik =(1-NORMSDIST(1.850))*2 enter akan dihasilkan nilai 0.064.

C. Besar Pengaruh Tidak Langsung

Besar pengaruh tidak langsung adalah hasil kali kedua standardized regression
weight. Pada contoh perhitungan ini, pengaruh tidak langsung X1 terhadap Y2
melalui Y1 adalah 0,482*0,481 = 0,232. Sedangkan pengaruh tidak langsung X2
terhadap Y2 melalui Y1 adalah 0,411*0,841 = 0,198.
Berdasarkan hasil uji Sobel, pengaruh tidak langsung sebesar 0,198 variabel X2
terhadap Y2 melalui Y1 adalah signifikan (p<0,05). Sedangkan pengaruh dari X1
terhadap Y2 melalui Y1 adalah tidak signifikan (p>0,05).

Efek dan Ilustrasi Variabel Mediasi

1. Efek Variabel Mediasi

V ariabel dapat dikatakan sebagai variabel mediasi (M) apabila mempengaruhi

antara variabel bebas (X) terhadap variabel terikat (Y1). Secara umum, mediasi (M)
dapat dikatakan terjadi ketika : (1) X secara signifikan mempengaruhi variabel
mediasi (M). (2) Variabel X1 secara signifikan mempengaruhi Y tanpa mediasi, (3)
mediasi (M) memiliki efek unik yang signifikan pada Y1, dan (4) efek X1 terhadap Y1
menyusut/menurun setelah penambahan mediasi (M) ke model. Kriteria ini dapat
digunakan untuk menilai apakah mediasi dilakukan secara tidak sah, namun
MacKinnon & Dwyer (1993) dan MacKinnon, Warsi, & Dwyer (1995) telah
mempopulerkan metode berbasis statistik dimana mediasi dapat dinilai secara
formal.

2. Ilustrasi Variabel Mediasi

Gambar dibawah ini adalah ilustrasi koefisen jalur a, b, dan c. nilai Nilai dalam tanda
kurung (sa) adalah standar error a dan (sb) adalah nilai tandar error b koefisien jalur
tersebut. Jadi nilai angka yang dibutuhkan dari hasil analisis adalah
a = koefisien regresi (unstandardized) untuk hubungan antara X dan M sa = standar
error a. b = koefisien regresi (unstandardized) untuk hubungan antara M dan Y (bila
X juga merupakan prediktor Y). sb = kesalahan standar b. Untuk mendapatkan (Nilai
a,sa dan b,sb) dengan Regresi SPSS 1. Jalankan analisis regresi dengan X
memprediksi M. Ini akan memberi nilai a dan sa. 2. Jalankan analisis regresi dengan
X dan M yang memprediksi Y. Ini akan memberi b dan sb. Perhatikan bahwa sa dan
sb tidak boleh negatif. Sedangkan untuk mendapatkan nilai s,sa dan nila s,sb dari
Partial Least Square (PLS) Buka Output PLS Hasil Inner Model seperti berikut :
Jika kesulitan memahami output PLS lihat artikel dan video Menampilkan Output
Inner Model

3. Uji Sobel Online

Pengujian sobel onine dapat ditemukan di Baron dan Kenny (1986), Sobel (1982),
Goodman (1960), dan MacKinnon, Warsi, dan Dwyer (1995). Masukkan nilai nilai a,
b, sa, dan sb ke dalam sel di bawah dan klik CALCULATE. Program ini akan
menghitung rasio kritis sebagai tes apakah efek tidak langsung dari X terhadap Y
melalui M berbeda secara signifikan dari nol/Jika nilai (p-value lebih besar dari 0,05
maka M merupakan mediasi.

Kita harus memahami bahwa ada tiga versi utama dari "tes Sobel", “tes Aroian: dan
Goodman tes, peneliti yang menggunakan uji mediasi ini ditekankan untuk
berkonsultasi dengan MacKinnon, Lockwood, Hoffman, West, dan Sheets (2002),
serta sumber yang dikutip di dalamnya, sebelum mencoba menafsirkan hasil dari
semua tes ini. Namun disarankan Baron dan Kenny (1986) untuk menggunakan nilai
Aroian dari sobel test karena tidak membuat asumsi yang tidak perlu bahwa produk
sa dan sb sangat kecil Rumus untuk tes yang diberikan di sini diambil dari
MacKinnon dan Dwyer (1994) dan dari MacKinnon, Warsi, & Dwyer (1995):

Persamaan Uji Mediasi

1. Persamaan uji Sobel

z-value = a * b / SQRT (b2 * sa2 + a2 * sb2)

2. Persamaan uji aroian

z-value = a * b / SQRT (b2 * sa2 + a2 * sb2 + sa2 * sb2)

3. Persamaan uji Goodman

z-value = a * b / SQRT (b2 * sa2 + a2 * sb2 - sa2 * sb2) Tes Sobel dan tes Aroian
tampaknya berkinerja terbaik dalam studi Monte Carlo (MacKinnon, Warsi, & Dwyer,
1995), dan dan sangat cocok dengan ukuran sampel yang lebih besar dari 50 atau
lebih.

Uji mediasi dengan Sobel Test

Sobel test merupakan uji untuk mengetahui apakah hubungan yang melalui sebuah variabel
mediasi secara signifikan mampu sebagai mediator dalam hubungan tersebut. Sebagai
contoh pengaruh A terhadap B melalui M. Dalam hal ini variabel M merupakan mediator
hubungan dari A ke B. Untuk menguji seberapa besar peran variabel M memediasi pengaruh
A terhadap B digunakan uji Sobel test. Dimana Sobel test mengunakan uji z dengan rumus
sebagai berikut :

Rumus Sobel test

Kali ini diberikan contoh dari hasil uji model regresi dengan SPSS, menggunakan 3 variabel
yaitu Insentif sebagai variabel independen, Movitasi sebagai Mediator dan Kinerja sebagai
variabel Dependennya. Langkah regresi dilakukan sebanyak 2 kali, regresi pertama dilakukan
antara Insentif terhadap Motivasi dan KInerja kemudian yang kedua regresikan antara
Motivasi terhadap Kinerja. Hasil regresi sebagai berikut :

Tabel. Koefisien Regresi Insentif dan Motivasi terhadap Kinerja

Dari tabel hasil regresi menunjukkan bahwa nilai koefisien regresi Insentif terhadap Motivasi
sebesar 0.296 dengan standar eror 0.056 dan nilai signifikansi 0.010 kemudian untuk Motivasi
mendapatkan nilai koefisien 0.369 dengan standar eror 0.068 dan nilai signifikansi 0.000.
Sehingga Insentif signifikan berpengaruh langsung terhadap Motivasi demikian juga Motivasi
signifikan berpengaruh langsung terhadap Kinerja. Jika digambarkan akan terbentuk model :
 Model Mediator
Model di atas merupakan model yang terbentuk dari hasil regresi pertama dan kedua
sehingga membentuk model analisis jalur (path analysis) dengan variabel Motivasi sebagai
mediatornya. Nilai z dari Sobel test tidak dapat dihasilkan langsung dari hasil regresi tetapi
dengan perhitungan secara manual dengan rumus sobel tes. Hasil perhitungan nilai z dari
sobel test adalah :

Perhitungan Sobel test

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 3.786, karena nilai z
yang diperoleh sebesar 3.786 > 1.98 dengan tingkat signifikansi 5% maka membuktikan
bahwa Motivasi mampu memediasi hubungan pengaruh Insentif terhadap Kinerja.

Untuk lebih mudahnya menghitung nilai z dari sobel test dapat memanfaatkan online
kalkulator di :

www.danielsoper.com
caranya : masukkan nilai koefisien regresi Insentif terhadap Motivasi = 0.296 di kolom A, nilai
koefisien regresi Motivasi terhadap Kinerja = 0.369 pada kolom B. Nilai standar error pengaruh
Insentif ke Motivasi pada kolom SEA = 0.056 dan nilai standar eror pengaruh Motivasi ke
Kinerja pada kolom SEB = 0.068. Kemudian Klik Calculate. Seperti terlihat pada gambar di
bawah ini.
 Hasil nilai z dari Sobel test online calculator

VJudul: Pengaruh Keadilan Organisasi terhadap Komitmen Organisasi dengan Kepuasan

Kerja sebagai Variabel Mediasi.

Pengujian hipotesis mediasi atau intervening dilakukan dengan prosedur yang dikembangkan
oleh Sobel (1982) dan dikenal dengan uji Sobel (Sobel test) (Ghozali, 2011). Uji Sobel
dilakukan dengan cara menguji kekuatan pengaruh tidak langsung X1 ke Y. Pengaruh tidak
langsung X1 ke Y lewat X2 dhitung dengan cara jalur X1-X2 (a) dengan jalur X2-Y (b) atau
ab. Jadi koefisen ab= (c-c1) dimana c adalah pengaruh X1 terhadap Y tanpa mengontrol X2.
Sedangkan c1 adalah koefisien pengaruh X1 terhadap Y setelah mengontrol X2. Standar error
kefisien a dan b ditulis dengan Sa dan Sb dan besarnya standar eror pengaruh tidak langsung
(indirect effect) adalah Sab yang ditulis dengan rumus :

Uji signifikansi pengaruh tidak langsung, dilakukan dengan menghitung nilai t dari koefisien
ab dengan cara
dokpri

Nilai t hitung dibandingkan dengan nilai tabel, jika t hitung > nilai t tabel maka dapat
disimpulkan terjadi pengaruh mediasi. Untuk menjelaskan variabel mediasi pada penelitian
ini dapat dilihat pada gambar di bawah ini

dokpri

Gambar diatas X1 mewakili variabel keadilan organisasi, X2 mewakili variabel kepuasan

kerja dan Y mewakili komitmen organisasi. Pada gambar panel A, variabel X1berpengaruh
langsung terhadap Y atau sering disebut dirrect effec,sedangkan pada gambar panel B dan C,
menggambarkan bentuk mediasi sederhana yaitu ada pengaruh tidak langsung X1menuju Y
melalui X2 sebagai variabel mediator.
Hubungan sederhana antara X1dan Y sering disebut dengan total effect(pengaruh total)
dengan nilai koefisien total effectadalah c (Panel A). Koefsien c ini berbeda dengan koefisien
c1, koefisien c1 merupakan koefisien pengaruh langsung dari X1menuju Y setelah
mengendalikan X2 (Panel B dan C).

Ringkasan uji hipotesis

Variabel
Unstandardized
Coefficient
T hitung
Sig.
R

R Square
B
Std.
Error
Konstan
29,623

5,749

5,153

0,000

Keadilan organisasi

0,030

0,110

0,273

0,000

0,543

0,295

Kepuasan kerja

0,525

0, 122

4,318

0,786

0,543

0,295
dokpri

Diagram jalur di atas menunjukkan anak panah dari model 1 ke kepuasan kerja yang
menunjukan jumlah variancevariabel kepuasan kerja yang tidak dijelaskan oleh keadilan
organisasi. Kemudian model kedua menunjukkan komitmen organisasi
menunjukkan variancekomitmen organisasi yang tidak dapat dijelaskan oleh variabel
keadilan organisasi dan kepuasan kerja.
Setelah melihat persyaratan untuk menentukan adanya pengaruh mediasi secara statistik,
maka untuk mengetahui besarnya pengaruh langsung, tidak langsung dan total dari masing--
masing variabel, diperlukan perhitungan dari nilai koefisien beta pada standardizid
coefficient yaitu sebagai berikut:
 Pengaruh langsung (KO ke KOM) = 0, 362
 Pengaruh tidak langsung (KO ke KOM mlalui KK) = 0, 346
 Pengaruh total = 0, 708

Pengaruh tidak langsung 0,346 diperoleh dari perhitungan 0,361 dikalikan 0,549. Untuk
mengetahui hipotesis berpengaruh positif dan signifikan, maka dapat dilihat dari perhitungan
menggunakan Sobel Testsebagai berikut:

Keterangan :

untitled-1-5a807f99dd0fa81bc81380f2.jpg

dokpri

Oleh karena itu nilai t hitung 5,449 lebih besar dari t tabel dengan tingkat signifikansi 0,05
yaitu sebesar 1,672, dan memiliki koefisien mediasi 0,345 signifikan yang berarti ada
pengaruh mediasi. Dari hasil perhitungan t tersebut, maka dapat diambil kesimpulan bahwa
pengaruh mediasi pada penelitian ini positif dan signifikan. Variabel dalam pengaruh mediasi
dalam penelitian ini adalah kepuasan kerja

Interpretasi Hasil (Inner Model)

Setelah membahas pada artikel sebelumnya Interpretasi Hasil Pengukuran (Outer

Model) Partial Least Square (PLS), dimana kita sudah memahami cara membaca
output outer model dalam bentuk graph seperti gambar dibawai ini :
 Hasil Running PLS ALgorithm

Selanjutnya dalam kondisi layar Smartpls menampilkan Gambar diatas kita dapat
langsung menampilkan Output Inner model dengan mengikuti langkah - langkah
berikut :

1. Klik Calculate
2. Klik Boostraping
3. Untuk memproses dengan pilihan standar teruskan dengan Klik Start Calculation
hingga layar ditampilkan seperti gambar berikut

Path Coefficient
Pada Output Path Coeffisient seperti nampak pada tabel di atas adalah melihat
signifikansi pengaruh masing - masing variabel kepemimpinan, motivasi dan budaya
kerja dengan melihat nilai koefisien paramter (original sample) :

Besarnya koefisien parameter untuk variabel Kepemimpinani (X1) sebesar (original

sample) 0,110 yang berarti terdapat pengaruh positif antara Kepemimpinan (X1)
terhadap (Y1) Kinerja Pegawai. Atau dapat diinterpretasikan bahwa semakin baik
Kepemimpinan pegawai maka kinerja pegawai akan semakin meningkat. Nilai t -
Statistik sebesar 0,789 TIDAK SIGNIFIKAN (t tabel signifikansi 5% = 1,96). Oleh
karena nilai t statistik lebih kecil dari t-tabel 1,96 (0,789 < 1,96)

Besarnya koefisien parameter untuk variabel Motivasi (X2) sebesar (original

sample) 0,583 yang berarti terdapat pengaruh positif antara motivasi kerja (X1)
terhadap (Y1) Kinerja Pegawai. Atau dapat diinterpretasikan bahwa semakin tinggi
motivasi pegawai maka kinerja pegawai akan semakin meningkat. Nilai t - Statistik
sebesar 0,555 TIDAK SIGNIFIKAN (t tabel signifikansi 5% = 1,96). Oleh karena nilai
t statistik lebih kecil dari t-tabel 1,96 (0,555 < 1,96)

Besarnya koefisien parameter untuk variabel budaya kerja (X3) sebesar (original
sample) 0,583 yang berarti terdapat pengaruh positif antara Budaya Kerja (X3)
terhadap (Y1) Kinerja Pegawai. Atau dapat diinterpretasikan bahwa semakin tinggi
budaya kerja pegawai maka kinerja pegawai akan semakin meningkat. Nilai t -
Statistik sebesar 2,616 SIGNIFIKAN (t tabel signifikansi 5% = 1,96). Oleh karena
nilai t statistik lebih besar dari t-tabel 1,96 (2,616 > 1,96)

Output Pengujian lainnya terhadap model dilakukan dengan melihat nilai R -

Square yang merupakan uji goodness-fit-model seperti pada gambar berikut :

R-Square

Nilai R - Square sebesar 0,630, dapat dijelaskan bahwa pengaruh Variabel

Kepemimpinan (X1), Motivasi (X2) dan Budaya Kerja (X3) terhadap Kinerja Pegawai
(Y1) memberi nilai sebesar 0,630 .yang dapat diinterpretasikan bahwa variabel
konstruk kinerja pegawai dapat dijelaskan oleh varaibel konstruk kepemimpinan,
motivasi dan budaya kerja sebesar 63,0%. Sedangkan sisanya 37% dijelaskan oleh
variabel lain diluar yang diteliti. (Catatan : Nilai R-Square diambil dari Output PLS
Algorithm. Penjelasan lebih lengkap tentang Interpretasi (Inner Model) Partial Least
Square, tonton Tutorialnya (Tutorial 5).
 TENTANG ANALISIS JALUR
Analisis jalur merupakan perluasan dari analisis regresi berganda. Analisis jalur
digunakan jika terdapat variabel mediasi. Penelitian ini menggunakan teknik analisis
jalur. Desain penelitian komparatif dapat di lihat pada Gambar 4.1 dan 4.2.

Pada gambar 4.1 variabel X berpengaruh langsung terhadap Y atau sering disebut
direct effect, sedangkan gambar 4.2 menggambarkan bentuk mediasi sederhana yaitu
ada pengaruh tidak langsung X ke Y, lewat M sebagai variabel mediator. Hubungan
sederhana antara X dan Y, lewat M sebagai variabel mediator. Hubungan X dan Y
sering disebut total effect (Pengaruh Total) dengan nilai koefisien total c pada gambar
4.1. Koefisien c ini berbeda dengan koefisien c’ , koefisien c’ merupakan koefisien
pengaruh langsung (direct effect) X ke Y setelah mengendalikan M (Gambar 4.2).

Mendeteksi pengaruh mediasi secara langsung dengan melihat model gambar 4.1.
Berdasarkan gambar 4.2 dapat ditulis persamaan regresi sebagai berikut :

Ŷ = α 1 + c X ......(1)
Ŷ = α 2 + a X ......(2)
Ŷ = α 3 + c' X + b M ......(3)

Variabel M disebut mediator atau intervening jika persamaan (1) X secara signifikan
mempengaruhi Y ( atau c ≠ 0), persamaan (2) X secara signifikan mempengaruhi M (
atau a ≠ 0) dan persamaan (3) X secara signifikan mempengaruhi Y dengan
mengkontrol X (b ≠ 0). Jika pengaruh X terhdapa Y menurun menjadi nol dengan
memasukan variabel M, maka terjadi mediasi sempurna.

Namun demikian, jika pengaruh X terhadap Y menurun tidak sama dengan nol dengan
memasukan variabel M, maka terjadi mediasi parsial. Mediasi sederhana ini terjadi
jika dipenuhi asumsi (1) tidak ada kesalahan pengukuran pada pada variabel M, dan
(2) variabel Y tidak mempengaruhi M.

Pengujian hipotesis mediasi dapat dilakukan dengan prosedur yang dikembangkan

oleh sobel (1982) dan dikenal dengan uji sobel (Sobel Test). Uji sobel dilakukan
dengan cara menguji kekuatan pengaruh pengaruh tidak langsung X ke Y lewat M.
Pengaruh tidak langsung X ke Y lewat M dihitung dengan cara mengalikan jalur X ─
M (a) dengan jalur M─Y (b) atau jalur ab. Jadi koefisien ab = ( c’ – c), dimana c adalah
pengaruh X terhadap Y tanpa mengontrol M, sedangkan c’ adalah koefisien pengaruh
X terhadap Y setelah mengontrol M. Standar error koefisien a dan b ditulis dengan Sa
dan Sb dan besarnya standar error tidak langsung adalah Sab yang dihitung dengan
rumus :

Ket:
Sa = standar error koefisien a
Sb = standar error koefisien b
b = koefisien variabel mediasi
a = koefisien variabel bebas

Untuk menguji signifikan pengaruh tidak langsung, maka kita perlu menghitung nilai t
dari koefisien ab dengan rumus :

Nilai t hitung dibandingkan dengan nilai t tabel. Jika nilai t hitung > nilai t tabel maka
disimpulkan terjadi pengaruh mediasi.

Sobel test menghendaki asumsi jumlah sampel besar dan nilai koefisien mediasi
berdistribusi normal. Tetapi asumsi ini telah banyak dikritik. Menurut Bollen dan Stine
(1990) pada sampel kecil distribusinya umumnya tidak normal.

Imam Gozali (2013: 248-255)