No. 4 dari Seri Lead Magnet Gratis

📗 FREE EBOOK · SERI #4

SEM, Mediasi &
Moderasi untuk Tesis

Panduan Praktis CFA, Goodness of Fit, Bootstrap CI,
dan Johnson-Neyman — lengkap dengan template pelaporan

CFA & Validitas Konstruk

GoF Indices Lengkap

Mediasi Bootstrap CI

Moderasi & Interaksi

Johnson-Neyman Point

Template Kalimat Siap Pakai

Y

Yogo Aryo Jatmiko, SST, M.Stat

Founder Ruang Statistika · Statistisi BPS · Dosen Demografi Polstat STIS

📋 Navigasi Ebook

Daftar Isi

Klik bagian mana pun untuk langsung menuju halaman tersebut.

01Confirmatory Factor Analysis (CFA)

›

02Goodness of Fit (GoF) Indices

›

03Mediasi & Bootstrap Confidence Interval

›

04Moderasi & Uji Interaksi

›

05Metode Johnson-Neyman

›

06Template Kalimat Pelaporan Lengkap

›

07Tentang Penulis & Konsultasi

›

💡

Tips membaca: Ebook ini dirancang sebagai referensi cepat — loncat langsung ke topik yang kamu butuhkan. Template kalimat bisa langsung disalin dengan tombol "Salin".

📐 Bab 1

Confirmatory Factor Analysis (CFA)

Validasi konstruk sebelum masuk ke model SEM utama.

Apa itu CFA?

CFA adalah teknik untuk menguji apakah indikator-indikator yang kamu buat benar-benar mengukur konstruk laten yang dimaksud. Berbeda dengan EFA, di CFA kamu sudah punya hipotesis tentang struktur faktornya.

✅ CFA (Confirmatory)

Kamu sudah tahu indikator mana yang mengukur konstruk mana — diuji konfirmasinya dengan data.

🔍 EFA (Exploratory)

Belum tahu strukturnya — biarkan data yang menentukan pengelompokan faktor.

Kriteria Validitas dalam CFA

Kriteria	Nilai Ideal	Keterangan
Loading Factor (λ)	≥ 0.50 (ideal ≥ 0.70)	Kontribusi indikator terhadap konstruk
AVE	≥ 0.50	Validitas konvergen — konstruk menjelaskan ≥50% varians indikatornya
CR (Composite Reliability)	≥ 0.70	Reliabilitas konstruk (pengganti Alpha Cronbach di SEM)
Discriminant Validity	√AVE > korelasi antar konstruk	Konstruk berbeda cukup dari konstruk lain
HTMT	< 0.85 atau < 0.90	Alternatif uji discriminant validity (SmartPLS)

Rumus AVE & CR

🔢

Rumus AVE

AVE = Σλ² / (Σλ² + Σε)
λ = loading, ε = 1 − λ²

🔢

Rumus CR

CR = (Σλ)² / [(Σλ)² + Σ(1−λ²)]

💡

Di SmartPLS, AVE dan CR sudah otomatis muncul di tabel Construct Reliability and Validity. Di AMOS, kamu perlu menghitung manual atau pakai plugin/Excel.

Contoh Tabel CFA

**Tabel 1**
Hasil Confirmatory Factor Analysis
Konstruk	Indikator	Loading (λ)	AVE	CR	Status
Kepuasan Kerja	KK1	0.812	0.634	0.839	Valid & Reliabel
	KK2	0.779
	KK3	0.803
Komitmen Org.	KO1	0.841	0.661	0.853	Valid & Reliabel
	KO2	0.760
	KO3	0.832

Note. AVE = Average Variance Extracted; CR = Composite Reliability. Seluruh nilai memenuhi kriteria cut-off.

📊 Bab 2

Goodness of Fit (GoF) Indices

Tabel referensi lengkap nilai ideal untuk menilai kelayakan model SEM.

⚠️

Pembimbing dan penguji hampir pasti akan menanyakan GoF. Laporkan minimal 3–5 indeks dari kategori yang berbeda — bukan hanya satu.

Tabel Referensi Nilai Ideal GoF

Indeks	Nilai Ideal	Kategori	Catatan
Chi-Square (χ²)	p > 0.05	Absolute	Sensitif terhadap n besar; tidak bisa berdiri sendiri
χ²/df (CMIN/DF)	≤ 2.0 (maks 3.0)	Absolute	Rasio chi-square terhadap derajat bebas
RMSEA	< 0.08 (ideal < 0.05)	Absolute	Root Mean Square Error of Approximation
SRMR	< 0.08	Absolute	Standardized Root Mean Square Residual
GFI	≥ 0.90	Absolute	Goodness of Fit Index — mirip R² di regresi
AGFI	≥ 0.90	Absolute	Adjusted GFI (memperhitungkan kompleksitas model)
CFI	≥ 0.95 (min 0.90)	Incremental	Comparative Fit Index — paling sering dilaporkan
TLI (NNFI)	≥ 0.90	Incremental	Tucker-Lewis Index — penalti model kompleks
NFI	≥ 0.90	Incremental	Normed Fit Index — terpengaruh ukuran sampel
AIC	Makin kecil makin baik	Parsimony	Untuk perbandingan model saja
PNFI	≥ 0.50	Parsimony	Parsimony Normed Fit Index

Strategi Pelaporan GoF

1
Laporkan dari 3 kategori berbeda
Absolute, incremental, dan parsimony — masing-masing minimal satu indeks.
2
Prioritaskan indeks utama
RMSEA, CFI, TLI, dan CMIN/DF adalah yang paling sering diminta pembimbing.
3
Jangan sembunyikan indeks yang tidak fit
Jika ada indeks yang tidak memenuhi, jelaskan konteksnya: n besar, kompleksitas model, dll.
4
Model fit = mayoritas indeks terpenuhi
Tidak harus semua indeks memenuhi cut-off — yang penting mayoritas dan indeks kunci terpenuhi.

Contoh Tabel Ringkasan Fit Model

**Tabel 2**
Hasil Evaluasi Goodness of Fit Model SEM
Indeks	Nilai Cut-off	Hasil Model	Kesimpulan
CMIN/DF	≤ 3.00	2.341	Fit
RMSEA	< 0.08	0.063	Fit
CFI	≥ 0.90	0.947	Fit
TLI	≥ 0.90	0.932	Fit
GFI	≥ 0.90	0.887	Marginal
SRMR	< 0.08	0.071	Fit

Note. GFI yang marginal dapat diterima mengingat 5 dari 6 indeks lainnya memenuhi nilai cut-off.

⚠️

Perhatian: Chi-Square saja tidak cukup sebagai indikator fit. Pada n > 200, Chi-Square hampir selalu signifikan meski model sebenarnya baik. Selalu kombinasikan dengan RMSEA dan CFI.

🔗 Bab 3

Mediasi & Bootstrap CI

Cara kerja uji mediasi modern dan interpretasi Confidence Interval Bootstrap.

Konsep Dasar Mediasi

Mediasi menjelaskan mekanisme bagaimana variabel X mempengaruhi Y melalui variabel mediator M.

Indirect effect = a × b | Total effect = a×b + c'

Jenis Mediasi

Jenis	Kondisi	Artinya
Mediasi Penuh	c' tidak signifikan, a×b signifikan	M sepenuhnya menjelaskan pengaruh X→Y
Mediasi Parsial	c' signifikan, a×b signifikan	M memediasi sebagian; jalur langsung tetap ada
Tidak Ada Mediasi	a×b tidak signifikan	M bukan mediator yang valid

Mengapa Bootstrap? Bukan Sobel?

Uji Sobel mengasumsikan distribusi normal untuk indirect effect — padahal distribusi perkalian (a×b) cenderung non-normal. Bootstrap tidak butuh asumsi tersebut, sehingga lebih akurat dan lebih direkomendasikan literatur modern (Hayes, 2022).

💡

Gunakan 5.000 bootstrap samples (minimum) atau 10.000 untuk hasil lebih stabil. Di PROCESS Macro, SmartPLS, dan AMOS sudah tersedia fitur ini.

Cara Baca Confidence Interval Bootstrap

✅ Efek Mediasi SIGNIFIKAN

CI tidak mencakup nol (0)
Contoh: LLCI = 0.023, ULCI = 0.187
→ Indirect effect ada dan signifikan

❌ Efek Mediasi TIDAK Signifikan

CI mencakup nol (0)
Contoh: LLCI = −0.045, ULCI = 0.134
→ Indirect effect tidak terbukti

⚠️

Di Bootstrap, kamu tidak melihat p-value untuk indirect effect. Cukup periksa apakah nol (0) ada di antara LLCI dan ULCI. Jika tidak ada → signifikan.

Contoh Output Mediasi

**Tabel 3**
Hasil Uji Mediasi Bootstrap (5.000 resamples, 95% CI)
Efek	Koefisien	SE	LLCI	ULCI	Kesimpulan
Total Effect (c)	0.421	0.089	0.247	0.595	Signifikan
Direct Effect (c')	0.198	0.094	0.013	0.383	Signifikan
Indirect Effect (a×b)	0.223	0.071	0.097	0.378	Mediasi Parsial

⚙️ Bab 4

Moderasi & Uji Interaksi

Kapan dan bagaimana pengaruh X terhadap Y berubah tergantung nilai Z.

Apa itu Moderasi?

Moderasi terjadi ketika kekuatan atau arah pengaruh X terhadap Y berubah tergantung nilai variabel ketiga (moderator Z). Model moderasi mengandung interaction term: X×Z.

Persamaan: Y = β₀ + β₁X + β₂Z + β₃(X×Z) + ε

Langkah Uji Moderasi

1
Mean-center variabel X dan Z
Lakukan sebelum membuat interaction term untuk mengurangi multikolinearitas.
2
Buat interaction term
XZ = X_centered × Z_centered
3
Masukkan X, Z, dan XZ ke model regresi secara bersamaan
Jangan memasukkan secara bertahap kecuali untuk tujuan perbandingan model.
4
Cek signifikansi β₃ (interaction term)
Jika p < 0.05, moderasi terbukti secara statistik.
5
Visualisasi simple slope plot
Gambar garis X→Y pada Z tinggi (+1 SD), Z sedang (Mean), dan Z rendah (−1 SD).

    📌 Tips PROCESS Macro: Gunakan Model 1 di PROCESS MACRO SPSS (Hayes) untuk pure moderation. Output sudah otomatis menyertakan simple slope analysis dan Johnson-Neyman point.
  

Cara Baca Simple Slope Plot

📈

Tiga Garis di Plot Moderasi

Visualisasikan pada tiga level moderator Z: Tinggi (+1 SD), Sedang (Mean), Rendah (−1 SD). Jika ketiga garis memiliki kemiringan berbeda, moderasi ada. Garis-garis yang sejajar mengindikasikan moderasi lemah atau tidak ada.

✅

Semakin berbeda kemiringan (slope) antar ketiga garis, semakin kuat efek moderasi yang ditemukan. Lanjut ke halaman berikut untuk analisis Johnson-Neyman yang lebih mendalam.

🎯 Bab 4 — Lanjutan

Metode Johnson-Neyman

Menemukan titik kritis moderator: di mana pengaruh X terhadap Y mulai signifikan.

Mengapa Johnson-Neyman?

Simple slope analysis hanya melihat pengaruh pada 3 titik tetap (tinggi/sedang/rendah). Johnson-Neyman lebih canggih: ia memberikan rentang nilai moderator di mana pengaruh X→Y menjadi signifikan atau tidak signifikan secara statistik — di seluruh range moderator.

Simple Slope Analysis

Cek di 3 titik tetap (±1SD, mean). Mudah divisualisasikan. Cocok untuk laporan standar.

Johnson-Neyman

Cek di seluruh range moderator. Menemukan titik kritis exact. Lebih kaya informasi.

Cara Interpretasi Output Johnson-Neyman

📍 Contoh Interpretasi Johnson-Neyman

Ketika nilai moderator Z berada di bawah 2.34 dan di atas 6.71, pengaruh X terhadap Y signifikan (p < 0.05). Pada rentang 2.34–6.71, pengaruh tidak signifikan secara statistik.

1
Temukan Johnson-Neyman Point
Lihat baris dalam output di mana tanda p-value berubah dari < 0.05 menjadi > 0.05 (atau sebaliknya). Itulah titik kritisnya.
2
Hitung persentase sampel dalam rentang signifikan
Jika mayoritas sampel berada di rentang signifikan, efek moderasi kuat secara praktis.
3
Visualisasi Floodlight (opsional)
Grafik floodlight menampilkan rentang J-N secara visual — sangat memukau di mata pembimbing dan penguji.

Contoh Tabel Output Johnson-Neyman

**Tabel 4**
Analisis Johnson-Neyman: Conditional Effects X→Y
Nilai Z (Moderator)	Effect X→Y	SE	p-value	Status
1.00	0.421	0.102	.000	Signifikan
2.34 ← JN Point	0.281	0.143	.050	Batas Kritis
4.00	0.187	0.156	.231	Tidak Sig.
6.71 ← JN Point	0.051	0.143	.050	Batas Kritis
8.00	−0.134	0.089	.032	Signifikan (negatif)

Note. Johnson-Neyman points pada Z = 2.34 dan Z = 6.71. Di luar rentang ini, pengaruh X terhadap Y signifikan secara statistik (p < .05).

💡

Di PROCESS Macro, Johnson-Neyman output muncul otomatis di bawah bagian Regions of significance. Cukup ambil nilai batas atas dan bawah, lalu interpretasikan berapa persen sampel berada di tiap zona.

✍️ Bab 5

Template Kalimat Pelaporan

Ganti teks berwarna kuning dengan nilai dari outputmu — siap masuk ke bab hasil & pembahasan.

Template #1 — CFA: Validitas Konvergen

📐 CFA — Validitas Konvergen

Hasil pengujian CFA menunjukkan bahwa seluruh indikator konstruk [nama konstruk] memiliki nilai loading factor di atas [nilai minimum, misal 0.70], dengan nilai AVE sebesar [nilai AVE] dan Composite Reliability sebesar [nilai CR]. Dengan demikian, konstruk [nama konstruk] memenuhi kriteria validitas konvergen dan reliabilitas komposit.

Template #2 — CFA: Discriminant Validity

📐 CFA — Discriminant Validity

Uji validitas diskriminan dilakukan dengan membandingkan nilai akar AVE (√AVE = [nilai]) dengan korelasi antar konstruk. Hasil menunjukkan bahwa nilai √AVE lebih besar dari korelasi tertinggi antar konstruk ([nilai korelasi]), sehingga validitas diskriminan terpenuhi.

Template #3 — Goodness of Fit

📊 GoF — Fit Model SEM

Evaluasi kelayakan model struktural menunjukkan hasil yang baik, dengan nilai CMIN/DF = [nilai] (<3.00), RMSEA = [nilai] (<0.08), CFI = [nilai] (≥0.90), dan TLI = [nilai] (≥0.90). Berdasarkan kriteria tersebut, model penelitian dinyatakan fit dan layak digunakan untuk pengujian hipotesis.

Template #4 — Mediasi Signifikan (CI tidak mencakup 0)

🔗 Mediasi — Terbukti

Pengujian efek mediasi dilakukan menggunakan teknik bootstrapping dengan [5.000] resamples. Hasil menunjukkan bahwa efek tidak langsung (indirect effect) variabel [X] terhadap variabel [Y] melalui [M] adalah sebesar [nilai koefisien] dengan 95% Confidence Interval [LLCI = [nilai], ULCI = [nilai]]. Karena interval kepercayaan tidak mencakup nilai nol, dapat disimpulkan bahwa [M] terbukti memediasi pengaruh [X] terhadap [Y] secara signifikan. Mengingat efek langsung (direct effect) [masih / tidak lagi] signifikan (β = [nilai], p [< / >] 0.05), jenis mediasi yang terjadi adalah [parsial / penuh].

Template #5 — Mediasi Tidak Signifikan (CI mencakup 0)

🔗 Mediasi — Tidak Terbukti

Hasil bootstrap dengan [5.000] resamples menunjukkan efek tidak langsung sebesar [nilai] dengan 95% CI [LLCI = [nilai], ULCI = [nilai]]. Karena interval kepercayaan mencakup nilai nol, disimpulkan bahwa [M] tidak terbukti sebagai mediator yang signifikan dalam hubungan [X] dan [Y].

Template #6 — Moderasi Terbukti

⚙️ Moderasi — Terbukti

Hasil uji interaksi menunjukkan bahwa koefisien interaction term antara [X] dan [Z] adalah signifikan (β = [nilai], t = [nilai], p = [nilai]). Hal ini mengindikasikan bahwa variabel [Z] terbukti memoderasi pengaruh [X] terhadap [Y]. Analisis simple slope menunjukkan bahwa pengaruh [X] terhadap [Y] lebih kuat pada kondisi [Z] tinggi (β = [nilai], p = [nilai]) dibandingkan kondisi [Z] rendah (β = [nilai], p = [nilai]).

Template #7 — Johnson-Neyman Point

🎯 Johnson-Neyman

Analisis Johnson-Neyman menunjukkan bahwa pengaruh [X] terhadap [Y] signifikan secara statistik ketika nilai moderator [Z] berada di bawah [nilai JN point 1] dan di atas [nilai JN point 2]. Sebanyak [persentase]% dari total sampel berada dalam rentang yang memberikan pengaruh signifikan, yang mengindikasikan bahwa moderasi memiliki relevansi praktis yang [kuat / moderat / lemah].

✅

Pro Tip: Ganti teks dalam [kurung] dengan angka dari outputmu. Struktur kalimatnya sudah APA-friendly dan siap dipakai langsung di bab hasil.

👤 Tentang Penulis

Ruang Statistika

Platform konsultasi statistik untuk mahasiswa S1 hingga S3.

Y

Yogo Aryo Jatmiko, SST, M.Stat

Founder Ruang Statistika · AI Enthusiast · Statistisi BPS · Dosen Demografi Polstat STIS Jakarta

📊 10+ Tahun Pengalaman 📄 8+ Publikasi Jurnal 🎓 S1–S3 Dibimbing

Halo! Saya Yogo Aryo Jatmiko — Founder dari Ruang Statistika, Statistisi di BPS dan Dosen Demografi di Polstat STIS Jakarta. Sudah lebih dari 10 tahun bekerja dengan data dan statistik di lingkungan akademis dan pemerintahan.

Ruang Statistika lahir karena saya melihat banyak mahasiswa yang cerdas tapi tersandung di statistik — bukan karena tidak mampu, tapi karena kurang mendapat penjelasan yang tepat dan terjangkau. Di sini, saya tidak hanya mengerjakan datamu — saya ingin kamu benar-benar paham dan bisa menjelaskan ke pembimbing dengan percaya diri.

Tools yang Dibantu

SPSS AMOS SmartPLS R / RStudio JASP Stata Eviews

Paket Layanan

Paket	Harga	Cocok untuk
Konsultasi Singkat	Mulai Rp 250K / sesi	Pertanyaan spesifik, interpretasi output
Olah Data	Mulai Rp 500K / paket	Pengolahan data lengkap + interpretasi
Pendampingan Penuh	Mulai Rp 1,2 Jt	S2/S3, multi-sesi, dari awal sampai sidang

SEM-mu beres sebelum sidang. 🎓

Dari CFA sampai Johnson-Neyman — kita selesaikan bersama. Chat sekarang, gratis tanpa komitmen.

💬 Chat WhatsApp Sekarang Atau kunjungi yogoaj.github.io/ruangstatistika

SEM, Mediasi &Moderasi untuk Tesis

Daftar Isi

Confirmatory Factor Analysis (CFA)

Apa itu CFA?

✅ CFA (Confirmatory)

🔍 EFA (Exploratory)

Kriteria Validitas dalam CFA

Rumus AVE & CR

Rumus AVE

Rumus CR

Contoh Tabel CFA

Goodness of Fit (GoF) Indices

Tabel Referensi Nilai Ideal GoF

Strategi Pelaporan GoF

Laporkan dari 3 kategori berbeda

Prioritaskan indeks utama

Jangan sembunyikan indeks yang tidak fit

Model fit = mayoritas indeks terpenuhi

Contoh Tabel Ringkasan Fit Model

Mediasi & Bootstrap CI

Konsep Dasar Mediasi

Jenis Mediasi

Mengapa Bootstrap? Bukan Sobel?

Cara Baca Confidence Interval Bootstrap

✅ Efek Mediasi SIGNIFIKAN

❌ Efek Mediasi TIDAK Signifikan

Contoh Output Mediasi

Moderasi & Uji Interaksi

Apa itu Moderasi?

Langkah Uji Moderasi

Mean-center variabel X dan Z

Buat interaction term

Masukkan X, Z, dan XZ ke model regresi secara bersamaan

Cek signifikansi β₃ (interaction term)

Visualisasi simple slope plot

Cara Baca Simple Slope Plot

Tiga Garis di Plot Moderasi

Metode Johnson-Neyman

Mengapa Johnson-Neyman?

Simple Slope Analysis

Johnson-Neyman

Cara Interpretasi Output Johnson-Neyman

📍 Contoh Interpretasi Johnson-Neyman

Temukan Johnson-Neyman Point

Hitung persentase sampel dalam rentang signifikan

Visualisasi Floodlight (opsional)

Contoh Tabel Output Johnson-Neyman

Template Kalimat Pelaporan

Template #1 — CFA: Validitas Konvergen

Template #2 — CFA: Discriminant Validity

Template #3 — Goodness of Fit

Template #4 — Mediasi Signifikan (CI tidak mencakup 0)

Template #5 — Mediasi Tidak Signifikan (CI mencakup 0)

Template #6 — Moderasi Terbukti

Template #7 — Johnson-Neyman Point

Ruang Statistika

Yogo Aryo Jatmiko, SST, M.Stat

Tools yang Dibantu

Paket Layanan

SEM-mu beres sebelum sidang. 🎓

SEM, Mediasi &
Moderasi untuk Tesis