Memuat
Memuat
Analisis Mediasi dan Moderasi untuk Keperawatan dan Gizi
0 kali dilihat
Menguji peran mediasi pengetahuan diet dan moderasi literasi kesehatan pada pengaruh konseling perawat terhadap kepatuhan diet rendah garam menggunakan data sintetis untuk peragaan. Analisis mediasi menguji apakah pengaruh X terhadap Y disalurkan melalui mediator M (efek tidak langsung a*b dengan bootstrap), sedangkan analisis moderasi menguji apakah besar pengaruh X bergantung pada moderator W. Cocok untuk skripsi, tesis, atau disertasi yang ingin menjelaskan mekanisme dan kondisi berlakunya suatu pengaruh.

Menguji peran mediasi pengetahuan diet dan moderasi literasi kesehatan pada pengaruh konseling perawat terhadap kepatuhan diet rendah garam menggunakan data sintetis untuk peragaan.
| Peran | Variabel | Satuan |
|---|---|---|
| Utama | Kepatuhan diet rendah garam | score |
| Pendukung 1 | Konseling perawat | score |
| Pendukung 2 | Pengetahuan diet | score |
| Pendukung 3 | Literasi kesehatan | score |
Efek tidak langsung Konseling perawat terhadap Kepatuhan diet rendah garam melalui Pengetahuan diet = 0.152 (IK bootstrap 95% 0.104 sampai 0.198), signifikan; efek langsung 0.183 (p < 0.001). Interaksi dengan Literasi kesehatan signifikan (beta = -0.218, p < 0.001): slope baku 0.540 saat Literasi kesehatan rendah dan 0.105 saat tinggi.
Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.
Analisis mediasi menguji apakah pengaruh X terhadap Y disalurkan melalui mediator M (efek tidak langsung a*b dengan bootstrap), sedangkan analisis moderasi menguji apakah besar pengaruh X bergantung pada moderator W. Cocok untuk skripsi, tesis, atau disertasi yang ingin menjelaskan mekanisme dan kondisi berlakunya suatu pengaruh.
Mediasi terjadi bila interval kepercayaan bootstrap efek tidak langsung a*b tidak memuat nol; bila efek langsung c' masih signifikan, mediasinya parsial. Moderasi terjadi bila koefisien interaksi X x W signifikan; jelaskan polanya dengan simple slope dan wilayah Johnson-Neyman, yaitu rentang W ketika pengaruh X signifikan.
Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.
# Contoh kode R: Mediation and Moderation Analysis
suppressPackageStartupMessages({
library(ggplot2)
library(patchwork)
library(lavaan)
})
set.seed(42)
# ---- Gaya grafik ----
pal <- c("#1f6feb", "#e8590c", "#2f9e44", "#ae3ec9", "#f59f00")
warna <- list(bg = "#f4f6fa", panel = "#ffffff", teks = "#1f2933", redup = "#5f6b78", grid = "#e3e8ee", bar = "#1d3557")
tata <- 1
theme_set(theme_minimal(base_size = 11) + theme(legend.position = "bottom"))
# ---- Data sintetis: X (variabel bebas), M (mediator), W (moderator), Y (hasil) ----
n <- 200
zx <- rnorm(n); zw <- rnorm(n)
a <- runif(1, 0.35, 0.6) # jalur X -> M
b <- runif(1, 0.25, 0.45) # jalur M -> Y
cp <- runif(1, 0.1, 0.3) # efek langsung X -> Y
h <- runif(1, 0.12, 0.25) * sample(c(-1, 1), 1) # interaksi X x W
zm <- a * zx + rnorm(n, 0, sqrt(1 - a^2))
zy <- cp * zx + b * zm + 0.2 * zw + h * zx * zw + rnorm(n, 0, runif(1, 0.6, 0.8))
zy <- as.numeric(scale(zy))
d <- data.frame(nurse_counselling = round(50 + 10 * zx, 2), dietary_knowledge = round(30 + 6 * zm, 2),
x3 = round(20 + 5 * zw, 2), low_salt_diet_adherence = round(100 + 15 * zy, 2))
write.csv(d, "data_contoh.csv", row.names = FALSE)
# ---- Mediasi: X -> M -> Y dengan SE bootstrap (variabel dibakukan agar koefisien sebanding) ----
ds <- as.data.frame(scale(d))
model <- "
dietary_knowledge ~ a*nurse_counselling
low_salt_diet_adherence ~ cp*nurse_counselling + b*dietary_knowledge
tidak_langsung := a*b
total := cp + a*b
"
fit <- sem(model, data = ds, se = "bootstrap", bootstrap = 500)
pe <- parameterEstimates(fit, boot.ci.type = "perc")
print(pe[pe$op %in% c("~", ":="), c("lhs", "op", "rhs", "label", "est", "se", "pvalue", "ci.lower", "ci.upper")])
ambil <- function(lb) pe[pe$label == lb | pe$lhs == lb, ][1, ]
e_a <- ambil("a"); e_b <- ambil("b"); e_c <- ambil("cp"); e_i <- ambil("tidak_langsung"); e_t <- ambil("total")
bb <- lavInspect(fit, "boot") # sampel bootstrap koefisien
ab_boot <- bb[, "a"] * bb[, "b"]
# ---- Moderasi: regresi dengan interaksi (prediktor dipusatkan) ----
dm <- data.frame(yy = d$low_salt_diet_adherence, xp = d$nurse_counselling - mean(d$nurse_counselling), wp = d$x3 - mean(d$x3))
mod <- lm(yy ~ xp * wp, data = dm)
print(summary(mod))
sw <- sd(d$x3)
V <- vcov(mod)
lereng <- function(w) { # simple slope X pada nilai W tertentu (terpusat)
est <- coef(mod)[["xp"]] + coef(mod)[["xp:wp"]] * w
se <- sqrt(V["xp", "xp"] + w^2 * V["xp:wp", "xp:wp"] + 2 * w * V["xp", "xp:wp"])
c(est = est, se = se, p = 2 * pt(-abs(est / se), df.residual(mod)))
}
ss <- t(sapply(c(-sw, 0, sw), lereng)); rownames(ss) <- c("W -1 SD", "W mean", "W +1 SD")
print(round(ss, 4))
# Johnson-Neyman: nilai W saat simple slope X berubah signifikan
wg <- seq(min(dm$wp), max(dm$wp), length.out = 200)
jn <- as.data.frame(t(sapply(wg, lereng))); jn$w <- wg + mean(d$x3)
p_int <- summary(mod)$coefficients["xp:wp", 4]
b_int <- coef(lm(scale(yy) ~ scale(xp) * scale(wp), data = dm))[4] # koefisien interaksi terstandar
sig_pct <- 100 * mean(jn$p < 0.05)
# ---- Grafik ----
bintang <- function(p) ifelse(p < 0.001, "***", ifelse(p < 0.01, "**", ifelse(p < 0.05, "*", " ns")))
bungkus <- function(s) paste(head(strwrap(s, 14), 2), collapse = "\n") # nama maks. 2 baris
singkat <- function(s, w = 18) { # nama pendek untuk legenda
k <- strsplit(s, " ")[[1]]
if (nchar(s) > w) k <- k[!tolower(k) %in% c("of", "to", "the", "and", "for", "in", "on", "with")]
i <- length(k)
while (nchar(paste(k, collapse = " ")) > w && i >= 1) {
if (nchar(k[i]) > 5) k[i] <- paste0(substr(k[i], 1, 4), ".")
i <- i - 1
}
substr(paste(k, collapse = " "), 1, w)
}
nd <- data.frame(x = c(0, 1, 2), y = c(0, 1, 0), lab = c(bungkus("nurse_counselling"), bungkus("dietary_knowledge"), bungkus("low_salt_diet_adherence")))
pan <- data.frame(x = c(0.2, 1.2, 0.36), y = c(0.2, 0.8, 0), xend = c(0.8, 1.8, 1.64), yend = c(0.8, 0.2, 0),
lab = c(sprintf("a = %.2f%s", e_a$est, bintang(e_a$pvalue)), sprintf("b = %.2f%s", e_b$est, bintang(e_b$pvalue)),
sprintf("c' = %.2f%s", e_c$est, bintang(e_c$pvalue))),
lx = c(0.28, 1.72, 1), ly = c(0.62, 0.62, -0.1))
p1 <- ggplot() +
geom_segment(data = pan, aes(x, y, xend = xend, yend = yend), colour = warna$redup, linewidth = 0.9,
arrow = arrow(length = unit(0.13, "inches"), type = "closed")) +
geom_text(data = pan, aes(lx, ly, label = lab), colour = warna$teks, size = 3.2, fontface = "bold") +
geom_tile(data = nd, aes(x, y), width = 0.8, height = 0.38, fill = pal[1:3]) +
geom_text(data = nd, aes(x, y, label = lab), colour = warna$panel, fontface = "bold", size = 2.8, lineheight = 0.9) +
annotate("text", x = 1, y = -0.34, colour = warna$teks, size = 3,
label = sprintf("Indirect a*b = %.3f [%.3f, %.3f]", e_i$est, e_i$ci.lower, e_i$ci.upper)) +
coord_cartesian(xlim = c(-0.45, 2.45), ylim = c(-0.42, 1.22)) +
theme_void() + theme(plot.background = element_rect(fill = warna$panel, colour = NA),
plot.title = element_text(face = "bold", colour = warna$teks, margin = margin(4, 0, 4, 6))) +
labs(title = "Mediation model (standardised)")
xs <- seq(min(dm$xp), max(dm$xp), length.out = 50)
dsl <- do.call(rbind, lapply(1:3, function(i) data.frame(
x = xs + mean(d$nurse_counselling), y = predict(mod, data.frame(xp = xs, wp = c(-sw, 0, sw)[i])),
tingkat = c("Low W (-1 SD)", "Mean W", "High W (+1 SD)")[i])))
dsl$tingkat <- factor(dsl$tingkat, levels = c("Low W (-1 SD)", "Mean W", "High W (+1 SD)"))
p2 <- ggplot() +
geom_point(data = d, aes(nurse_counselling, low_salt_diet_adherence), colour = warna$redup, alpha = 0.25, size = 1.1) +
geom_line(data = dsl, aes(x, y, colour = tingkat), linewidth = 1.1) +
scale_colour_manual(values = pal[c(4, 3, 5)], name = singkat("x3")) +
labs(title = "Simple slopes at low, mean and high W", x = "nurse_counselling", y = "low_salt_diet_adherence")
p3 <- ggplot(data.frame(ab = ab_boot), aes(ab)) +
geom_histogram(bins = 30, fill = pal[2], colour = warna$panel, alpha = 0.85) +
geom_vline(xintercept = c(e_i$ci.lower, e_i$ci.upper), linetype = "dashed", colour = warna$teks) +
geom_vline(xintercept = 0, colour = warna$redup) +
labs(title = "Bootstrap distribution of a*b (500)", x = "Indirect effect (std.)", y = "Count")
p4 <- ggplot(jn, aes(w, est)) +
geom_ribbon(aes(ymin = est - 1.96 * se, ymax = est + 1.96 * se), fill = pal[1], alpha = 0.2) +
geom_hline(yintercept = 0, colour = warna$redup) +
geom_line(aes(colour = p < 0.05, group = 1), linewidth = 1.1) +
scale_colour_manual(values = c(`TRUE` = pal[1], `FALSE` = pal[2]), labels = c(`TRUE` = "p < .05", `FALSE` = "n.s."),
name = NULL, drop = FALSE) +
labs(title = "Johnson-Neyman: slope of X across W", x = "x3", y = "Simple slope of X")
p_hasil <- if (tata == 1) (p1 | p2) / (p3 | p4) else (p1 | p3) / (p2 | p4)
print(p_hasil)
Berkas proyek aslinya tersedia. Bukan sekadar gambar di atas: Anda mendapat proyek R yang siap dijalankan. Berkas bisa diunduh setelah pembayaran, dan kami kirim lewat WhatsApp atau email.
ZIP: analisis.R + data_contoh.csv + BACA-DULU.txt
Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.
Paket 1
Rp 300.000
belum termasuk PPN 11%
Waktu pengerjaan: 5 hari kerja
Output: Berkas R + gambar hasil
Yang Anda terima
Paket 2 · paling dipilih
Rp 900.000
belum termasuk PPN 11%
Waktu pengerjaan: 9 hari kerja
Output: Kode + analisis + bahan interpretasi
Termasuk semua item Paket 1, ditambah
Paket 3
Rp 2.000.000
belum termasuk PPN 11%
Waktu pengerjaan: 14-17 hari kerja
Output: Kode + analisis + pendampingan hingga siap dipresentasikan
Termasuk semua item Paket 1 & 2, ditambah
Ya. Berkas proyek aslinya berupa ZIP berisi skrip analisis.R lengkap, data_contoh.csv, dan petunjuk BACA-DULU.txt. Berkas bisa diunduh setelah pembayaran, dan kami kirim lewat WhatsApp atau email. Untuk data Anda sendiri (Paket 2 dan 3), skrip disesuaikan dengan dataset Anda.
Cocok. Analisis Mediasi dan Moderasi lazim dipakai pada jenjang ini di bidang Keperawatan dan Gizi. Analisis kami sesuaikan dengan pertanyaan penelitian, data Anda sendiri, dan ketentuan dosen pembimbing.
Bukan. Lembar hasil dihitung dari data sintetis sebagai ilustrasi jenis keluaran R Studio. Untuk pesanan Anda, metode yang sama dijalankan pada data penelitian Anda sendiri.
Itu tujuan paketnya. Setiap skrip diberi komentar, dan Paket 3 mencakup dua sesi pendampingan serta latihan tanya jawab supaya Anda bisa menjelaskan metode dan hasilnya saat seminar dan sidang.
Tiap proyek punya tiga paket: Paket 1 (kode dan penjelasan) Rp 300.000, Paket 2 (analisis data Anda dan interpretasi) Rp 900.000, dan Paket 3 (pendampingan lengkap) Rp 2.000.000, belum termasuk PPN 11%. Data yang besar, metode tambahan, atau tenggat ketat menyesuaikan penawaran setelah konsultasi singkat.
Lembar hasil memakai data sintetis sebagai ilustrasi. R adalah bahasa pemrograman proyek R Foundation; RStudio dan Posit adalah merek dagang Posit PBC.
Kembali ke portofolio R Studio