Gambar 4
Model Struktural menggunakan SmartPLS
1. Prosedur Bootstrapping
Wong 2013 menyatakan SmartPLS dapat menghasilkan nilai t-statistic untuk pengujian signifikansi structural model dan measurement model dengan prosedur
bootstrapping. Menurut Hair, et al. 2014 PLS-SEM menggunakan prosedur bootstrap untuk menguji signifikansi terhadap koefisien serta mengevaluasi
measurement model dan structural model, dimana prosedur bootstrap disebut juga dengan nonparametric evaluation criteria. Dalam prosedur bootstrapping,
sejumlah subsampel diambil secara acak dari sampel asli dengan replacement. Selanjutnya masing-masing subsampel dipakai untuk mengestimasi model. Proses
ini diulang sampai sejumlah subsampel random telah dihasilkan sekitar 5000. Dari 5000 subsampel tersebut dihasilkan 5000 model path PLS. Dengan proses ini t-
values dikalkulasi untuk menilai signifikansi masing-masing indicator weight.
KUALITA S AUDIT
Integritas Obyektivitas
Kerahasiaan Kompetensi
commit to user
2. Evaluasi Outer Model Model Pengukuran Indikator Formatif
Outer model menggambarkan relasi antara variabel laten dengan variabel observedmanifest. Berdasarkan Henseler, et al. 2009 yang mengacu dari
pendapat Bollen 1989 dan Bagozzi 1994 dalam indikator formatif tidak bisa dilakukan pengujian validitas convergent validity, discriminant validity dan
reliabilitas internal consistency seperti halnya pengujian untuk indikator reflektif. Hal tersebut disebabkan adanya asumsi measurement yang error-free dalam model
indikator formatif. Henseler, et al. 2009 mengambil pendapat dari Diamantopoulos 2006
bahwa untuk mengetahui kualitas measurement dari indikator formatif tidaklah relevan apabila digunakan pengujian reliabilitas, oleh karena itu validitas menjadi
hal yang penting dalam mengevaluasi indikator formatif. Kemudian untuk mengukur validitas indikator formatif, Henseler, et al. 2009 menyetujui pendapat
dari Rossiter 2002 bahwa diperlukan rasionalisasi teori dan opini para ahli. Pengukuran validitas secara statistik dapat dilakukan dengan melihat outer weight
dan adanya multikolinieritas Ghozali, 2014; Wong, 2013. Namun ditekankan oleh Henseler, et al. 2009 dan Mohamad 2012 bahwa indikator formatif tidak dapat
dieliminasi hanya berdasarkan output statistik, karena peneliti harus tetap mempertahankan indikator formatif baik yang signifikan maupun tidak signifikan
dalam evaluasi model pengukuran, selama indikator tersebut dapat dijustifikasi secara teori.
commit to user
Gambar 5
Full model Hasil Proses Bootstrapping SmartPLS Sumber : output SmartPLS 2015
a. Evaluasi outer model konstruk INTEGRITAS Evaluasi outer model dilakukan dengan Bootstraping. Hasilnya diketahui
bahwa nilai outer weight untuk indikator INT1-INT6 berturut-turut adalah 1,529; 4,293; 0,475; 0,358; 1,039 dan 3,894. Untuk melihat signifikansi outer weight
indikator diketahui dari Bootstraping, yaitu melihat nilai T-Statistic. Wong 2013 perpustakaan.uns.ac.id
commit to user
mengatakan indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan masing-masing 1,6558. 1,6558 adalah critical value uji one-tail untuk
signifikansi 5 Ghozali, 2011. Hasil Bootstrapping sebagai berikut :
Tabel 9 Signifikansi
outer weight dan outer loading konstruk Integritas
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
INT1 - INTEGRITAS 1,5289
9,4312 Valid
INT2 - INTEGRITAS 4,2931
12,7442 Valid
INT3 - INTEGRITAS 0,4747
8,5543
Valid
INT4 - INTEGRITAS 0,3575
5,1302
Valid
INT5 - INTEGRITAS 1,0395
5,7157 Valid
INT6 - INTEGRITAS 3,8935
13,0914 Valid
Sumber : hasil pengolahan output SmartPLS 2015
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic untuk Outer weight indikator INT3, INT4 dan INT5 1,6558 namun Outer loading
seluruh indikator 1,6558 sehingga menurut Wong 2013 indikator tersebut valid untuk mengukur konstruk Integritas.
Untuk mengetahui multikolinieritas antar indikator, Hair, et al. 2014 menggunakan regresi untuk melihat nilai VIF dan tolerance. Hal ini dilakukan
untuk menguji validitas dalam evaluasi indikator formatif. Regresi dilakukan dengan menggunakan seluruh indikator pada Konstruk Integritas sebagai variabel
independen dan salah satu indikator pada Konstruk yang lain yang tidak termasuk dalam model pengukuran suatu konstruk sebagai variabel dependen. Dalam
pengujian ini dilakukan regresi dari seluruh indikator konstruk Integritas dengan indikator Obyektivitas Auditor 1. Hasilnya sebagai berikut :
commit to user
Tabel 10 Hasil uji multikolinieritas konstruk Integritas
Indikator Konstruk
Collineary Statistic Keterangan
Tolerance VIF
Integritas Auditor 1 0,614
1,629 Tdk terdapat multikolinieritas
Integritas Auditor 2 0,621
1,61 Tdk terdapat multikolinieritas
Integritas Auditor 3 0,477
2,095 Tdk terdapat multikolinieritas
Integritas Auditor 4 0,578
1,73 Tdk terdapat multikolinieritas
Integritas Auditor 5 0,784
1,275 Tdk terdapat multikolinieritas
Integritas Auditor 6 0,65
1,539 Tdk terdapat multikolinieritas
Sumber : output SPSS 2015 Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance 0,1 dan VIF
10 Ghozali, 2011 yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk INTEGRITAS.
b. Evaluasi outer model Konstruk OBYEKTIVITAS Evaluasi outer model dengan menggunakan metode Bootstraping. Hasilnya
diketahui bahwa nilai outer weight untuk indikator OBY1-OBY5 berturut-turut adalah 2,085; 1,248, 2,457, 1,618 dan 5,935. Kemudian untuk melihat signifikansi
didalam outer weight indikator tersebut dapat diketahui dengan metode Bootstrapping, yaitu melihat nilai T-Statistic. Wong 2013 mengatakan bahwa
indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan masing-masing 1,6558 untuk tingkat signifikansi 5 dengan uji one-tailed.
Hasil dari Bootstrapping sebagai berikut : perpustakaan.uns.ac.id
commit to user
Tabel 11 Signifikansi
outer weight dan outer loading konstruk Obyektivitas
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
OBY1 - OBYEKTIVITAS 2,0847
8,0567
Valid
OBY2 - OBYEKTIVITAS 1,2479
6,7315 Valid
OBY3 - OBYEKTIVITAS 2,4567
6,7251 Valid
OBY4 - OBYEKTIVITAS 1,6177
5,6707 Valid
OBY5 - OBYEKTIVITAS 5,935
15,176
Valid
Sumber : hasil pengolahan output SmartPLS 2015
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic untuk Outer weight indikator OBY2 dan OBY4 1,6558 namun Outer loading
masing-masing indikator 1,6558, sehingga menurut Wong 2013 indikator- indikator tersebut valid untuk mengukur konstruk Obyektivitas.
Untuk mengukur adanya multikolinieritas antar indikator, Hair, et al. 2014 menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi
dilakukan dengan menggunakan seluruh indikator pada Konstruk Obyektivitas sebagai variabel independen dan salah satu indikator pada Konstruk yang lain yang
tidak termasuk dalam model pengukuran suatu konstruk sebagai variabel dependen. Dalam pengujian ini dilakukan regresi terhadap seluruh indikator
konstruk Obyektivitas dengan indikator Integritas Auditor 1. Hasilnya sebagai berikut :
Tabel 12 Hasil uji multikolinieritas konstruk Obyektivitas
Indikator Konstruk Collineary Statistic
Ket Tolerance
VIF
Obyektivitas Auditor 1 0,632
1,581 Tdk terdapat multikolinieritas
Obyektivitas Auditor 2 0,744
1,344 Tdk terdapat multikolinieritas
commit to user
Tabel 12 Lanjutan Hasil uji multikolinieritas konstruk Obyektivitas
Indikator Konstruk Collineary Statistic
Ket Tolerance
VIF
Obyektivitas Auditor 3 0,757
1,321 Tdk terdapat multikolinieritas
Obyektivitas Auditor 4 0,711
1,405 Tdk terdapat multikolinieritas
Obyektivitas Auditor 5 0,746
1,341 Tdk terdapat multikolinieritas
Obyektivitas Auditor 6 0,632
1,581 Tdk terdapat multikolinieritas
Sumber : hasil pengolahan output SPSS 2015 Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance 0,1 dan VIF
10 Ghozali, 2011 yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk OBYEKTIVITAS.
c. Evaluasi outer model Konstruk KOMPETENSI Evaluasi outer model dilakukan dengan metode Bootstraping. Hasilnya
diketahui bahwa nilai outer weight untuk indikator KPT1-KPT6 berturut-turut adalah 0,453; 2,478; 1,218; 4,616 dan 0,522. Kemudian untuk melihat signifikansi
dari outer weight indikator tersebut dapat diketahui dengan metode Bootstraping, yaitu melihat nilai T-Statistic. Wong 2013 mengatakan bahwa indikator akan
dihapuskan apabila outer weight dan outer loading tidak signifikan masing-masing 1,6558. Hasil dari Bootstrapping sebagai berikut :
Tabel 13 Signifikansi
outer weight dan outer loading konstruk Kompetensi
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
KPT1 - KOMPETENSI 0,4532
5,9246 Valid
KPT2 - KOMPETENSI 2,4775
11,135 Valid
commit to user
Tabel 13 Lanjutan Signifikansi
outer weight dan outer loading konstruk Kompetensi
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
KPT3 - KOMPETENSI 1,2177
6,2107
Valid
KPT4 - KOMPETENSI 4,6158
12,0378 Valid
KPT5 - KOMPETENSI 0,5217
7,2367 Valid
KPT6 - KOMPETENSI 3,5817
6,3335 Valid
Sumber : hasil pengolahan output SmartPLS 2015
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic untuk Outer weight KPT1, KPT3 dan KPT5 1,6558 namun Outer loading semua
indikator 1,6558, sehingga menurut Wong 2013 indikator-indikator tersebut valid untuk mengukur konstruk Kompetensi.
Untuk mengetahui adanya multikolinieritas antar indikator, Hair, et al. 2014 menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi
dilakukan dengan menggunakan seluruh indikator pada Konstruk Kompetensi sebagai variabel independen dan salah satu indikator pada Konstruk yang lain yang
tidak termasuk dalam model pengukuran suatu konstruk sebagai variabel dependen. Dalam pengujian ini dilakukan regresi dari seluruh indikator konstruk
Kompetensi dengan indikator Obyektivitas Auditor 1. Hasilnya sebagai berikut :
Tabel 14 Hasil uji multikolinieritas konstruk Kompetensi
Indikator Konstruk Collineary Statistic
Ket Tolerance
VIF
Kompetensi Auditor 1 0,515
1,941 Tdk terdapat multikolinieritas
Kompetensi Auditor 2 0,442
2,263 Tdk terdapat multikolinieritas
Kompetensi Auditor 3 0,522
1,917 Tdk terdapat multikolinieritas
commit to user
Tabel 14 Lanjutan Hasil uji multikolinieritas konstruk Kompetensi
Indikator Konstruk Collineary Statistic
Ket Tolerance
VIF
Kompetensi Auditor 4 0,683
1,464 Tdk terdapat multikolinieritas
Kompetensi Auditor 5 0,449
2,229 Tdk terdapat multikolinieritas
Sumber : hasil pengolahan output SPSS 2015
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance 0,1 dan VIF 10 Ghozali, 2011 yang mengindikasikan tidak ada multikolinieritas antar
indikator formatif dalam konstruk Kompetensi.
d. Evaluasi outer model Konstruk KERAHASIAAN Evaluasi outer model dilakukan menggunakan metode Bootstraping. Hasilnya
diketahui bahwa nilai outer weight untuk indikator RHS1-RHS5 berturut-turut adalah 3,679; 4,796; 0,545; 2,189 dan 4,461. Kemudian untuk melihat signifikansi
dari outer weight indikator tersebut dapat diketahui dengan metode Bootstraping, yaitu melihat nilai T-Statistic. Wong 2013 mengatakan bahwa indikator akan
dihapuskan apabila outer weight dan outer loading tidak signifikan masing-masing 1,6558. Hasil dari Bootstrapping sebagai berikut :
Tabel 15 Signifikansi
outer weight dan outer loading konstruk Kerahasiaan
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
RHS1 - KERAHASIAAN 3,6788
9,2391
Valid
RHS2 - KERAHASIAAN 4,7956
13,1957 Valid
RHS3 - KERAHASIAAN 0,5453
4,1796 Valid
commit to user
Tabel 15 Lanjutan Signifikansi
outer weight dan outer loading konstruk Kerahasiaan
Indikator Formatif Outer
Weights Outer
Loading Ket
T Statistics T Statistics
RHS4 - KERAHASIAAN 2,1894
5,6789
Valid
RHS5 - KERAHASIAAN 4,461
12,1955 Valid
Sumber : hasil pengolahan output SmartPLS 2015
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic untuk Outer weight indikator RHS3 1,6558 namun Outer loading seluruh
indikator 1,6558, sehingga menurut Wong 2013 indikator-indikator tersebut valid untuk mengukur konstruk Kerahasiaan.
Untuk mengukur adanya multikolinieritas antar indikator, Hair, et al. 2014 menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi
dilakukan dengan menggunakan seluruh indikator pada Konstruk Kerahasiaan sebagai variabel independen dan salah satu indikator pada Konstruk yang lain yang
tidak termasuk dalam model pengukuran suatu konstruk sebagai variabel dependen. Hasilnya sebagai berikut :
Tabel 16 Hasil uji multikolinieritas konstruk Kerahasiaan
Indikator Konstruk Collineary Statistic
Ket Tolerance
VIF
Kerahasiaan Auditor 1 0,729
1,372 Tdk terdapat multikolinieritas
Kerahasiaan Auditor 2 0,667
1,499 Tdk terdapat multikolinieritas
Kerahasiaan Auditor 3 0,801
1,248 Tdk terdapat multikolinieritas
Kerahasiaan Auditor 4 0,849
1,177 Tdk terdapat multikolinieritas
Kerahasiaan Auditor 5 0,718
1,393 Tdk terdapat multikolinieritas
Sumber : hasil pengolahan output SPSS 2015 perpustakaan.uns.ac.id
commit to user
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance 0,1 dan VIF 10 Ghozali, 2011 yang mengindikasikan tidak ada multikolinieritas antar
indikator formatif dalam konstruk Kerahasiaan.
3. Evaluasi Outer model model Pengukuran indikator reflektif
Kategori