penegakan hukum PH sebesar 0,756491903, lebih tinggi daripada korelasi antara penegakan hukum PH dengan konstruk lainnya dalam model. Akar AVE
konstruk fraud di sektor pemerintahan FRAUD sebesar 0,867823139 lebih tinggi
daripada korelasi antara konstruk fraud di sektor pemerintahan FRAUD dengan konstruk lainnya dalam model.
Dari Tabel diatas menunjukan bahwa nilai akar kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antara konstruk dengan konstruk
lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik Ghozali, 2011:42.
4.6 Uji Inner Model atau Struktural Model
Pengujian inner model atau model struktural dilakukan untuk melihat hubungan antar konstruk, nilai signifikansi dan R-square dari model penelitian.
Model struktural dievaluasi dengan menggunakan R-square untuk konstruk dependen, Stone-Geisser test untuk predictive relevance dan uji t serta
signifikansi koefisien parameter jalur struktural.
Tabel 4.30 R Square
R Square
Keefektifan Sistem Pengendalian Internal Kesesuaian Kompensasi
Kultur Organisasi Perilaku Tidak Etis
Gaya Kepemimpinan Sistem Pengendalian Internal
Penegakan Hukum Fraud
0,931908
Sumber: Lampiran 6
Tabel 4.30 menunjukan bahwa nilai R-square fraud di sektor pemerintahan FRAUD 0,931908. Nilai R-square sebesar 0,931908 memiliki arti
bahwa variabilitas konstruk fraud di sektor pemerintahan yang dapat di jelaskan oleh variabilitas konstruk Keefektifan Sistem Pengendalian Internal KSPI,
Kesesuaian Kompensasi KK, Kultur Organisasi KO, Perilaku Tidak Etis PTE, Gaya Kepemimpinan GK, Sistem Pengendalian Internal SPI, dan
Penegakan Hukum PH sebesar 93,19 . Sedangkan 6,81 dijelaskan oleh variabel lain di luar yang diteliti. Semakin besar angka R-square menunjukkan
semakin besar variabel independen tersebut dapat menjelaskan variabel dependen sehingga semakin baik persamaan strukturalnya.
4.7 Pengujian Struktural Equation Model SEM
Metode analisis utama dalam penelitian ini dilakukan dengan Structural Equation Modeling SEM. Pengujian dilakukan dengan bantuan program Smart
PLS 2.0. Gambar 4.1 berikut ini menyajikan hasil pengujian Full Model SEM menggunakan PLS sebagai berikut:
Gambar 4.1 Uji Full Model SEM Menggunakan PLS
Berdasarkan hasil pengujian menggunakan smartPLS sebagaimana di tunjukan pada Gambar 4.1 diatas, dapat diketahui bahwa tidak terdapat nilai
loading factor dibawah 0.50 selain untuk indikator SPI yang menggunakan indikator formatif, sehingga tidak harus dilakukan drop data untuk menghapus
indikator yang bernilai loading dibawah 0.50 agar memperoleh model yang baik.
4.8 Pengujian Hipotesis
