Tabel 3.12 Kategori variabel budaya etis organisasi
No Interval
Kategori 1.
3,6 - 7,89 Sangat tidak etis
2. 7,9 - 12,19
Tidak etis 3.
12,2 - 16,49 Cukup etis
4. 16,5 - 20,79
Etis 5.
20,8 – 25
Sangat Etis Sumber : data diolah , 2012
3.5.2 Statistik Inferensial
Dalam penelitian ini analisis data dilakukan dengan menggunakan Structural Equation Model SEM. SEM adalah suatu teknik statistik yang
mampu menganalisis pola hubungan antara konstruk laten dan indikatornya, konstruk laten yang satu dengan lainnya, serta kesalahan pengukuran secara
langsung. SEM merupakan keluarga statistik multivariate dependent, SEM memungkinkan dilakukannya analisis di antara beberapa variabel dependen dan
independen secara langsung Hait et al, 1995 dikutip dalam Pristiyani 2012. Selanjutnya menurut Pristiyanti 2012 keunggulan SEM antara lain SEM
memiliki kemampuan untuk menggambarkan pola hubungan antara konstruk laten unobserved dan variabel manifest variabel indikator, SEM juga memiliki
kemampuan untuk mengestimasi hubungan antar variabel yang bersifat multiple relationship yang dibentuk dalam model struktural.
SEM yang berbasis component atau variance merupakan alternatif covariance dengan pendekatan component based dengan PLS yang bertujuan
sebagai prediksi. Menurut Wold 1985 dalam Ghozali 2008 Partial Least Square PLS merupakan metode analisis yang powerfull karena tidak didasarkan
banyak asumsi. Data tidak harus berdistribusi normal multivariate indikator dengan skala kategori ordinal, interval sampai ratio dapat digunakan pada model
yang sama, sample tidak harus besar. Walaupun PLS dapat juga digunakan untuk mengkonfirmasi teori, tetapi juga dapat digunakan untuk menjelaskan ada atau
tidaknya hubungan antar variabel laten. Oleh karena lebih menitikberatkan data dan dengan prosedur estimasi yang terbatas, maka mispesifikasi model tidak
begitu berpengaruh terhadap estimasi parameter. Selain itu, tujuan PLS adalah membantu peneliti untuk tujuan prediksi. Model formalnya mendefinisikan
variabel laten adalah linear agregat dari indikator-indikatornya. Weight estimate untuk menciptakan komponen skor variabel laten didapat berdasarkan bagaimana
inner model model struktural yang menghubungkan antar variabel laten dan outer model model pengukuran yaitu hubungan antar indikator dengan
konstruknya dispesifikasi. Hasilnya adalah residual variance dari variabel dependen keduanya variabel laten dan indikator diminumkan.
Estimasi parameter yang didapat dengan PLS dapat dikategorikan menjadi tiga. Pertama, adalah weight estimate yang digunakan untuk menciptakan skor
variabel laten. Kedua, mencerminkan estimasi jalur path estimate yang menghubungakan variabel laten dan antar variabel laten dan blok indikatornya
loading. Ketiga adalah berkaitan dengan mean dan lokasi parameter nilai konstan regresi untuk indikator dan variabel laten. Untuk memperoleh ketiga
estimasi ini, PLS menggunakan proses iterasi tiga tahap dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama, menghasilkan weight estimate, tahap
kedua menghasilkan estimasi untuk inner model dan outer model, dan tahap
ketiga menghasilkan estimasi means dan lokasi konstanta. Dalam analisis dengan menggunakan PLS ada 2 hal yang dilakukan yaitu:
1. Menilai outer model atau measurement model
Ada tiga kriteria untuk menilai outer model yaitu convergent validity, discriminant validity dan composite reliability. Convergent validity dari model
pengukuran dengan refleksif indikator dinilai berdasarkan korelasi antara item scorecomponen score yang dihitung dengan PLS. Ukuran refleksif individual
dikatakan tinggi jika berkorelasi lebih dari 0,70 dengan konstruk yang diukur. Namun menurut Chin 1998 dalam Ghozali 2008 untuk penelitian tahap awal
dari pengembangan skala pengukuran nilai loading 0,5 sampai 0,6 dianggap cukup memadai. Discriminant validity dari model pengukuran dengan refleksif
indikator dinilai berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada ukuran konstruk
lainnya, maka hal tersebut menunjukkan konstruk laten memprediksi ukuran pada blok mereka lebih baik daripada ukuran pada blok lainnya.
Metode lain untuk menilai discriminant validity adalah membandingkan nilai square root of average variance extracted AVE setiap konstruk dengan korelasi
antara konstruk dengan konstruk lainnya dalam model Ghozali, 2008. Jika nilai akar kuadrat AVE setiap konstruk lebih besar daripada nilai korelasi antar
konstruk dengan konstruk lainnya dalam model, maka dikatakan memiliki nilai discriminant validity yang baik.
Pengukuran ini dapat digunakan untuk mengukur reliabilitas component score variabel laten dan hasilnya lebih konservatif dibandingkan dengan composite
reliability. Direkomendasikan nilai AVE harus lebih besar 0,50 Fornell dan Larcker, 1981 dalam Imam Ghozali, 2008. Composite reability yang mengukur
suatu konstruk dapat dievaluasi dengan dua macam ukuran yaitu internal consistency dan
cronbach’s alpha Ghozali, 2008.
2. Menilai Inner Model atau Structural Model
Pengujian inner model atau model struktural dilakukan untuk melihat hubungan antara konstruk, nilai signifikansi dan R-square dari model penelitian.
Model struktural dievaluasi dengan menggunakan R-square untuk konstruk dependen, Stone-Geisser Q-square test untuk predictive relevance dan uji t serta
signifikansi dari koefisien parameter jalur struktural. Dalam menilai model dengan PLS dimulai dengan melihat R-square untuk
setiap variabel laten dependen. Interpretasinya sama dengan interpretasi pada regresi. Perubahan nilai R-square dapat digunakan untuk menilai pengaruh
variabel laten independen tertentu terhadap variabel laten dependen apakah mempunyai pengaruh yang substantif Ghozali, 2008.
Hipotesis 1 sampai dengan hipotesis 7 akan diuji menggunakan alat analisis smartPLS2.0 dengan melihat nilai inner weight di dalam path coefficient
yang dihasilkan dari model. Pengambilan keputusan atas penerimaan atau penolakan hipotesis dilakukan dengan membandingkan nilai t-statistic dan nilai t-
tabel, jika t-statistic lebih kecil dari nilai t-tabel, maka H0 diterima, jika nilai t- statistic lebih besar dari nilai t-tabel, maka H0 ditolak dan Ha diterima. Nilai t-
tabel dalam penelitian ini adalah sebesar 1,983 untuk probabilitas 5 0,05.
Tabel 3.13 Ilustrasi Uji Hipotesis Berdasarkan
Path Coefficient
Variabel Original
Sample T-Statistic
Keputusan PP → KK
x y
H1 ditolakditerima KPI → KK
x y
H2 ditolakditerima AI → KK
x y
H3 ditolakditerima
KD → KK x
y H4 ditolakditerima
KP → KK x
y H5 ditolakditerima
KO → KK x
y H6 ditolakditerima
BEO → KK x
y H7 ditolakditerima
Sumber: Output PLS, 2013
Tabel 3.14 Kriteria Penerimaan dan Penolakan Hipotesis
Original Sample T-Statistic
Keputusan x negatif
y 1,983 Hipotesis ditolak
x negatif y 1,983
Hipotesis diterima x positif
y 1,983 Hipotesis ditolak
x positif y 1,983
Hipotesis diterima Sumber : Output PLS, 2013
94
BAB IV HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian 4.1.1 Deskripsi Obyek Penelitian
Obyek dari penelitian ini adalah seluruh Dinas Provinsi Daerah Istimewa Yogyakarta kecuali Dinas Pendidikan Pemuda dan Olahraga dikarenakan dinas
tersebut dijadikan obyek dari pilot study atau pre-test. Responden pada penelitian ini adalah pegawai negeri sipil yang bekerja pada subbagian keuangan dinas
tersebut. Data dikumpulkan dengan metode angket yang disebarkan ke dinas-dinas
yang menjadi obyek penelitian yang berjumlah 12 dinas pada bulan Maret-April 2013. Pengembalian kuesioner dibatasi dengan jangka waktu 2 minggu 14 hari.
Jumlah kuesioner yang disebar sebanyak 128 kuesioner, sedangkan kuesioner yang kembali hanya sebanyak 118 kuesioner sementara kuesioner yang memenuhi
syarat sebanyak 111 kuesioner atau sebanyak 86,7 . Hasil pengumpulan angket atau kuesioner yang kembali dan memenuhi
syarat adalah sebagai berikut :
Tabel 4.1 Tingkat Pengembalian kuesioner Keterangan
Jumlah Presentase
Kuesioner yang disebar 128
100 Kuesioner yang tidak kembali
10 7,8
Kuesioner yang kembali 118
92,1 Kuesioner yang tidak memenuhi syarat
7 5,5
Kuesioner yang memenuhi syarat 111
86,7 Sumber : Data diolah , 2013
