Tabel 4.6 Distribusi Frekuensi Variabel Akuntabilitas Pengelolaan Keuangan
Sumber: Data primer, 2016
4.2. Analisis Data
Teknik pengolahan data yang digunakan dalam penelitian ini adalah menggunakan metode SEM structural equation modeling berbasis partial least
squares dengan alat analisis data SmartPLS 3.0. SEM berbasis partial least squares meliputi uji outer model atau measurement model atau model pengukuran yang
menunjukkan bagaimana variabel manifest merepresentasi variabel laten untuk diukur. Uji outer model atau measurement model atau model pengukuran
didalamnya terdapat uji validitas dan uji reliabilitas. Kedua uji inner model atau structural model atau model struktural yang menguji pengaruh variabel laten
dengan variabel konstruknya.
4.3. Uji Outer Model atau Measurement Model
Uji outer model digunakan untuk menguji validitas dan reliabilitas. Kriteria yang digunakan untuk menilai outer model antara lain adalah validitas
convergentdan reliabilitas. Interval Persen
Kriteria Frekuensi
Persentase
20 Skor ≤ 36 Sangat Tidak Baik
- -
36 Skor ≤ 52 Tidak Baik
- -
52 Skor ≤ 68 Kurang Baik
- -
68 Skor ≤ 84 Baik
26 32.91
84 Skor ≤ 100 Sangat Baik
53 67.09
Jumlah 79
100.00 Tertinggi
100.00 Terendah
74.29 Rata-rata
89.80 Kriteria
SB
4.3.1. Uji Validitas Convergent
Uji validitas convergent dari measurement outer model digunakan untuk menguji validitas indikator dengan melihat masing-masing konstruk. Validitas
convergent dengan indikator reflektif dinilai berdasarkan korelasi antara item score ataucomponent dengan construct score yang dihitung dengan PLS. Uji validitas
convergent indikator reflektif dengan program SmartPLS 3.0 dapat dilihat dari
loading factor, average variance extracted AVE. 4.3.1.1.Loading Factor
Nilai loading factor menjadi kriteria dalam menilai validitas convergent. Jika dilihat dari loading factor maka ukuran model reflektif dikatakan bagus apabila
nilai loading factor lebih dari 0,50. Konstruk dengan nilai loading factor kurang dari 0,50 harus dihapus atau didrop agar dapat menghasilkan model yang baik dari
sebelumnya. Hasil Loading factor dari pengujian data kuesioner responden disajikan dalam tabel 4.7.
Tabel 4.7 Outer Loadings Mean, STDEV, T-Values, P-Values
Original Sample
O Sample
Mean M
Standard Deviation
STDEV T Statistics
|OSTDEV| P Values
AKSES.1 - AKSES 0.789
0.786 0.069
11.480 0.000
AKSES.2 - AKSES 0.817
0.814 0.050
16.406 0.000
AKSES.3 - AKSES 0.775
0.770 0.064
12.177 0.000
AKT.1 - AKT 0.779
0.782 0.049
15.781 0.000
AKT.10 - AKT 0.670
0.670 0.087
7.717 0.000
AKT.3 - AKT 0.831
0.834 0.028
29.422 0.000
AKT.5 - AKT 0.685
0.676 0.087
7.843 0.000
AKT.6 - AKT 0.668
0.666 0.082
8.120 0.000
AKT.8 - AKT 0.695
0.689 0.086
8.101 0.000
AKT.9 - AKT 0.815
0.815 0.047
17.325 0.000
PLK.1 - PLK 0.652
0.647 0.083
7.870 0.000
Lanjutan Tabel 4.7
Sumber data: Output SmartPLS 3.0, 2016 Tabel 4.7 outer loadings menunjukkan bahwa seluruh konstruk mempunyai
nilai loading factor di atas 0,5 dan signifikan t-statistic lebih besar daripada t- tabel. Penyajian laporan keuangan mempunyai 8 konstruk yang memiliki nilai
loading factor lebih dari 0,5 dan signifikan lebih dari 1,96 t-statistic lebih besar daripada t-tabel, selanjutnya untuk aksesibilitas laporan keuangan mempunyai 3
konstruk, sistem pengendalian internal memiliki 7 konstruk yang memiliki nilai loading factor lebih dari 0,5 dan signifikan lebih dari 1,96 t-statistic lebih besar
daripada t-tabel. Variabel laten akuntabilitas pengelolaan keuangan desa mempunyai 7 konstruk yang memiliki nilai loading factor lebih dari 0,50 dan
signifikan lebih dari 1,96 t-statistic lebih besar daripada t-tabel.Tetapi, penelitian ini masih dapat menerima nilai loading factor 0,50 sampai 0,60 sesuai dengan tahap
pengembangan skala. Sehingga, indikator konstruk dengan nilai loading factor Original
Sample O
Sample Mean
M Standard
Deviation STDEV
T Statistics |OSTDEV|
P Values PLK.2 - PLK
0.675 0.666
0.085 7.922
0.000 PLK.3 - PLK
0.850 0.847
0.040 21.242
0.000 PLK.4 - PLK
0.671 0.663
0.092 7.305
0.000 PLK.5 - PLK
0.693 0.695
0.080 8.692
0.000 PLK.6 - PLK
0.819 0.811
0.052 15.857
0.000 PLK.7 - PLK
0.676 0.670
0.082 8.244
0.000 PLK.8 - PLK
0.605 0.599
0.100 6.065
0.000 SPI.1 - SPI
0.802 0.751
0.183 4.371
0.000 SPI.2 - SPI
0.718 0.654
0.179 4.006
0.000 SPI.3 - SPI
0.716 0.645
0.193 3.701
0.000 SPI.4 - SPI
0.672 0.630
0.172 3.906
0.000 SPI.6 - SPI
0.597 0.558
0.200 2.982
0.003 SPI.8 - SPI
0.662 0.596
0.193 3.424
0.001 SPI.9 - SPI
0.770 0.701
0.183 4.218
0.000
original sample yang kurang dari 0,5 harus di dihapus drop agar mampu menghasilkan model yang lebih baik dari model sebelumnya.
4.3.1.2.Average Variance Extracted AVE
Average Variance Extracted
AVE merupakan salah satu paramater untuk menilai validitas convergent. Variabel laten dikatakan valid jika nilai AVE harus
lebih dari 0,5. Nilai AVE direkomendasikan harus lebih dari 0,5 mempunyai arti bahwa 50 atau lebih variance dari indikator dapat dijelaskan Ghozali dan Latan,
2012. Hasil pengujian AVE dari responden disajikan dalam tabel 4.8.
Tabel 4.8 Average Variance Extracted AVE
Sumber data: Output SmartPLS 3.0, 2016 Berdasarkan hasil pengujian AVE dilihat dalam Tabel 4.8 atau bentuk
diagram pada Lampiran. Average Variance Extracted AVE menunjukkan bahwa variabel laten endogen yaitu akuntabilitas pengelolaan keuangan memiliki nilai
AVE 0,544 sehingga bisa dikatakan valid karena nilai AVE lebih dari 0,50. Variabel laten eksogen yaitu penyajian laporan keuangan dengan nilai AVE sebesar 0,504,
aksesibilitas laporan keuangan dengan nilai AVE sebesar 0,630, dan sistem pengendalian internal dengan nilai AVE 0,543. Dilihat dari nilai AVE keseluruhan
Average Variance Extracted AVE
AKSES 0.630
AKT 0.544
PLK 0.504
SPI 0.501
variabel laten maka dapat diketahui bahwa untuk semua variabel laten adalah valid karena memiliki nilai AVE di atas 0,50.
4.3.2. Uji Reliabilitas
Uji reliabilitas dilakukan untuk membuktikan akurasi, konsistensi, dan ketepatan instrumen dalam mengukur konstruk Ghozali dan Latan, 2012. PLS-
SEM menggunakan program SmartPLS3.0, untuk mengukur reliabilitas suatu konstruk dengan indikator reflektif dapat dilakukan dengan dua cara yaitu dengan
melihat nilai Cronbach’s Alpha dan Composite Reliability. Konstruk dinyatakan
reliable jika nilai Cronbach’s Alpha dan Composite Reliability di atas 0,70. Berikut
hasil output nilai Cronbach’s Alpha dan Composite Reliability dengan
menggunakan SmartPLS3.0 dapat dilihat pada tabel 4.9.
Tabel 4.9 Composite Reliability dan Cronbachs Alpha
Sumber data: Output SmartPLS 3.0, 2016 Berdasarkan hasil olah data pada tabel 4.9, nilai composite reliability
maupun cronbachs alpha seluruh konstruk di atas 0,70. Nilai tersebut menunjukkan bahwa konsistensi dan stabilitas dari instrumen yang digunakan sangat tinggi, maka
konstruk atau variabel dalam model penelitian ini telah menjadi alat ukur yang fit dan semua pertanyaan yang diajukan kepada responden untuk mengukur masing-
masing konstruk dalam penelitian merupakan pertanyaan yang reliabel. Sehingga Cronbachs
Alpha Composite
Reliability AKSES
0.707 0.836
AKT 0.860
0.892 PLK
0.859 0.889
SPI 0.838
0.875
dapat ditarik kesimpulan bahwa masing-masing konstruk yang digunakan dalam model penelitian ini memiliki tingkat reliabilitas yang baik.
4.4. Uji Inner Model atau Structural Model
Pengujian inner model atau model struktural dilakukan untuk melihat hubungan antar konstruk, nilai signifikan, dan R-square dari model penelitian.
Model struktural dievaluasi dengan menggunakan R-square untuk konstruk dependen, Stone-Geiser Q-Square untuk predictive relevance dan uji t serta
signifikan dari koefisien parameter jalur struktural. Penilaian model dengan PLS, dapat dimulai dengan melihat R-square untuk variabel laten dependen.
Hasil pengujian dari R-square menggunakan SmartPLS 3.0 yang terdapat
dalam Gambar 4.1.
Sumber data: Output SmartPLS 3.0, 2016
Gambar 4.1. Diagram R Square
R Square AKT
0,483
Berdasarkan hasil Gambar 4.1, nilai R-Square dari variabel laten dependen akuntabilitas pengelolaan keuangan desa adalah 0,483. Nilai tersebut dapat
diartikan bahwa variabilitas konstruk akuntabilitas pengelolaan keuanga desa yang dapat dijelaskan oleh konstruk dalam penelitian adalah sebesar 48,3 sementara
51,7 lainnya dijelaskan oleh faktor lain diluar penelitian ini.
4.5. Uji Structural Equation Model SEM
Metode pengujian hipotesis dalam penelitian ini adalah menggunakan Structural Equation Model SEM berbasis variance dengan menggunakan
SmartPLS 3.0. Hasil pengujian Full Model SEM Algorthm ada pada gambar 4.2.
Sumber data: Output SmartPLS 3.0, 2016
Gambar 4.2. Uji Full Model SEM PLS Algorithm
Penelitian ini menggunakan 1 variabel endogen variabel dependen yaitu akuntabilitas pengelolaan keuangan, 3 variabel eksogen variabel independen yaitu
penyajian laporan keuangan, aksesibilitas laporan keuangan, sistem pengendalian internal dan 16 indikator. Indikator yang digunakan dalam penelitian ini adalah
indikator reflektif, sehingga arah hubungan kausalitas berasal dari konstruk menuju ke indikator.
4.6. Uji Hipotesis
