98 dikarenakan responden dalam penelitian ini didominasi oleh
auditor senior dan auditor junior.
B. Hasil Uji Instrumen Penelitian
1. Hasil Uji Statistik Deskriptif Variabel yang digunakan dalam penelitian ini meliputi
profesionalisme, keahlian, kompetensi bukti, dan pengungkpan korupsi akan diuji secara statistik deskriptif seperti yang terlihat dalam tabel 4.8
Tabel 4.8 Hasil Uji Statistik Deskriptif
N Min
Max Mean
Std. Deviation
Profesionalisme 64
15 25
21,03 2,714
Keahlian 64
21 45
36,48 4,928
KompetensiBukti 64
12 30
23,83 3,170
PengungkapanKorupsi 64
24 40
32,77 2,866
Valid N listwise 64
Sumber : Data primer yang diolah
Tabel 4.8 menjelaskan bahwa pada variabel profesionalisme
memiliki jawaban minimum responden sebesar 15 dan maksimum sebesar 25, dengan rata-rata total jawaban 21,03 dan standar deviasi 2,714. Nilai
standar deviasi menunjukkan adanya penyimpangan sebesar 2,714 dari nilai rata-rata jawaban responden atas pernyataan tentang profesionalisme
yang besarnya 21,03. Variabel keahlian memiliki jawaban minimum responden sebesar 21 dan maksimum sebesar 45, dengan rata-rata total
jawaban 36,48 dan standar deviasi 4,928. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 4,928 dari nilai rata-rata
99 jawaban responden atas pernyataan tentang keahlian yang besarnya 36,48.
Variabel kompetensi bukti memiliki jawaban minimum responden sebesar 12 dan maksimum sebesar 30, dengan rata-rata total jawaban 23,83 dan
standar deviasi 3,170. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 3,170 dari nilai rata-rata jawaban responden atas
pernyataan tentang kompetensi bukti yang besarnya 23,83. Dan variabel pengungkapan korupsi memiliki jawaban minimum responden sebesar 24
dan maksimum sebesar 40, dengan rata-rata total jawaban 32,77 dan standar deviasi 2,866. Nilai standar deviasi menunjukkan adanya
penyimpangan sebesar 2,866 dari nilai rata-rata jawaban responden atas pernyataan tentang pengungkapan korupsi yang besarnya 32,77.
Berdasarkan hasil uji statsitik deskriptif di atas dapat diambil kesimpulan bahwa rata-rata jawaban responden untuk variabel profesionalisme,
keahlian, kompetensi bukti, dan pengungkapan korupsi adalah setuju. 2. Hasil Uji Outer Model atau Measurement Model
Terdapat tiga kriteria di dalam penggunaan teknik analisis data dengan SmartPLS untuk menilai outer model yaitu Convergent Validity, Discriminant
Validity dan Reliability.
a. Hasil Convergent Validity
Convergent Validity dari model pengukuran reflektif indikator
dinilai berdasarkan korelasi antara item score atau component score yang di estimasi dengan software SmartPLS. Ukuran reflektif individual
dikatakan tinggi jika berkorelasi lebih tinggi dari 0,70 dengan konstruk
100 yang diukur. Namun menurut Chin 1998 dalam Ghozali 2015:74 untuk
penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50 sampai 0,60 dianggap cukup memadai. Dalam penelitian ini akan
digunakan batas laoding factor sebesar 0,60.
Tabel 4.9 Outer Loading
PROF KEAH
KOMP PGKPN
Pro_1 0,7678
Pro_2 0,7496
Pro_3 0,6717
Pro_4 0,7034
Pro_5 0,8053
Kh_1 0,5845
Kh_2 0,7309
Kh_3 0,7861
Kh_4 0,5877
Kh_5 0,6710
Kh_6 0,6973
Kh_7 0,7534
Kh_8 0,7855
Kh_9 0,6304
Kb_1 0,7033
Kb_2 0,7023
Kb_3 0,7780
Kb_4 0,7940
Kb_5 0,7646
Kb_6 0,5995
Pk_1 0,7768
Pk_2 0,7626
Pk_3 0,8090
Pk_4 0,8618
Pk_5 0,8535
Pk_6 0,7399
Pk_7 0,5180
Pk_8 0,7482
Sumber : Data primer yang diolah
101 Hasil pengolahan dengan menggunakan SmartPLS dapat dilihat
pada tabel 4.9. Nilai outer model atau korelasi antar konstruk dengan variabel pada awalnya belum memenuhi Convergent Validity terdapat
empat indikator dengan nilai loading factor kurang dari 0,60 yaitu indikator Kh_1, Kh_4. Kb_6 dan Pk_7. Untuk itu, indikator tersebut harus
dikeluarkan dari model.
Tabel 4.10 Outer Loading Modifikasi
PROF KEAH
KOMP PGKPN
Pro_1 0,7726
Pro_2 0,7457
Pro_3 0,6719
Pro_4 0,6999
Pro_5 0,8059
Kh_2 0,7330
Kh_3 0,7634
Kh_5 0,6318
Kh_6 0,7504
Kh_7 0,7958
Kh_8 0,8265
Kh_9 0,6807
Kb_1 0,7063
Kb_2 0,7224
Kb_3 0,7655
Kb_4 0,7862
Kb_5 0,7891
Pk_1 0,7909
Pk_2 0,7822
Pk_3 0,8362
Pk_4 0,8607
Pk_5 0,8390
Pk_6 0,7412
Pk_8 0,7278
Sumber : Data primer yang diolah
Modifikasi model dilakukan dengan mengeluarkan indikator indikator yang memiliki nilai loading factor di bawah 0,60 dan dilakukan
102 run ulang. Pada model modifikasi sebagaimana pada tabel 4.10 tersebut
menunjukkan bahwa semua loading factor memiliki nilai di atas 0,60, sehingga konstruk untuk semua variabel sudah tidak ada yang dieliminasi
dari model. Semua indikator dalam Tabel Outer Loading Modifikasi memiliki nilai diatas 0,60 sehingga menunjukkan tiap indikator signifikan
terhadap konstruknya atau menunjukkan nilai seluruh variabel dinyatakan valid.
b. Hasil Discriminant Validity
Discriminant Validity dilakukan untuk memastikan bahwa setiap
konsep dari masing-masing variabel laten berbeda dengan variabel lainnya. Model mempunyai Discriminant Validity yang baik jika setiap
nilai loading dari setiap indikator dari sebuah variabel laten memiliki nilai loading
yang paling besar dengan nilai loading lain terhadap variabel laten lainnya. Hasil pengujian Discriminant Validity diperoleh sebagai berikut:
103
Tabel 4.11 Cross Loading
Profesionalisme Keahlian
Kompetensi Bukti
Pengungkapa n Korupsi
Pro_1 0,7726
0,7457 0,6719
0,6999 0,8055
0,6250 0,4809
0,4336 Pro_2
0,5212 0,1827
0,3736 Pro_3
0,3774 0,1996
0,3960 Pro_4
0,6199 0,3634
0,3047 Pro_5
0,5133 0,4228
0,5051 Kh_2
0,6849 0,7330
0,7634 0,6317
0,7504 0,7958
0,8265 0,6806
0,3912 0,5245
Kh_3 0,4680
0,3916 0,5477
Kh_5 0,4473
0,3754 0,4027
Kh_6 0,6258
0,3097 0,4462
Kh_7 0,4870
0,3545 0,4196
Kh_8 0,5112
0,3816 0,4055
Kh_9 0,5034
0,3106 0,3850
Kb_1 0,2130
0,1671 0,7063
0,7224 0,7655
0,7862 0,7891
0,3191 Kb_2
0,3910 0,2532
0,4245 Kb_3
0,2200 0,4319
0,5224 Kb_4
0,4299 0,4065
0,5179 Kb_5
0,4640 0,4783
0,5216 Pk_1
0,4581 0,4608
0,5489 0,7909
0,7822 0,8362
0,8607 0,8390
0,7412 0,7278
Pk_2 0,4235
0,4339 0,5428
Pk_3 0,5157
0,5518 0,5381
Pk_4 0,4809
0,5452 0,5080
Pk_5 0,3365
0,4557 0,4713
Pk_6 0,4247
0,4461 0,4949
Pk_8 0,4302
0,5115 0,3862
Sumber : Data primer yang diolah
Tabel 4.11 menunjukkan bahwa konstruk profesionalisme lebih
tinggi terhadap indikatornya Pro_1,Pro_2,Pro_3,Pro_4, dan Pro_5
dibandingkan dengan
konstruk lainnya
terhadap indikator
Pro_1,Pro_2,Pro_3,Pro_4, dan Pro_5 sehingga memiliki Discriminant Validity
yang baik. Konstruk keahlian memberikan nilai indikator yang lebih tinggi
terhadap indikatornya dibandingkan dengan konstruk lainnya terhadap
104 indikator Kh_2, Kh_3, Kh_5, Kh_6, Kh_7, Kh_8 dan Kh_9 sehingga
memiliki Discriminant Validity yang baik. Konstruk kompetensi bukti juga memberikan nilai indikator
yang lebih tinggi terhadap indikatormya dibandingkan dengan konstruk lainnya terhadap indikator Kb_1, Kb_2, Kb_3, Kb_4, dan Kb_5 sehingga
memiliki Discriminant Validity yang baik. Hal yang sama juga berlaku untuk konstruk pengungkapan
korupsi yang memberikan nilai indikator yang lebih tinggi terhadap indikatornya dibandingkan dengan konstruk lainnya terhadap indikator
Pk_1, Pk_2, Pk_3, Pk_4, Pk_5, Pk_6, dan Pk_8 sehingga memiliki Discriminant Validity
yang baik. Semua nilai loading factor untuk setiap indikator dari masing-
masing variabel laten sudah memiliki nilai loading factor yang paling besar dibanding nilai loading factor variabel laten lainnya. Hal ini
berarti bahwa semua variabel laten sudah memiliki Discriminant Validity yang baik dimana konstruk laten memprediksi indikator pada blok
mereka lebih baik dibandingkan dengan indikator di blok lainnya sehingga dapat disimpulkan semua variabel laten memiliki Discriminant
Validity yang baik.
Metode lain untuk menilai discriminant validity adalah nilai square root of Average Variance Extracted
AVE. Direkomendasikan nilai AVE harus lebih besar dari 0,50 Fornnel dan Larcker, 1981 dalam
Ghozali, 2015:75.
105
Tabel 4.12 Average Variance Extracted AVE
AVE
Profesionalisme 0,5486
Keahlian 0,5517
Kompetensi Bukti 0,5695
Pengungkapan Korupsi 0,6372
Sumber : Data primer yang diolah Tabel 4.12 menunjukkan AVE variabel profesionalisme
sebesar 0,5486, AVE variabel keahlian sebesar 0,5517, AVE variabel kompetensi bukti sebesar 0,5695 dan AVE variabel pengungkapan
korupsi sebesar 0,6372 yang berarti sudah memiiliki nilai AVE di atas 0,50 sebagaimana kriteria yang di rekomendasikan sehingga
menunjukkan seluruh variabel memiliki Discriminant Validity yang baik.
c. Hasil Reliability
Kriteria Reliability dapat dilihat dari nilai Composite Reliability dan Cronbach Alpha
dari masing-masing konstruk. Konstruk dikatakan memiliki reliabilitas yang tinggi mempunyai nilai
Composite Reliability di atas 0,70 dan mempunyai nilai Cronbach
Alpha di atas 0,60.
106
Tabel 4.13 Composte Reliability dan Cronbach Alpha
CompositeReliability Cronbach Alpha
Profesionalisme 0,8582
0,7972 Keahlian
0,8953 0,8629
Kompetensi Bukti 0,8684
0,8140 Pengungkapan Korupsi
0,9245 0,9043
Sumber : Data primer yang diolah Berdasarkan tabel 4.13 Composite Reliability variabel
profesionalisme sebesar 0,8582, variabel keahlian sebesar 0,8953, variabel kompetensi bukti sebesar 0,8684 dan variabel pengungkapan
korupsi sebesar 0,9245 yang berarti sudah memiliki nilai Composite Reliability
di atas 0,70 dapat disimpulkan semua konstruk memenuhi kriteria reliabilitas. Cronbach Alpha variabel profesionalisme sebesar
0,7972, variabel keahlian sebesar 0,8629, variabel kompetensi bukti sebesar 0,8140, dan variabel pengungkapan korupsi sebesar 0,9043
yang berarti sudah memiliki nilai Cronbach Alpha di atas 0,60 sehingga menunjukkan tingkat konsistensi jawaban responden dalam
setiap konstruk memiliki reliabilitas yang baik. 3.
Hasil 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 di evaluasi dengan menggunakan R-
square untuk konstruk dependen, uji t, serta signifikansi dari koefisien
parameter jalur struktural.
107
Gambar 4.1 Model Struktural Hasil Bootstrapping
a. Hasil R-square
Dalam menilai model dengan PLS dimulai dengan melihat R-square
untuk setiap variabel laten dependen. Uji Goodness fit model adalah merupakan pengujian terhadap model struktural
yang dilakukan dengan melihat nilai R-square Ghozali, 2015:78. Tabel 4.14 merupakan hasil estimasi R-square dengan
menggunakan SamrtPLS.
108
Tabel 4.14 Nilai
R-Square R-Square
Profesionalisme Keahlian
Kompetensi Bukti 0,2679
Pengungkapan Korupsi 0,5239
Sumber: Data primer yang diolah Pada penelitian ini menggunakan 2 buah variabel yang
dipengaruhi oleh variabel lainnya yaitu variabel kompetensi bukti yang dipengaruhi oleh variabel profesionalisme dan
keahlian dan variabel pengungkapan korupsi yang dipengaruhi oleh variabel kompetensi bukti.
Pada tabel 4.14 menunjukkan nilai R-square untuk variabel kompetensi bukti diperoleh sebesar 0,2679 dan untuk variabel
pengungkapan korupsi diperoleh sebesar 0,5239. Hasil ini menunjukkan bahwa variabel profesionalisme dan keahlian
auditor forensik secara simultan mampu menjelaskan variabel kompetensi bukti sebesar 26,79, sisanya 73,21 diterangkan
oleh variabel lainnya yang tidak dihipotesiskan dalam model. Hasil selanjutnya untuk variabel profesionalisme, keahlian, dan
kompetensi bukti mampu menjelaskan variabel pengungkapan korupsi sebesar 52,39, sisanya 47,61 diterangkan oleh
variabel lainnya yang tidak dihipotesiskan dalam model. Menurut Chin 1998 dalam Ghozali 2015:78 nilai R-square ini
termasuk dalam kategori moderat menuju tinggi.
109 b. Hasil Q-Square
Q-Square mengukur seberapa baik nilai observasi
dihasilkan oleh model dan juga estimasi parameternya. Suatu model dianggap mempunyai niai predictive relevance yang relevan
jika nilai Q-Square lebih besar dari 0 nol. Besaran Q-Square memiliki nilai dengan rentang 0 Q
2
1, model semakin bak jika nilai Q-Square mendekati 1. Nilai Q-Square diperoleh dari:
Q
2
= 1 – 1 – R
1 2
1 – R
2 2
= 1- [1 – 0,2679
2
] [1 – 0,5239
2
] = 1
– 1-0,0718 1-0,2745 = 1
– 0,9282 0,7255 = 1
– 0,6734 Q
2
= 0,3266 Hasil penghitungan Q-Square pada penelitian ini 0,3266
yang berarti bahwa 32,66 variabel independen dan intervening ini
layak untuk
menjelaskan variabel
dependen yaitu
pengungkapan korupsi. c. Hasil Goodness of Fit GoF
Evaluasi model yang terakhir dengan melihat GoF dari model, Evaluasi goodness of fit model dilakukan untuk purification
dan refinement terhadap uji validitas atau reliabilitas konstruk Ghozali, 2015:49 sehingga GoF ini digunakan untuk memvalidasi
performa gabungan antara inner model dan outer model. Nilai GoF
110 ini terbentang antara 1-0 dengan interpretasi nilai ini adalah 0,1
GoF Kecil, 0,25 GoF Moderat dan 0,36 GoF Besar Wetzels et al
, 2009 dalam Yamin, 2011:22. Nilai GoF diperoleh dari: GoF =√Com x R
2
= √0,7594 0,3959
=√0,3006
GoF = 0,5483 Hasil penghitungan GoF dalam penelitian ini menunjukkan
nilai 0,5483, lebih besar dari 0,36. Sehingga model dalam penelitian ini memiliki kemampuan yang tinggi dalam menjelaskan
data empiris. d. Hasil Uji Hipotesis
Hasil uji hipotesis dilakukan untuk melihat pengaruh suatu konstruk terhadap konstruk lainnya dengan melihat koefisien
parameter dan nilai t-statistik Ghozali, 2015:80. Dasar yang digunakan dalam menguji hipotesis adalah nilai yang terdapat pada
output Path Coefficient untuk menguji model struktural. Hasil hipotesis yang diajukan, dapat dilihat dari besarnya t-statistik. Nilai
t-statistik dibandingkan dengan nilai t-tabel yang ditentukan dalam penelitian ini adalah sebesar 1,9990 dimana diketahui nilai df
sebesar 62 jumlah sampel dikurangi dua: 64- 2 dan α sebesar 0,05
111 two tailed. Batasan untuk menerima dan menolak hipotesis yang
diajukan adalah ± 1,9990, dimana apabila nilai t-statistik berada pada rentang nilai -1,9990 dan 1,9990 maka hipotesis akan ditolak
atau dengan kata lain menerima hipotesis nol Ho.
Tabel 4.15 Path Coefficients Mean, STDEV, T-Value
Original Original
Sample O Sample
Mean M
Standard Deviation
STDEV Standard
Error STERR
TStatistics I0STER
P Value
PROF KOMP 0,2496
0,2760 0,1235
0,1235 2,0210
0,0370 PROF PGKPN
0,1309 0,1302
0,0756 0,0756
1,7268 0,0930
KOMP PGKPN 0,4119
0,4361 0,1322
0,1322 3,1163
0,0020 KEAH KOMP
0,3079 0,3132
0,1284 0,1284
2,3986 0,0160
KEAH PGKPN 0,3157
0,3070 0,1261
0,1261 2,5030
0,0110
Sumber : Data primer yang diolah Tabel diatas menunjukkan bahwa pengaruh PROF
profesionalisme terhadap KOMP kompetensi bukti sebesar 0,2496 dan signifikan pada 0,05 2,02101,9990. Pengaruh PROF
profesionalisme terhadap PGKPN pengungkapan korupsi sebesar 0,1309 dan tidak signifikan pada 0,05 1,72681,9990.
Pengaruh KOMP
kompetensi bukti
terhadap PGKPN
pengungkapan korupsi sebesar 0,4119 dan signifikan pada 0,05 3,11631,9990. Pengaruh KEAH keahlian terhadap KOMP
kompetensi bukti sebesar 0,3079 dan signifikan pada 0,05 2,39861,9990. Pengaruh KEAH keahlian terhadap PGKPN
pengungkapan korupsi sebesar 0,3157 dan signifikan pada 0,05 2,50301,9990.
112 4. Hasil Uji Efek Intervening
a. Hasil Uji Efek Intervening untuk Profesionalisme Auditor Forensik Terhadap Pengungkapan Korupsi melalui Kompetensi Bukti.
1 Langkah pertama dalam prosedur pengujian intervening adalah pengaruh langsung variabel independen terhadap variabel
dependen harus signifikan.
Tabel 4.16 Pengaruh Langsung Variabel Laten Profesionalisme
Original Original
Sample O Sample
Mean M Standard
Deviation STDEV
TStatistics I0STERRI
P Value
PROF PGKPN
0,1309 0,1302
0,0756 1,7268
0,0930
Sumbe: Data primer yang diolah Hasil pengujian hipotesis yang dilakukan dengan metode
bootstrapping menunjukkan bahwa profesionalisme auditor
forensik dengan pengungkapan korupsi menunjukan nilai koefisien jalur sebesar 0,1309 dengan nilai t-statistics sebesar
1,7268. Nilai tersebut lebih kecil dari t-table 1,9990. Hal ini berarti profesionalisme auditor forensik tidak berpengaruh
secara signifikan pada 0,05 terhadap pengungkapan korupsi atau sama halnya profesionalisme auditor forensik tidak berpengaruh
signifikan langsung terhadap pengungkapan korupsi.
Apabila pengaruh langsung tidak berpengaruh secara signifikan maka hal ini menunjukkan bahwa tidak ada efek
intervening atau mediasi sehingga langkah selanjutnya tidak
dapat diuji.
113 b. Hasil Uji Efek Intervening untuk Keahlian Auditor Forensik
Terhadap Pengungkapan Korupsi melalui Kompetensi Bukti
1 Langkah pertama dalam prosedur pengujian intervening adalah pengaruh langsung variabel independen terhadap variabel
dependen harus signifikan.
Tabel 4.17 Pengaruh Langsung Variabel Laten Keahlian
Original Original
Sample O Sample
Mean M Standard
Deviation STDEV
TStatistics I0STER
P Value
KEAH PGKPN
0,3157 0,3070
0,1261 2,5030
0,0110
Sumber: Data primer yang diolah Hasil pengujian hipotesis yang dilakukan dengan metode
bootstrapping menunjukkan bahwa keahlian auditor forensik
dengan pengungkapan korupsi menunjukan nilai koefisien jalur sebesar 0,3157 dengan nilai t-statistics sebesar 2,5030. Nilai
tersebut lebih besar dari t-table 1,9990. Hal ini berarti keahlian auditor forensik memiliki pengaruh dan signifikan terhadap
pengungkapan korupsi atau sama halnya keahlian auditor forensik
berpengaruh signifikan langsung sebesar 0,3157 terhadap
pengungkapan korupsi. Apabila pengaruh langsung signifikan maka hal ini menunjukkan terdapat efek intervening Hair et al,
2013 dalam Sholihin, 2014 langkah selanjutnya adalah menguji pengaruh tidak langsung.
114 2 Langkah kedua, pengaruh tidak langsung harus signifikan, setiap
jalur yaitu variabel independen terhadap variabel intervening dan variabel intervening terhadap variabel dependen harus signifikan
untuk memenuhi kondisi ini. Pengaruh tidak langsung ini diperoleh dengan formula pengaruh variabel independen pada
variabel intervening dikalikan dengan pengaruh variabel intervening pada variabel dependen Hair et al, 2013 dalam
Sholihin, 2014. Apabila pengaruh tidak langsung signifikan, maka hal ini menunjukkan bahwa variabel intervening mampu
menyerap atau mengurangi pengaruh langsung pada pengujian pertama.
Tabel 4.18 Pengaruh Tidak Langsung Variabel Laten Keahlian
Original Original
Sample O Sample
Mean M Standard
Deviation STDEV
TStatistics I0STERR
P Value
KEAH KOMP 0,3079
0,3132 0,1284
2,3986 0,0160
KOMP PGKPN 0,4119
0,4361 0,1322
3,1163 0,0020
Sumber : Data primer yang diolah Hasil pengujian hipotesis yang dilakukan dengan metode
bootstrapping menunjukkan bahwa keahlian auditor forensik
dengan kompetensi bukti menunjukan nilai koefisien jalur sebesar 0,3079 dengan nilai t-statistics sebesar 2,3986. Nilai
tersebut lebih besar dari t-table 1,9990. Hal ini berarti keahlian auditor forensik memiliki pengaruh dan signifikan pada 0,05
terhadap kompetensi bukti atau sama halnya keahlian auditor
115
forensik berpengaruh signifikan tidak langsung sebesar 0,3079
terhadap kompetensi bukti. Langkah selanjutnya menguji pengaruh signifikan tidak langsung variabel intervening
terhadap pengungkapan korupsi. Hasil pengujian hipotesis yang dilakukan dengan metode bootstrapping menunjukkan
bahwa kompetensi bukti dengan pengungkapan korupsi menunjukan nilai koefisien jalur sebesar 0,4119 dengan nilai t-
statistics sebesar 3,1163. Nilai tersebut lebih besar dari t-table
1,9990. Hal ini berarti kompetensi bukti memiliki pengaruh dan signifikan terhadap pengungkapan korupsi atau sama
halnya kompetensi bukti berpengaruh signifikan tidak
langsung sebesar 0,4119 terhadap pengungkapan korupsi.
Apabila pengaruh tidak langsung signifikan maka hal ini menunjukkan terdapat efek intervening Hair et al, 2013 dalam
Sholihin, 2014 dan langkah terakhir adalah menghitung Vaiance Accounted for VAF.
3 Ketiga, menghitung VAF dengan formula Hair et al, 2013 dalam Sholihin, 2014 sebagai berikut:
116 Tabel 4.19
Penghitungan VAF Keahlian Auditor Forensik terhadap Pengungkapan Korupsi Melalui Kompetensi Bukti
Pengaruh tidak langsung 0,30790,4119 0,1268
KEAH KOMP = 0,3079; KOMP PGKPN = 0,4119 Pengaruh langsung
0,3157 KEAH PGKPN = 0,3157
Pengaruh Total 0,3157+0,1268 0,4425
VAF 0,12680,4425 0,2865
Sumber : Data primer yang iolah Hasil pernghitungan VAF menunjukkan hasil 0,2865. Sehingga
kompetensi bukti dapat menjadi variabel intervening keahlian auditor forensik terhadap pengungkapan korupsi sebesar 28,65 atau terdapat efek
intervening parsial.
C. Pembahasan