60
E. Metode Analisis Data
Dalam penelitian ini peneliti ingin menemukan mengenai Pengaruh Faktor Karakteristik Personal Auditor, Komitmen Organisasi dan
Kepuasan Kerja Terhadap Tingkat Penerimaan Penyimpangan Perilaku dalam Audit Internal dengan Kinerja Auditor sebagai variabel intervening
yang berada di wilayah Jakarta. Untuk menjawab pertanyaan serta hipotesa penelitian, peneliti menggunakan metode atau teknik analisis
dengan Structural Equation Model SEM. Alasan peneliti menggunakan SEM adalah karena peneliti ini menggunakan lebih dari satu indikator
untuk mewakili satu variabel yang memiliki hubungan kompleks antara variabel-variabelnya sehingga peneliti menggunakan model persamaan
struktural. Tahapan peneliti dalam menganalis masalah dalam penelitian ini
adalah sebagai berikut: 1.
Identifikasi Variabel Penelitian ini menggunakan variabel diantaranya adalah sebagai
berikut: -
Variabel Laten Dalam SEM, variabel kunci yang menjadi perhatian adalah
variabel laten Wijayanto, 2008: 10. Variabel laten ini hanya dapat diamati secara tidak langsung dan tidak sempurna melalui efeknya
pada variabel teramati. Variabel ini dibedakan menjadi dua yaitu Variabel Eksogen dan Variabel Endogen.
61
2. Structural Equation Modelling SEM
SEM adalah generasi kedua teknik analisis multivariate Bagozzi dan Fornell, 1982 dalam Bahagia, 2007 yang memungkinkan peneliti
menguji hubungan anatara variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model. Selain itu
menurut Bollen 1989 dalam Bahagia 2007 SEM juga dapat menguji secara bersama-sama:
a. Model Structural, yaitu hubungan nilai loading anatara variabel
laten. b.
Model Measurement, yaitu hubungan nilai loading antara indikator dengan variabel lainnya.
Hair et.al 1998 dalam Ghozali 2007 mengungkapkan tahapan permodelan dan analisis persamaan struktural menjadi 9 sembilan
langkah yaitu: 1
Pengembangan model berdasar teori Model persamaan struktural didasarkan pada hubungan
kausalitas, dimana perubahan satu variabel diasumsikan akan berakibat pada perubahan variabel lainnya. Hubungan kausalitas
dapat berarti hubungan yang ketat atau hubungan yang kurang ketat. Kuatnya hubungan kausalitas antara dua variabel yang
62
diasumsikan terletak pada justifikasi pembenaran secara teoritis untuk mendukung analisis.
2 Menyusun diagram jalur dan persamaan struktural
Langkah berikutnya adalah menyusun hubungan kausalitas dengan diagram jalur dan menyusun persamaan strukturalnya. Ada
dua hal yang perlu dilakukan yaitu menyusun model struktural yaitu menghubungkan antar model yaitu menghubungkan konstruk
laten endogen atau eksogen dengan variabel indikator atau manifest.
Ketika measurement model telah terspesifikasi, maka peneliti harus menentukan reliabilitas dari indikator. Reliabilitas
indikator dapat dilakukan dengan dua cara a diestimasi secara empiris b dispesifikasi.
Disamping menyusun model juga dapat dilakukan spesifikasi korelasi antara konstruk eksogen atau antara konstruk
endogen sehingga dapat menggambarkan “Share” pengaruh antar konstruk.
3 Memilih jenis input matrik dan estimasi model yang diusulkan
Model persamaan struktural berbeda dari teknis analisis multivariate lainnya, SEM hanya menggunakan data input berupa
matrik varian kovarian atau matrik korelasi. Data mentah observasi individu dapat dimasukan dalam program AMOS, tetapi
program AMOS akan merubah dahulu data mentah menjadi matrik
63
kovarian atau matrik korelasi. Analisis terhadap data outlier harus dilakukan sebelum matrik kovarian atau korelasi dihitung.
Pemilihan jenis input matrik dan model dapat dilakukan dengan melihat pada hal-hal sebagai berikut:
a Ukuran sampel
Besarnya ukuran sampel memiliki peran penting dalam interpretasi hasil SEM. Ukuran sampel memberikan dasar
untuk mengestimasi sampling eror. Dengan model estimasi menggunalan Maximum Likelihood ML minimum diperlukan
sampel sejumlah 100. b
Estimasi sodel Dalam langkah ini memungkinkan kita untuk menggambarkan
sifat dan jumlah parameter yang diestimasi. 4
Menilai identifikasi model struktural Problem identifikasi adalah ketidakmampuan proposed
model untuk menghasilkan unique estimate. Cara melihat ada
tidaknya problem identifikasi adalah dengan melihat hasil estimasi yang meliputi:
a Adanya nilai standar error yang besar untuk satu atau lebih
koefisien b
Ketidakmampuan program untuk invert information matrix c
Nilai estimasi yang tidak mungkin, misalkan error varian negative
64
d Adanya nilai korelasi yang tinggi 0.90 antar koefisien
estimasi. Jika diketahui ada problem identifikasi maka ada tiga hal yang
harus dilihat: a
Besarnya jumlah koefisien yang diestimasi relatif terhadap jumlah kovarian atau korelasi yang diindikasikan dengan nilai
degree of freedom yang kecil
b Digunakan pengaruh timbal-balik atau resiprokal antar
konstruk model non-recursive atau c
Kegagalan dalam menetapkan nilai tetap fix pada skala konstruk
Apa yang dapat dilakukan untuk mengatasi problem identifikasi adalah menetapkan lebih banyak konstrain dalam model.
5 Menilai Kriteria Goodness-of-Fit
Langkah yang harus dilakukan sebelum menilai kelayakan dari model struktural adalah menilai apakah data yang akan diolah
memenuhi asumsi model persamaan struktural. Ada tiga asumsi dasar seperti halnya pada teknik multivariate yang lain yang harus
dipenuhi untuk dapat menggunakan model persamaan struktural, yaitu:
a Observasi data independen.
b Responden diambil secara random.
c Memiliki hubungan linear.
65
Disamping itu SEM sangat sensitif terhadap karakteristik distribusi data khususnya distribusi yang melanggar normalitas
multivariate atau adanya kurtosis yang tinggi kemencengan distribusi dalam data. Untuk itu sebelum data diolah harus diuji
dahulu ada tidaknya data outlier dan distribusi data harus normal multivariate.
Setelah asumsi SEM dipenuhi langkah berikutnya adalah melihat ada tidaknya offending estimate yaitu estimasi koefisien
baik dalam model struktural maupun model pengukuran yang nilainya diatas batas yang dapat diterima. Contoh dari sering terjadi
offending estimate adalah:
a Varian error yang negatif atau non significant error
variance untuk suatu konstruk
b Standardized coefficient yang mendekati 1.0
c Adanya standar error yang tinggi
Jika terjadi offending estimate, maka peneliti harus menghilangkan hal ini terlebih dahulu sebelum melakukan
penilaian kelayakan model. Setelah yakin tidak ada lagi offending estimate
dalam model, maka peneliti siap melakukan penilaian overall model fit
dengan berbagai kriteria penilaian model fit. Goodness of fit
mengukur kesesuaian input observasi atau sesungguhnya matrik kovarian atau korelasi dengan prediksi dari
66
model yang diajukan proposed model. Ada tiga jenis ukuran Goodness-of-fit yaitu:
A. Absolut Fit Measures
Kategori