AVE konstruk gaya kepemimpinan sebesar 0,695189, lebih tinggi daripada korelasi antara gaya kepemimpinan GP dengan konstruk lainnya dalam model.
Akar AVE konstruk fraud di sektor pemerintahan FRAUD sebesar 0,768263 lebih tinggi daripada korelasi antara konstruk fraud di sektor pemerintahan
FRAUD dengan konstruk lainnya dalam model. Berdasarkan 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.
4.4 Uji Inner 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 4.19 R Square
R Square Keefektifan Pengendalian Internal
Kepuasan gaji Kultur Organisasi
Perilaku Tidak Etis Gaya Kepemimpinan
Fraud 0,508665
Sumber: Output PLS, 2012
Berdasarkan Tabel 4.19 menunjukan bahwa nilai R-square fraud di sektor pemerintahan FRAUD 0,508. Nilai R-square sebesar 0,508 memiliki arti
bahwa variabilitas konstruk fraud di sektor pemerintahan yang dapat di jelaskan oleh variabilitas konstruk Keefektifan Sistem Pengendalian Internal KSPI,
Kepuasan akan Gaji KG, Kultur Organisasi KO, Perilaku Tidak Etis PTE, dan Gaya Kepemimpinan GK sebesar 50,8 sedangkan 49,2 dijelaskan oleh
variabel lain di luar yang diteliti. Semakin besar angka R-square menunjukan semakin besar variabel independen tersebut dapat menjelaskan variabel dependen
sehingga semakin baik persamaan strukturalnya.
4.5 Pengujan Struktural Equation Model SEM
Metode analisis utama dalam penelitian ini dilakukan dengan Structural Equation Model SEM. Pengujian dilakukan dengan bantuan program Smart PLS
2.0. Gambar 4.2 berikut ini menyajikan hasil pengujian Full Model SEM menggunakan PLS sebagai berikut:
Gambar 4.1 Desain Model Penelitian
Gambar 4.2 Uji Full Model SEM Menggunakan PLS
Berdasarkan hasil pengujian menggunakan smartPLS sebagaimana di tunjukan pada Gambar 4.2 diatas, dapat diketahui bahwa tidak terdapat nilai
loading factor dibawah 0.50 selain untuk indikator KSPI yang menggunakan indikator formatif, sehingga tidak harus dilakukan drop data untuk menghapus
indikator yang bernilai loading dibawah 0.50 agar memperoleh model yang baik.
4.6 Pengujian Hipotesis
