70 N
= Netral Diberi skor 3
TS = Tidak Setuju
Diberi skor 2 STS
= Sangat Tidak Setuju Diberi skor 1
b. Data Sekunder
Data sekunder merupakan sumber data penelitian yang diperoleh peneliti secara tidak langsung melalui media perantara
Indriantoro dan Supomo, 2014:147. Penulis mengumpulkan data sekunder dengan cara membaca, dan memahami buku, literature,
artikel, jurnal, dan data dari internet. 2. Teknik Pengumpulan Data
Untuk mendapatkan data yang diperlukan, peneliti menggunakan instrumen berupa kuesioner yang dikirimkan kepada auditor forensik
yang bekerja di BPK RI dan BPKP Perwakilan Provinsi DKI Jakarta. Pengiriman kuesioner dilakukan secara langsung, yaitu dengan
mengirimkan langsung kepada kantor yang bersangkutan Sugiyono, 2014:142.
D. Metode Analisis Data
Metode analisis data yang digunakan dalam penelitian ini adalah dengan menggunakan pendekatan Partial Least Square PLS. PLS adalah
model persamaan Structural Equation Modeling SEM yang berbasis komponen atau varian. Menurut Ghozali 2015:6, PLS merupakan
pendekatan alternatif yang bergeser dari pendekatan SEM berbasis kovarian menjadi berbasis varian.
71 SEM yang berbasis kovarian umumnya menguji kausalitas atau teori
sedangkan PLS lebih bersifat predictive model. PLS merupakan metode analisis yang powerfull Ghozali, 2015:5, karena tidak didasarkan pada
banyak asumsi. Misalnya data tidak harus terdistribusi normal, sampel tidak harus besar. Selain dapat digunakan untuk mengkonfirmasi teori, PLS juga
dapat digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten. PLS dapat sekaligus menganalisis konstruk yang dibentuk dengan
indikator reflektif dan formatif. Menurut Ghozali 2015:7 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 antara indikator dengan
konstruknya dispesifikasi. Hasilnya adalah residual variance dari variabel dependen.
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 menghubungkan variabel laten dan antar variabel laten denga indikatornya loading. Ketiga, berkaitan dengan means dan lokasi
parameter nilai konstanta regresi untuk indikator dan variabel laten. Untuk memperoleh ketiga estimasi ini, PLS menggunakan proses iterasi 3 tahap
dan setiap tahap iterasi menghasilkan estimasi. Tahap pertama,
72 menghasilkan weight estimate, tahap kedua menghasilkan estimasi untuk
inner model dan outer model, dan tahap ketiga menghasilkan estimasi means
dan lokasi Ghozali, 2015:11-12. 1. Statistik Deskriptif
Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang dilihat dari nilai rata-rata mean, standar deviasi, varian,
maksimum, minimum, sum, range, kurtosis, dan skewness kemencongan distribusi Ghozali, 2013:19.
2. Uji Model Pengukuran atau Outer Model Suatu konsep dan model penelitian tidak dapat diuji dalam suatu
model prediksi hubungan relasional dan kausal jika belum melewati tahap purifikasi dalam model pengukuran Hartono dan Abdilah,
2014:58. Model pengukuran digunakan untuk menguji validitas konstruk dan reliabilitas instrumen. Uji validitas dilakukan untuk
mengukur kemampuan isntrumen penelitian mengukur apa yang seharusnya diukur Cooper dan Schindler, 2006 dalam Hartono dan
Abdillah, 2014:58. Uji validitas konstruk dalam PLS dilakukan mellaui Uji Convergent Validity, Discriminant Validity, dan Average
Variance Extracted AVE. Uji reliabilitas digunakan untuk mengukur
konsistensi alat ukur dalam mengukur konsep atau dapat juga digunakan untuk mengukur konsistensi responden dalam menjawab
instrumen. Instrumen dikatakan andal jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Uji
73 reliabilitas dalam PLS dapat menggunakan metode composite
reliability dan cronbach’s alpha Hartono dan Abdillah, 2014:62.
a. Convergent Validity
Model pengukuran dengan model reflektif indikator dinilai berdasarkan korelasi antara item score atau component score
dengan construct score yang dihitung dengan software SmartPLS. Ukuran reflektif dikatakan tinggi jika berkorelasi lebih dari 0,70
dengan kosntruk yang ingin diukur. Namun demikian untuk penelitian tahap awal dari pengembangan skala pengukuran nilai
loading 0,50 sampai 0,60 dianggap cukup Chin, 1998 daalam Ghozali, 2015:74.
b. Discriminant validity Model pengukuran dengan reflektif indikator dinilai
berdasarkan cross loading pengukuran dengan konstruk. Jika korelasi konstruk dengan item pengukuran lebih besar daripada
ukuran konstruk lainnya, maka akan menunjukkan bahwa konstruk laten memprediksi ukuran pada blok yang lebih baik daripada
ukuran blok lainnya. Metode lain untuk menilai discriminant validity
adalah membandingkan nilai square root of Average Variance Extracted
AVE setiap konstruk dengan korelasi antara konstruk lainnya dalam model. Jika nilai akar AVE setiap konstruk
lebih besar daripada nilai korelasi antar konstruk dengan konstruk
74 lainnya dalam model, maka dikatakan memiliki nilai discriminant
validity yang baik. Pengukuran ini dapat digunakan untuk
mengukur reabilitas component score variabel laten dan hasilnya lebih konservatif dibandingkan dengan composite reliability.
Direkomendasikan nilai AVE harus lebih besar dari 0,50 Fornnel dan Larcker, 1981 dalam Ghozali, 2015:75.
c. Reliability
Mengukur suatu konstruk dapat dievaluasi dengan dua macam ukuran yaitu Composite Reliability dan
Cronbacah’s Alpha Ghozali, 2015:75. Composite reliability mengukur nilai
sesungguhnya reliabilitas suatu kontruk dan lebih baik dalam mengestimasi konsistensi internal suatu kontruk Salisbury et al,
2002 dalam Hartono dan Abdillah, 2014:62. Cronbach’s alpha mengukur batas bawah nilai reliabilitas suatu kontruk. Konstruk
dikatakan memiliki reliabilitas yang tinggi jika mempunyai Composite Reliability
di atas 0,70 dan mempunyai Cronbach Alpha
di atas 0,60. 3. Uji Model Struktural atau Inner Model
Inner model inner relation, structural model dan substantive
theory menggambarkan hubungan antara variabel laten berdasarkan
pada teori substantif. Model struktural dievaluasi dengan menggunakan R-square
untuk konstruk dependen, Stone-Geisser-square test untuk
75 predictive relevance
dan uji t serta signifikansi dari koefisien parameter jalur struktural.
a. R-Square
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, 2015:78. Nilai R-Square 0,75, 0,50, 0,25 dapat disimpulkan bahwa model kuat, moderat dan
lemah, hasil dari PLS R-Square mempresentasi jumlah variance dari konstruk yang dijelaskan oleh model Ghozali, 2015:78.
b. Q-Square
Q-Square mengukur seberapa baik nilai observasi
dihasilkan oleh model dan juga estimasi parameternya. Nilai Q- Square
0 menunjukkan model memiliki predictive relevance, sebaliknya jika nilai Q-square 0 menunjukkan model kurang
memiliki predictive relevance Chin, 1998 dalam Ghozali, 2015:79. Besaran Q-Square memiliki nilai dengan rentang 0 Q
2
1, dimana semakin mendekati 1 berarti model semakin baik. Besaran Q
2
ini setara dengan koefisien determinasi total pada analisis jalur path analysis. Nilai Q-Square 0,02, 0,15, 0,35 dapat
76 disimpulkan bahwa nilai predictive relevance lemah, moderate dan
kuat. Perhitungan Q-Square dilakukan dengan rumus:
Q
2
= 1 – 1 – R
1 2
1 – R
2 2
....... 1- R
p 2
Dimana R
1 2
, R
2 2
... R
p 2
adalah R-square variabel endogen.
c. Goodness of Fit GoF GoF
untuk overall fit index dapat digunkan kriteria goodness of fit index
yang dikembangkan oleh Tenenhaus et al 2014 dalam Ghozali 2015:82 dengan sebutan GoF Index. Index
ini dikembangkan untuk mengevaluasi modle pengykuran dan model struktural dan disamping itu menyediakan pengukuran
sederhana untuk keseluruhan dari prediksi model. Nilai GoF index ini diperoleh dari average communalities index dikalikan dengan
nilai R
2
model. Nilai GoF 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. Formula GoF Index yaitu:
GoF =√Com x R
2
Com bergaris atas adalah average communalities dan R
2
bergaris atas adalah rata-rata model R
2
.
77 d. Uji Hipotesis
Uji hipotesis dilakukan untuk melihat pengaruh suatu konstruk terhadap konstruk lainnya dengan melihat koefisien
parameter dan nilai t-statistik Ghozali, 2011. Dasar yang digunakan dalam menguji hipotesis adalah nilai yang terdapat pada
Path Coefficient untuk menguji model struktural. Hasil hipotesis yang diajukan, dapat dilihat dari besarnya t-statistik. Nilai t-statistik
dibandingkan dengan t-tabel yang ditentukan dalam penelitian ini dimana diketahui df didapat dari jumlah sampel dikurangi dua df =
n-2 dan signifikansi sebesar 0,05.
4. Uji Efek Intervening Di dalam penelitian ini terdapat variabel intervening yaitu
kompetensi bukti. Menurut Baron dan Kenny 1986 dalam Ghozali 2013 suatu variabel disebut variabel intervening jika variabel
tersebut ikut mempengaruhi hubungan antara variabel prediktor independen dan variabel kriterion dependen.
Efek intervening menunjukkan hubungan antara variabel independen dan variabel dependen melalui penghubung atau
intervening . Pengaruh variabel independen terhadap variabel
dependen tidak secara langsung terjadi tetapi melalui proses transformasi yang diwakili oleh variabel intervening Baron dan
Kenny, 1986 dalam Hartono dan Abdillah, 2009.
78 Prosedur pengujian efek intervening dilakukan dengan dua
langkah Baron dan Kenny, 1986 dalam Sholihin, 2014 yaitu :
1 Melakukan estimasi pengaruh langsung variabel independen
pada variabel dependen, koefisien jalur c harus signifikan Gambar 3.1
Gambar 3.1 Model Pengaruh Langsung
C
2 Melakukan estimasi pengaruh tidak langsung secara simultan
dengan trianggle PLS-SEM Model, koefisien jalur a dan b harus signifikan Gambar 3.2
Gambar 3.2 Model Intervening
c’’
a+ b+
Variabel Independen
Variabel Dependen
Variabel Independen
Variabel Dependen
Variabel Intervening
79 Pengambilan kesimpulan tentang efek intervening Baron
dan Kenny, 1986 dalam Sholihin, 2014 adalah:
1 Jika koefisien jalur c‟‟ dari hasil estimasi langkah kedua
tetap signifikan dan tidak berubah c‟‟=c maka tidak terdapat efek intervening.
2 Jika koefisien jalur c‟‟ nilainya turun c‟‟c tetapi tetap
signifikan maka bentuk intervening adalah intervening sebagian partial intervening.
3 Jika koefisien jalur c‟‟ nilainya turun c‟‟c dan menjadi
tidak signifikan maka bentuk intervening adalah intervening penuh full intervening.
Selain melalui kedua langkah di atas, pengujian efek intervening
dapat dilakukan dengan menggunakan teknik regresi tetapi pada model yang komplek atau hipotesis model, maka teknik
regresi menjadi tidak efisien Hartono dan Abdillah, 2009:118. Metode Variance Accounted For VAF yang dikembangkan oleh
Preacher dan Hayes 2008 serta bootstrapping dalam distribusi pengaruh tidak langsung dipandang lebih sesuai karena tidak
memerlukan asumsi apapun tentang distribusi variabel sehingga dapat diaplikasikan pada ukuran sampel kecil. Pendekatan ini paling
tepat untuk PLS yang menggambarkan metode resampling dan
80 mempunyai statical power yang lebih tinggi dari metode Sobel Hair
et al , 2013 dalam Sholihin, 2014:81.
Langkah pertama dalam prosedur pengujian intervening adalah pengaruh langsung variabel independen terhadap variabel
dependen harus signifikan. 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, 2014:82. Apabila pengaruh tidak langsung signifikan,
maka hal ini menunjukkan bahwa variabel intervening mampu menyerap atau mengurangi pengaruh langsung pada pengujian
pertama. Ketiga, menghitung VAF dengan formula Hair et al, 2013 dalam Sholihin, 2014:82 sebagai berikut:
VAF= pengaruh tidak langsung
pengaruh langsung + pengaruh tidak langsung
Jika nilai VAF di atas 80, maka menunjukkan peran Y sebagai intervening penuh full intervening. Y dikategorikan
sebagai intervening parsial apabila nilai VAF berkisar antara 20
81 sampai dengan 80, namun jika nilai VAF kurang dari 20 dapat
disimpulkan bahwa hampir tidak ada efek intervening.
E. Operasional Variabel Penelitian