Tabel 3.9 Kategori Variabel Fraud
No Interval
Kategori
1 3
– 7 Sangat jarang terjadi
2 8
– 12 Jarang terjadi
3 13
– 17 Kadang kadang terjadi
4 18
– 22 Sering terjadi
5 23
– 27 Sangat sering terjadi
Sumber : Pengolahan data, 2012
3.5 Teknik Analisis Data
3.5.1 Analisis Deskriptif
Statistika deskriptif merupakan bagian dari statitika yang mempelajari alat, teknik, atau prosedur yang digunakan untuk menggambarkan atau
mendeskripsikan kumpulan data atau hasil pengamatan. Data yang dikumpulkan tersebut perlu disajikan supaya mudah dimengerti, menarik,
komunikatif, dan informatif bagi pihak lain. Menurut Ghozali, 2007 statistik deskriptif merupakan analisis yang memberikan gambaran atau
deskripsi suatu data sehingga menjadikan sebuah informasi yang lebih jelas dan mudah untuk dipahami, yang dilihat dari nilai rata-rata mean,
median, modus, standar deviasi, nilai maksimum, dan nilai minimum. Analisis ini digunakan untuk mengetahui gambaran secara umum data
penelitian, mengenai variabel-variabel penelitian yaitu keefektifan sistem pengendalian internal, kepuasan kompensasi, kultur organisasi, perilaku
tidak etis, gaya kepemimpinan, sistem pengendalian internal dan penegakan hukum. Deskripsi variabel tersebut disajikan untuk mengetahui
nilai rata-rata mean minimum, maksimum dan standar deviasi dari variabel-variabel yang diteliti.
3.5.2 Metode Analisis Data
Teknik analisis data yang digunakan dalam penelitian ini adalah teknik analisis SEM Structural Equation Modeling. SEM Structural Equation
Modeling adalah suatu teknik stastistik yang mampu menganalisis pola hubungan antara konstrak laten dan indikatornya, konstrak laten yang satu
dengan lainnya, serta kesalahan pengukuran secara langsung. SEM merupakan keluarga statistik multivariate dependent, SEM memungkinkan
dilakukannya analisis di antara beberapa variabel dependen dan independen secara langsung Hair et al, 1995 dikutip dalam Yamin dan
Kurniawan, 2009:3. SEM yang berbasis component atau variance merupakan alternatif
covariance dengan pendekatan component based dengan PLS yang bertujuan sebagai prediksi. Variabel laten didefinisikan sebagai jumlah
dari indikatornya. Dikemukakan oleh Wold 1985 dalam Ghozali 2008 PLS merupakan metode analisis yang powerfull, karena tidak didasarkan
pada banyak asumsi. Data juga tidak harus berdistribusi normal multivariate indikator dengan skala kategori, ordinal, interval sampai
ratio dapat digunakan pada model yang sama, sampel tidak harus besar. PLS selain dapat mengkonfirmasi teori, juga untuk menjelaskan ada atau
tidaknya hubungan antar variabel laten sehingga dalam rangka penelitian berbasis prediksi PLS lebih cocok untuk menganalisis data.
PLS dapat sekaligus menganalisis konstruk yang dibentuk dengan indikator refleksif dan formatif. Hal ini tidak dapat dilakukan oleh SEM
yang berbasis kovarian karena akan menjadi unidentified model.
3.5.3 Menilai Outer Model atau Measurement Model