BAB III METODE PENELITIAN
F. Evaluasi Model SEM dengan SmartPLS
2. Evaluasi Outer Model /Model Pengukuran Indikator Formatif
Outer model menggambarkan relasi antara variabel laten dengan variabel
observed/manifest. Berdasarkan Henseler, et al. (2009) yang mengacu dari pendapat Bollen (1989) dan Bagozzi (1994) dalam indikator formatif tidak bisa dilakukan pengujian validitas (convergent validity, discriminant validity) dan reliabilitas (internal consistency) seperti halnya pengujian untuk indikator reflektif. Hal tersebut disebabkan adanya asumsi measurement yang error-free dalam model indikator formatif.
Henseler, et al. (2009) mengambil pendapat dari Diamantopoulos (2006) bahwa untuk mengetahui kualitas measurement dari indikator formatif tidaklah relevan apabila digunakan pengujian reliabilitas, oleh karena itu validitas menjadi hal yang penting dalam mengevaluasi indikator formatif. Kemudian untuk mengukur validitas indikator formatif, Henseler, et al. (2009) menyetujui pendapat dari Rossiter (2002) bahwa diperlukan rasionalisasi teori dan opini para ahli. Pengukuran validitas secara statistik dapat dilakukan dengan melihat outer weight
danadanyamultikolinieritas (Ghozali, 2014; Wong, 2013). Namun ditekankan oleh Henseler, et al. (2009) dan Mohamad (2012) bahwa indikator formatif tidak dapat dieliminasi hanya berdasarkan output statistik, karena peneliti harus tetap mempertahankan indikator formatif baik yang signifikan maupun tidak signifikan dalam evaluasi model pengukuran, selama indikator tersebut dapat dijustifikasi secara teori.
Gambar 5
Full model Hasil Proses Bootstrapping SmartPLS Sumber : output SmartPLS (2015)
a. Evaluasi outer model konstruk INTEGRITAS
Evaluasi outer model dilakukan dengan Bootstraping. Hasilnya diketahui bahwa nilai outer weight untuk indikator INT1-INT6 berturut-turut adalah 1,529; 4,293; 0,475; 0,358; 1,039 dan 3,894. Untuk melihat signifikansi outer weight
mengatakan indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan (masing-masing < 1,6558). 1,6558 adalah critical value uji one-tail untuk signifikansi 5% (Ghozali, 2011). Hasil Bootstrapping sebagai berikut :
Tabel 9
Signifikansi outer weight dan outer loading konstruk Integritas
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics
INT1 -> INTEGRITAS 1,5289 9,4312 Valid INT2 -> INTEGRITAS 4,2931 12,7442 Valid INT3 -> INTEGRITAS 0,4747 8,5543 Valid INT4 -> INTEGRITAS 0,3575 5,1302 Valid INT5 -> INTEGRITAS 1,0395 5,7157 Valid INT6 -> INTEGRITAS 3,8935 13,0914 Valid Sumber : hasil pengolahan output SmartPLS (2015)
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic
untuk Outer weight indikator INT3, INT4 dan INT5 < 1,6558 namun Outer loading
seluruh indikator > 1,6558 sehingga menurut Wong (2013) indikator tersebut valid untuk mengukur konstruk Integritas.
Untuk mengetahui multikolinieritas antar indikator, Hair, et al. (2014) menggunakan regresi untuk melihat nilai VIF dan tolerance. Hal ini dilakukan untuk menguji validitas dalam evaluasi indikator formatif. Regresi dilakukan dengan menggunakan seluruh indikator pada Konstruk Integritas sebagai variabel independen dan salah satu indikator pada Konstruk yang lain (yang tidak termasuk dalam model pengukuran suatu konstruk) sebagai variabel dependen. Dalam pengujian ini dilakukan regresi dari seluruh indikator konstruk Integritas dengan indikator Obyektivitas Auditor 1. Hasilnya sebagai berikut : commit to user
Tabel 10
Hasil uji multikolinieritas konstruk Integritas Indikator
Konstruk
Collineary Statistic
Keterangan Tolerance VIF
Integritas Auditor 1 0,614 1,629 Tdk terdapat multikolinieritas Integritas Auditor 2 0,621 1,61 Tdk terdapat multikolinieritas Integritas Auditor 3 0,477 2,095 Tdk terdapat multikolinieritas Integritas Auditor 4 0,578 1,73 Tdk terdapat multikolinieritas Integritas Auditor 5 0,784 1,275 Tdk terdapat multikolinieritas Integritas Auditor 6 0,65 1,539 Tdk terdapat multikolinieritas
Sumber : output SPSS (2015)
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance > 0,1 dan VIF < 10 (Ghozali, 2011) yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk INTEGRITAS.
b. Evaluasi outer model Konstruk OBYEKTIVITAS
Evaluasi outer model dengan menggunakan metode Bootstraping. Hasilnya diketahui bahwa nilai outer weight untuk indikator OBY1-OBY5 berturut-turut adalah 2,085; 1,248, 2,457, 1,618 dan 5,935. Kemudian untuk melihat signifikansi didalam outer weight indikator tersebut dapat diketahui dengan metode
Bootstrapping, yaitu melihat nilai T-Statistic. Wong (2013) mengatakan bahwa indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan (masing-masing < 1,6558 untuk tingkat signifikansi 5% dengan uji one-tailed). Hasil dari Bootstrapping sebagai berikut :
Tabel 11
Signifikansi outer weight dan outer loading konstruk Obyektivitas
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics
OBY1 -> OBYEKTIVITAS 2,0847 8,0567 Valid OBY2 -> OBYEKTIVITAS 1,2479 6,7315 Valid OBY3 -> OBYEKTIVITAS 2,4567 6,7251 Valid OBY4 -> OBYEKTIVITAS 1,6177 5,6707 Valid OBY5 -> OBYEKTIVITAS 5,935 15,176 Valid Sumber : hasil pengolahan output SmartPLS (2015)
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic
untuk Outer weight indikator OBY2 dan OBY4 < 1,6558 namun Outer loading
masing-masing indikator > 1,6558, sehingga menurut Wong (2013) indikator-indikator tersebut valid untuk mengukur konstruk Obyektivitas.
Untuk mengukur adanya multikolinieritas antar indikator, Hair, et al. (2014) menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi dilakukan dengan menggunakan seluruh indikator pada Konstruk Obyektivitas sebagai variabel independen dan salah satu indikator pada Konstruk yang lain (yang tidak termasuk dalam model pengukuran suatu konstruk) sebagai variabel dependen. Dalam pengujian ini dilakukan regresi terhadap seluruh indikator konstruk Obyektivitas dengan indikator Integritas Auditor 1. Hasilnya sebagai berikut :
Tabel 12
Hasil uji multikolinieritas konstruk Obyektivitas Indikator Konstruk Collineary Statistic Ket
Tolerance VIF
Obyektivitas Auditor 1 0,632 1,581 Tdk terdapat multikolinieritas Obyektivitas Auditor 2 0,744 commit to user 1,344 Tdk terdapat multikolinieritas
Tabel 12 (Lanjutan)
Hasil uji multikolinieritas konstruk Obyektivitas Indikator Konstruk Collineary Statistic Ket
Tolerance VIF
Obyektivitas Auditor 3 0,757 1,321 Tdk terdapat multikolinieritas Obyektivitas Auditor 4 0,711 1,405 Tdk terdapat multikolinieritas Obyektivitas Auditor 5 0,746 1,341 Tdk terdapat multikolinieritas Obyektivitas Auditor 6 0,632 1,581 Tdk terdapat multikolinieritas Sumber : hasil pengolahan output SPSS (2015)
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance > 0,1 dan VIF < 10 (Ghozali, 2011) yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk OBYEKTIVITAS.
c. Evaluasi outer model Konstruk KOMPETENSI
Evaluasi outer model dilakukan dengan metode Bootstraping. Hasilnya diketahui bahwa nilai outer weight untuk indikator KPT1-KPT6 berturut-turut adalah 0,453; 2,478; 1,218; 4,616 dan 0,522. Kemudian untuk melihat signifikansi dari outer weight indikator tersebut dapat diketahui dengan metode Bootstraping, yaitu melihat nilai T-Statistic. Wong (2013) mengatakan bahwa indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan (masing-masing < 1,6558). Hasil dari Bootstrapping sebagai berikut :
Tabel 13
Signifikansi outer weight dan outer loading konstruk Kompetensi
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics KPT1 -> KOMPETENSI 0,4532 5,9246 Valid KPT2 -> KOMPETENSI 2,4775 11,135 Valid commit to user
Tabel 13 (Lanjutan)
Signifikansi outer weight dan outer loading konstruk Kompetensi
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics KPT3 -> KOMPETENSI 1,2177 6,2107 Valid KPT4 -> KOMPETENSI 4,6158 12,0378 Valid KPT5 -> KOMPETENSI 0,5217 7,2367 Valid KPT6 -> KOMPETENSI 3,5817 6,3335 Valid Sumber : hasil pengolahan output SmartPLS (2015)
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic
untuk Outer weight KPT1, KPT3 dan KPT5 < 1,6558 namun Outer loading semua indikator > 1,6558, sehingga menurut Wong (2013) indikator-indikator tersebut valid untuk mengukur konstruk Kompetensi.
Untuk mengetahui adanya multikolinieritas antar indikator, Hair, et al. (2014) menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi dilakukan dengan menggunakan seluruh indikator pada Konstruk Kompetensi sebagai variabel independen dan salah satu indikator pada Konstruk yang lain (yang tidak termasuk dalam model pengukuran suatu konstruk) sebagai variabel dependen. Dalam pengujian ini dilakukan regresi dari seluruh indikator konstruk Kompetensi dengan indikator Obyektivitas Auditor 1. Hasilnya sebagai berikut :
Tabel 14
Hasil uji multikolinieritas konstruk Kompetensi Indikator Konstruk Collineary Statistic Ket
Tolerance VIF
Kompetensi Auditor 1 0,515 1,941 Tdk terdapat multikolinieritas Kompetensi Auditor 2 0,442 2,263 Tdk terdapat multikolinieritas Kompetensi Auditor 3 0,522 1,917 Tdk terdapat multikolinieritas
Tabel 14 (Lanjutan)
Hasil uji multikolinieritas konstruk Kompetensi Indikator Konstruk Collineary Statistic Ket
Tolerance VIF
Kompetensi Auditor 4 0,683 1,464 Tdk terdapat multikolinieritas Kompetensi Auditor 5 0,449 2,229 Tdk terdapat multikolinieritas Sumber : hasil pengolahan output SPSS (2015)
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance > 0,1 dan VIF < 10 (Ghozali, 2011) yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk Kompetensi.
d. Evaluasi outer model Konstruk KERAHASIAAN
Evaluasi outer model dilakukan menggunakan metode Bootstraping. Hasilnya diketahui bahwa nilai outer weight untuk indikator RHS1-RHS5 berturut-turut adalah 3,679; 4,796; 0,545; 2,189 dan 4,461. Kemudian untuk melihat signifikansi dari outer weight indikator tersebut dapat diketahui dengan metode Bootstraping, yaitu melihat nilai T-Statistic. Wong (2013) mengatakan bahwa indikator akan dihapuskan apabila outer weight dan outer loading tidak signifikan (masing-masing < 1,6558). Hasil dari Bootstrapping sebagai berikut :
Tabel 15
Signifikansi outer weight dan outer loading konstruk Kerahasiaan
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics RHS1 -> KERAHASIAAN 3,6788 9,2391 Valid RHS2 -> KERAHASIAAN 4,7956 13,1957 Valid RHS3 -> KERAHASIAAN 0,5453 4,1796 Valid commit to user
Tabel 15 (Lanjutan)
Signifikansi outer weight dan outer loading konstruk Kerahasiaan
Indikator Formatif Outer Weights Outer Loading Ket T Statistics T Statistics RHS4 -> KERAHASIAAN 2,1894 5,6789 Valid RHS5 -> KERAHASIAAN 4,461 12,1955 Valid Sumber : hasil pengolahan output SmartPLS (2015)
Berdasarkan tabel diatas dapat diketahui bahwa meskipun nilai T-Statistic
untuk Outer weight indikator RHS3 < 1,6558 namun Outer loading seluruh indikator > 1,6558, sehingga menurut Wong (2013) indikator-indikator tersebut valid untuk mengukur konstruk Kerahasiaan.
Untuk mengukur adanya multikolinieritas antar indikator, Hair, et al. (2014) menggunakan teknik regresi untuk melihat nilai VIF dan tolerance. Regresi dilakukan dengan menggunakan seluruh indikator pada Konstruk Kerahasiaan sebagai variabel independen dan salah satu indikator pada Konstruk yang lain (yang tidak termasuk dalam model pengukuran suatu konstruk) sebagai variabel dependen. Hasilnya sebagai berikut :
Tabel 16
Hasil uji multikolinieritas konstruk Kerahasiaan Indikator Konstruk Collineary Statistic Ket
Tolerance VIF
Kerahasiaan Auditor 1 0,729 1,372 Tdk terdapat multikolinieritas Kerahasiaan Auditor 2 0,667 1,499 Tdk terdapat multikolinieritas Kerahasiaan Auditor 3 0,801 1,248 Tdk terdapat multikolinieritas Kerahasiaan Auditor 4 0,849 1,177 Tdk terdapat multikolinieritas Kerahasiaan Auditor 5 0,718 1,393 Tdk terdapat multikolinieritas Sumber : hasil pengolahan output SPSS (2015)
Berdasarkan tabel diatas, dapat diketahui bahwa nilai tolerance > 0,1 dan VIF < 10 (Ghozali, 2011) yang mengindikasikan tidak ada multikolinieritas antar indikator formatif dalam konstruk Kerahasiaan.