Analisis data dalam penelitian ini adalah analisis deskriptif dan verifikatif. Analisis deskriptif bertujuan memperoleh deskripsi tentang ciri-ciri variabel penelitian. Analisis verifikatif bertujuan mengetahui hubungan antar variabel melalui serangkaian pengujian hipotesis dengan menggunakan Struktural Equation Model (SEM) dengan pendekatan Partial Least Square (PLS).
Analisis verifikatif dilakukan dengan metode SEM berbasis variance yaitu PLS. Penggunaan SEM PLS dikarenakan model pengukuran dibentuk oleh variabel yang memiliki indikator yang berbentuk formatif. Model dalam SEM PLS meliputi outer model (model pengukuran) dan inner model (model struktural). Berikut dijelaskan ke 2 (dua) model tersebut:
a. Outer Model (Model Pengukuran)
Perancangan model pengukuran (outer model) dalam penelitian ini menggunakan second order, faktor pertama yaitu dimensi sedangkan faktor kedua yaitu variabel penelitian. Model pengukuran faktor kedua adalah model yang menghubungkan konstruk laten dengan variabel manifest. Konstruk laten terdiri atas aktivitas pengendalian, monitoring, penilaian risiko, kualitas sistem akuntansi instansi dan kualitas laporan keuangan. Sedangkan model pengukuran faktor pertama adalah model yang menghubungkan dimensi dengan indikator. Konstruk laten aktivitas pengendalian mempunyai 2 (dua) variabel manifest, monitoring mempunyai 2 (dua) variabel manifest, penilaian risiko mempunyai 2 (dua) variabel manifest, kualitas sistem akuntansi instansi mempunyai 5 (lima) variabel manifest dan juga kualitas laporan keuangan mempunyai 5 (lima) variabel manifest. Berikut ini akan di rinci model pengukuran yang akan digunakan:
1. Variabel aktivitas pengendalian mempunyai dimensi pengendalian komputer (komp), dan pengendalian fisik (fisi). Hubungan antara dimensi
dengan variabel adalah reflektif. Pengendalian komputer mempunyai 3 (tiga) indikator yang merupakan indikator reflektif. Pengendalian fisik mempunyai 2 (dua) indikator yang merupakan indikator reflektif. Berikut gambar model pengukuran PLS beserta persamaannya :
Gambar 3.1
Model PLS Pengukuran Variabel Aktivitas Pengendalian 2. Variabel monitoring (M), model pengukuran berbentuk formatif
pada order pertama yang terdiri dari Laporan Manajemen (lapo) dan Kinerja Manajemen (kine) dan reflektif pada order kedua. Berikut gambar dan persamaan pengukuran:
AP X1 Komp X1.1 Fisi X1.2 X1.1.1 X1.1.2 X1.1.3 X1.2.1 X1.2.2 X1.2.3 M X2 Lapo X2.1 Kine X2.2 X2.1.1 X2.2.2 X2.2.3 X2.2.1 X2.2.2
Gambar 3.2
Model PLS Pengukuran Variabel Monitoring
3. Penilaian Risiko (PR), model pengukuran berbentuk reflektif pada order pertama yang terdiri dari risiko operasional (oper), dan risiko teknologi (tekn) dan reflektif pada order kedua. Dengan gambar dan persamaan pengukuran yang menyatakan hubungan kausalitas antara indikator dengan variabel penelitian (laten) sebagai berikut :
Gambar 3.3
Model PLS Pengukuran Variabel Penilaian Risiko
4. Kualitas Sistem Akuntansi Instansi. Untuk variabel Kualitas Sistem Akuntansi Instansi (KSAI), model pengukuran berbentuk reflektif pada order pertama yang terdiri dari Integrasi (integ), Fleksibilitas (fleks), Aksesibilitas (akse), Formalitas (form), dan Reliabilitas (reli), dan reklektif pada order kedua. Dengan gambar dan
PR (X3) Oper (X3.1 ) Tekn (X3.2 ) X3.1.1 X3.1.2 X3.1.3 X3.2.1 X3.2.2 X3.2.3 X3.2.4
persamaan pengukuran yang menyatakan hubungan kausalitas antara indikator dengan variabel penelitian (latent) adalah :
Gambar 3.4
Model PLS Pengukuran Variabel Kualitas SAI
5. Untuk variabel Kualitas Laporan Keuangan (KLK), model pengukuran berbentuk reflektif pada order pertama yang terdiri dari Dapat dipahami (dapa), Relevan (rele), Materialitas (mate), Keandalan (kean), dan Kelengkapan (kele) dan reflektif pada order kedua. Dengan gambar dan persamaan pengukuran yang
inte g Y1 Y2 Y3 Y4 Y5 fleks akse Y6 for m Y7 Y8 KSAI Y Mul Y9 Y10
menyatakan hubungan kasualitas antara indikator dengan variabel penelitian (latent) sebagai berikut :
Gambar 3.5
Model PLS Pengukuran Variabel Kualitas Laporan Keuangan b. Inner Model (Model Struktural)
Inner model atau sering disebut inner relation structural model dan substantive theory yaitu untuk menggambarkan hubungan antar
Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 dapa rele mate kean kele KLK Z
variabel laten berdasarkan pada substantive theory. Pada penelitian ini model struktural (inner model), untuk menguji hipotesis dapat di ketahui sebagai berikut :
a. KSAI dipengaruhi oleh AP, M, dan PR b. KLK dipengaruhi oleh KSAI
Sehingga dalam penelitian ini spesifikasi diatas dapat digambarkan
dan dibuat persamaan sebagai berikut :
Gambar 3.6 Model Strukturisasi.
Secara lengkap model dan pengukuran struktural dapat di lihat pada gambar di bawah ini :
AP
M
PR
Gambar 3.7 Model PLS Lengkap AP X1 M X2 PR X3 KSAI Y KLK Z Komp Fisi Lap o Kin e ope r dap
a rele mate kean
flek s akse Form inte g X1.1.1 X1.1.2 X1.1.3 X1.2.1 X1.2.2 X1.2.3 X2.1.1 X2.1.2 X2.1.3 X2.2.1 X2.2.2 X2.2.3 X3.1.1 X3.1.2 X3.1.3 X3.2.1 X3.2.2 X3.2.3 X3.2.4 tek n Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 kel e Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Mu l Y9 Y10
c. Estimasi Model SEM-PLS
Algoritma SEM-PLS menaksir semua elemen dalam model jalur PLS, yang meliputi hubungan-hubungan konstruk dengan variabel-variabel indikator (bobot untuk konstruk formatif dan loading untuk konstruk reflektif. Bobot dan loading tersebut tidak diketahui dan nilainya ditaksir melalui algoritma SEM-PLS. di samping itu, menaksir hubungan di antara variabel-variabel laten dalam model struktural (koefisien-koefisien jalur).
Algoritma SEM-PLS menggunakan elemen-elemen yang diketahui untuk menaksir elemen-elemen dalam model yang tidak diketahui. Untuk tujuan ini, pertama-tama algoritma diperlukan untuk menentukan skor-skor dari konstruk yang digunakan sebagai input untuk model-model regresi partial (sederhana dan berganda) di dalam jalur model.
Setelah algoritma menghitung skor-skor konstruk, skor-skor tersebut dipergunakan untuk menaksir setiap model regresi partial dalam model jalur. Hasilnya adalah nilai-nilai taksiran untuk semua hubungan model pengukuran (loading dan bobot) dan model struktural (koefisien-koefisien jalur).
Pemilihan model regresi parsial bergantung pada model dari konstruk apakah reflektif atau formatif. Apabila model pengukurannya formatif, maka koefisien-koefisien (bobot-bobot outer) ditaksir melalui
regresi berganda dimana konstruk laten sebagai variabel dependen dan variabel-variabel indikator yang terkait sebagai variabel independennya. Sebaliknya jika model pengukuran reflektif, koefisien-koefisien (outer loadings) ditaksir melalui regresi-regresi sederhana dari setiap variabel indikator yang terkait kepada konstruknya.
Selanjutnya adalah menghitung model stuktural. Regresi-regresi parsial untuk model struktural menetapkan konstruk sebagai variabel dependen, sedangkan variabel-variabel laten yang mempunyai hubungan langsung terhadap target konstruk merupakan independennya. Regresi tersebut digunakan untuk menaksir koefisien-koefisien jalur. Dengan demikian, terdapat model regresi parsial untuk setiap variabel laten endogen untuk menaksir koefisien-koefisien jalur dalam model struktural. Seluruh model regresi ditaksir melalui prosedur literatif yang meliputi dua tahap. Tahap pertama, menaksir skor-skor konstruk. Kemudian tahap kedua menghitung taksiran-taksiran final dari bobot-bobot outer dan loadings, serta koefisien-koefisien jalur model struktural dan juga nilai-nilai R2 dari variabel-variabel laten endogen.
d. Evaluasi Model PLS-SEM
Model pada Structural Equation Modelling (SEM) melalui pendekatan Partial Least Square (PLS) terdiri dari 2 (dua) jenis yaitu evaluasi model pengukuran (outer model) dan evaluasi model struktural (inner model).
1. Evaluasi Model Pengukuran (Outer Model)
Model pengukuran dipisahkan untuk model reflektif (reflective measurement models) dan model formatif (formative measurement models), dengan penjelasan sebagai berikut :
a. Pengukuran Reflektif
Tujuan dari penilaian model pengukuran reflektif adalah untuk memastikan reliabilitas dan validitas. Evaluasi pengukuran reflektif sebagai berikut :
a.1. Validitas Indikator
Menurut Bollen (1989:197) untuk mengukur validitas masing-masing indikator digunakan nilai signifikansi loading factor yaitu dengan menguji:
H0 : ฮป ij = 0
Jika nilai โp lebih kecil dari nilai signifikansi loading factor maka indikator tersebut dikatakan signifikan atau valid.
a.2. Reliabilitas Indikator
Pengukuran reliabilitas indikator menggunakan standar yang disarankan oleh Bollen (1989:221) yaitu menggunakan nilai R2. Suatu indikator dikatakan reliable jika nilai R2 tidak kurang dari 0,5.
a.3. Validitas Konvergen (Convergent Validity)
Ukuran yang umum untuk membangun validitas konvergen pada tingkat konstruk adalah AVE (Average Variance Extracted). Uji validitas konvergen menggunakan nilai loading factor untuk setiap indikator
konstruk. Indikator akan dipertahankan jika nilai AVE lebih besar dari 0,5 sampai 0,60 dianggap cukup (Hair et al, 2014:103).
Pengujian relevansi outer model :
a. Loading factor <0,4 ; indikator refleksi dihapuskan.
b. Loading factor >0,4 atau <0,7 ; dipertimbangkan untuk dihapus dan menganalisis dampak penghapusan indikator pada AVE :
1.1. Indikator dipertahankan jika dengan dipertahankannya indikator tersebut akan meningkatkan nilai AVE atau composite reliability. 1.2. Indikator dihapuskan jika dengan dipertahankannya indikator tersebut
akan meningkatkan nilai AVE atau composite reliability. c. Loading factor >0,7 ; indikator reflektif dipertahankan. a.4. Reliabilitas Konsistensi Internal (Internal Consistency Reliability)
Uji reliabilitas untuk membuktikan akurasi, konsistensi dan ketepatan instrument dalam mengukur konstruk. Untuk reliabilitas digunakan nilai CR (composite reliability) dengan menggunakan rumus berikut ini :
(โ ๐๐)ยฒ๐
(โ ๐๐)ยฒ + ๐ด๐๐ฃ๐๐(๐๐)๐
Keterangan :
๐๐ = melambangkan bobot outer terstandarisasi dari variabel indikator i dari konstruksi tertentu.
pc =
๐ด๐ = adalah kesalahan pengukuran variabel indikator i. Var = menunjukkan varians dari kesalahan pengukuran. (ei) = didefinisikan sebagai l-li2
a.5. Validitas Diskriminan
Untuk menguji validitas diskriminan dengan melihat nilai cross loading untuk setiap variabel harus bernilai 0,7. Cara lain yang dapat digunakan yaitu dengan membandingkan akar kuadrat dari AVE untuk setiap konstruk dengan nilai korelasi antar konstruk dalam model. Validitas diskriminan yang baik ditunjukkan dari akar kuadrat AVE untuk setiap konstruk lebih besar dari korelasi antar konstruk dalam model (Hair et al, 2014:104).
a.5.1. Outer loading sebuah indikator suatu konstruk harus lebih besar dari semua cross loading dengan bentuk konstruk lainnya. Dikenal dengan criteria Fornell-Larcker (Hair et al, 2014:104).
a.5.2. Akar kuadrat dari AVE pada masing-masing konstruk harus lebih besar dari korelasi antar konstruk dalam model (Fornell:1981).
2. Pengukuran formatif
b.1. Kolinieritas (colliniearity)
Uji kolinieritas menyatakan antara indikator yang dibentuk tidak saling berhubungan (sangat tinggi) atau tidak terdapat masalah multikolinier antara indikator. Untuk mengevaluasi apakah terdapat multikolinier dapat diukur
dengan menggunakan Variance Inflation Factor (VIF). Nilai toleransi setiap indikator harus lebih tinggi dari 0,2 (lebih rendah dari 5) (Hair et al, 2014:132). b.2. Signifikansi dan Relevansi Bobot Outer (Outer Weights)
Relevansi dimensi formatif dilihat dari signifikansi koefisien weight nya. Koefisien weight yang signifikan menunjukan dimensi tersebut relevan. 3. Evaluasi Model Struktural (Inner Model)
Berdasarkan pendapat Hair et al (2014) bahwa untuk menguji model struktural dimulai dari uji kolinieritas uji hipotesis.
a) Colliniearity Asessment
Periksa setiap set prediktor dalam model struktural untuk kolinieritas. Nilai toleransi (VIF) setiap prediktor konstruk harus lebih rendah dari 5. Jika tidak, pertimbangan untuk menghapus konstruk, menggabungkan prediktor menjadi konstruk tunggal atau menciptakan konstruk dalam orde yang lebih tinggi untuk mengatasi masalah kolinieritas.
b) Struktural Model Path Coeffisients
Path coeffisients memiliki nilai antara -1 dan +1. Perkiraan koefisien jalur (Path Coeffisients) mendekati +1 merepresentasikan hubungan positif yang kuat (sebaliknya untuk nilai negatif) yang secara statistik signifikan (berbeda dari 0 dalam populasi). Semakin dekat koefisien pada nilai 0, hubungan lemah. Nilai-nilai yang rendah biasanya tidak signifikan (tidak signifikan berbeda dari 0) (Hair et al, 2014:171).
Terkait pengujian hipotesis penelitian terdapat empat hipotesis sebagai berikut:
Hipotesis 1
Aktivitas pengendalian berpengaruh terhadap kualitas sistem akuntansi instansi. Uji hipotesis statistik sebagai berikut :
H0 : ฮณ11 = 0 Aktivitas pengendalian tidak berpengaruh terhadap kualitas sistem akuntansi instansi.
H1 :ฮณ11 โ 0 Aktivitas pengendalian berpengaruh signifikan terhadap kualitas sistem akuntansi instansi.
Statistik uji yang di gunakan:
๐ก = ลท11 ๐๐(ลถ11)
Kriteria uji: tolak H0 jika nilai โp lebih kecil dari taraf signifikansi (0,05). Hipotesis 2
Monitoring berpengaruh terhadap kualitas sistem akuntansi instansi. Uji hipotesis statistik sebagai berikut:
H0 : ฮณ12 = 0 Monitoring tidak berpengaruh terhadap kualitas sistem akuntansi instansi.
H1 : ฮณ12 โ 0 Monitoring berpengaruh signifikan terhadap kualitas sistem akuntansi instansi.
๐ก = ลท12 ๐๐(ลถ12)
Kriteria uji : tolak H0 jika nilai โp lebih kecil dari taraf signifikansi (0,05). Hipotesis 3
Penilaian Risiko berpengaruh terhadap kualitas sistem akuntansi instansi Uji hipotesis statistik sebagai berikut:
H0 : ฮณ13 = 0 Penilaian risiko tidak berpengaruh terhadap kualitas sistem akuntansi instansi
H1 : ฮณ13 โ 0 Penilaian risiko berpengaruh signifikan terhadap kualitas sistem akuntansi instansi
Statistik uji yang digunakan adalah:
๐ก = ลท13 ๐๐(ลถ13)
Kriteria uji: tolak H0 jika nilai โp lebih kecil dari taraf signifikansi (0,05). Hipotesis 4
Kualitas sistem akuntansi instansi berpengaruh terhadap kualitas laporan keuangan. Uji hipotesis statistik sebagai berikut:
H0 : ฮฒ21 = 0 Kualitas sistem akuntansi instansi tidak berpengaruh terhadap kualitas laporan keuangan
H1 : ฮฒ21 โ 0 Kualitas sistem akuntansi instansi berpengaruh signifikan terhadap kualitas laporan keuangan
๐ก = ฮฒ21 ๐๐(๐ฝ21)
Kriteria uji : tolak H0 jika nilai โp lebih kecil dari taraf signifikansi (0,05). 4. Interpretasi Hasil
Setelah mendapatkan nilai koefisien jalur, tahap selanjutnya adalah membuat interpretasi atas nilai koefisien jalur dari setiap variabel penelitian untuk mengetahui besarnya hubungan antar variabel yang digunakan untuk penelitian. Untuk tujuan analisa, interpretasi atas hasil pengujian koefisien jalur yang telah diperoleh untuk setiap variabel akan menggunakan kriteria berikut:
Tabel 3.2
Kriteria Penilaian Hubungan antar Variabel Penelitian Berdasarkan Nilai Koefisisen Jalur
No Nilai Koefisien Jalur
Kriteria Korelasi
1 Less than 0,20 Single correlation, almost negligible relationship 2 0,20 โ 0,40 Low correlation, definite but small relationship 3 0,40 โ 0,70 Moderate correlation, substantial relationship 4 0,70 โ 0,90 High correlation, marked relationship
5 0,90 โ 1.00 Very high correlation, very dependable relationship