HASIL PENELITIAN DAN PEMBAHASAN
5.1. Hasil Penelitian
5.1.5. SEM dengan Metode Estimasi Bayes pada Software AMOS
Diketahui seluruh nilai korelasi (kolom Estimate) di bawah 0,9. Ghozali (2011) menyatakan nilai korelasi yang kurang dari 0,9 diindikasi tidak terjadi gejala multikolinearitas.
5.1.5. SEM dengan Metode Estimasi Bayes pada Software AMOS
Metode estimasi maximum likelihood yang digunakan oleh program AMOS memerlukan asumsi yang sangat ketat berkaitan dengan jumlah sampel harus besar dan data terdistribusi secara normal multivariat. Asumsi ini sering tidak dapat dipenuhi oleh peneliti. Dengan perkembangan statistik Bayesian saat
ini, persoalan jumlah sampel kecil dan data tidak multivariate normal dapat diatasi dengan mudah (Ghozali, 2014).
Statistik Bayesian menggunakan iterasi jumlah re-sampling data yang sangat besar untuk mencapai distribusi normal dengan menggunakan metode Markov Chain Monte Carlo (MCMC). Program AMOS telah mengintegrasikan MCMC ke dalam program, sehingga kita dapat menggunakan metode estimasi Bayesian.
Dalam statistika inferensial diasumsikan bahwa distribusi populasi diketahui dengan pasti. Teknik yang digunakan untuk menaksir nilai parameter jika distribusi populasi diketahui dengan pasti adalah metode maximum likelihood dan metode ini hanya mendasarkan inferensi pada sampel, tetapi jika distribusi populasi tidak diketahui maka metode maximum likelihood tidak dapat digunakan (Ghozali, 2014:327).
Pendekatan alternatif dengan model statistik Bayesian yang memandang bahwa setiap kuantitas yang tidak diketahui nilainya (unknown) sebagai variabel random dan diberikan distribusi probabilitasnya. Jadi Bayesian memperkenalkan suatu metode di mana kita perlu mengetahui bentuk distribusi awal (prior) dari populasi dengan metode bayes. Menurut bayes parameter populasi berasal dari suatu distribusi sehingga nilainya tidaklah tunggal (merupakan variabel random), sedangkan menurut metode klasik (maximum likelihood) parameter populasi diasumsikan tetap (konstan) walaupun nilainya tidak diketahui (Ghozali, 2014:327).
Masing-masing pendekatan sudah tentu mempunyai kelebihan dan kekurangan masing-masing. Pada metode maximum likelihood teknik estimasi
parameternya lebih mudah, sehingga orang banyak menggunakan teknik ini. Akan tetapi teknik ini sangat sensitif terhadap data ekstrim. Data ekstrim sangat berpengaruh terhadap nilai rata-rata ataupun variasi. Sedangkan pada metode Bayes, karena nilai parameternya berasal dari suatu distribusi, maka kesulitan pertama yang dijumpai adalah menentukan bagaimana bentuk distribusi parameter tersebut. Walaupun menentukan distribusi awal (prior) dari parameter sulit, tetapi estimasi parameter dengan metode Bayes lebih menjanjikan karena peneliti tidak perlu tahu tentang distribusi awal dari populasi (Ghozali, 2014:327-328).
Sampai tahun 1980an statistik Bayes masih dipandang sebagai alternatif daripada statistik klasikal. Belum diterimanya statistik Bayes untuk analisis data kuantitatif karena perhitungan distribusi posterior yang sangat sulit dilakukan.
Baru dalam tahun 1990an ditemukan metode Markov Chain Monte Carlo (MCMC) yang diikuti dengan pertumbuhan personal computer membuat perhitungan distribusi posterior menjadi sangat mudah. Dengan menggunakan MCMC kita dapat menyelesaikan masalah yang sebelumnya tidak bisa diselesaikan dengan metode tradisional (Ghozali, 2014:329).
SEM dengan estimasi maximum likelihood memerlukan jumlah sampel yang besar dan data harus berdistribusi normal multivariate. Metode estimasi Bayes dapat dilakukan dengan jumlah sampel kecil dan tidak berdistribusi normal.
Dengan jumlah sampel besar maka metode estimasi Bayes hasilnya akan mendekati metode maximum likelihood (Ghozali, 2014:330).
Metode-metode estimasi parameter yang disediakan dalam AMOS adalah Maximum likelihood, Generalized least squares, Unweighted least squares, Scale-free least squares, Asymptotically distribution-Scale-free, dan Bayesian Estimation.
Pengujian Pengaruh Pemanfaatan Teknologi Informasi, Kapasitas Sumber Daya Manusia, Rekonsiliasi, Sistem Pengendalian Intern terhadap Kualitas Laporan Keuangan
Tabel 5.13 merupakan hasil berdasarkan software AMOS menggunakan metode Bayes. Berdasarkan hasil AMOS pada Tabel 5.13, diketahui:
1. Nilai koefisien jalur (Mean) dari pemanfaatan teknologi informasi adalah 0,388, yakni bernilai positif. Hal ini berarti pemanfaatan teknologi informasi berpengaruh positif terhadap kualitas laporan keuangan. Untuk mengetahui pengaruh positif tersebut signifikan atau tidak, maka perhatikan nilai credible interval lower bound 0,266 dan upper bound 0,512. Ghozali (2014:349) menyatakan jika dalam range interval lower bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik. Perhatikan bahwa karena tidak memuat angka 0 pada credible interval, maka pengaruh pemanfaatan teknologi informasi terhadap akuntansi kualitas laporan keuangan signifikan.
2. Nilai koefisien jalur (Mean) dari kapasitas sumber daya manusia adalah 0,064, yakni bernilai positif. Hal ini berarti kapasitas sumber daya manusia berpengaruh positif terhadap kualitas laporan keuangan. Untuk mengetahui pengaruh positif tersebut signifikan atau tidak, maka perhatikan nilai credible interval lower bound -0,034 dan upper bound 0,164. Ghozali (2014:349) menyatakan jika dalam range interval lower bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik. Perhatikan bahwa karena memuat angka 0 pada credible interval, maka pengaruh kapasitas sumber daya manusia terhadap kualitas laporan keuangan tidak signifikan.
3. Nilai koefisien jalur (Mean) dari rekonsiliasi adalah 0,367, yakni bernilai positif. Hal ini berarti rekonsiliasi berpengaruh positif terhadap kualitas laporan keuangan. Untuk mengetahui pengaruh positif tersebut signifikan atau tidak, maka perhatikan nilai credible interval lower bound 0,252 dan upper bound 0,484. Ghozali (2014:349) menyatakan jika dalam range interval lower bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik. Perhatikan bahwa karena tidak memuat angka 0 pada credible interval, maka pengaruh rekonsiliasi terhadap kualitas laporan keuangan signifikan.
4. Nilai koefisien jalur (Mean) dari sistem pengendalian intern adalah 0,209, yakni bernilai positif. Hal ini berarti sistem pengendalian intern berpengaruh positif terhadap kualitas laporan keuangan. Untuk mengetahui pengaruh positif tersebut signifikan atau tidak, maka perhatikan nilai credible interval lower bound 0,138 dan upper bound 0,277. Ghozali (2014:349) menyatakan jika dalam range interval lower bound dan upper bound memuat angka 0, maka pengaruh tidak signifikan secara statistik. Perhatikan bahwa karena tidak memuat angka 0 pada credible interval, maka pengaruh sistem pengendalian intern terhadap akuntansi kualitas laporan keuangan signifikan.
Tabel 5.13 Hasil AMOS dengan Metode Bayes (Nonparametrik)
Mean S.E. S.D. C.S.
Tabel 5.14 Hasil AMOS dengan Metode Maximum Likelihood
Berikut diberikan hasil perbandingan antara SEM pendekatan Maximum Likelihood dengan SEM pendekatan Bayes.
Tabel 5.15
Perbandingan Hasil SEM AMOS antara Pendekatan Bayes dan Maximum Likelihood
Pengaruh Hasil SEM AMOS dengan Pendekatan
Bayes
Hasil SEM AMOS Pendekatan Maximum Likelihood Y <- X1 Signifikan (credible
interval tidak memuat 0)
Signifikan (p = 0,024 < 0,05) Y <- X2 Tidak Signifikan (credible
interval memuat 0)
Tidak Signifikan (p = 0,632 > 0,05) Y <- X3 Signifikan (credible
interval tidak memuat 0)
Signifikan (p = 0,021 < 0,05) Y <- X4 Signifikan (credible
interval tidak memuat 0)
Signifikan (p = 0,028 < 0,05)
Tabel 5.16 Koefisien Determinasi
Diketahui nilai Squared Multiple Correlations adalah 0,465. Hal ini berarti pengaruh pemanfaatan teknologi informasi, kapasitas sumber daya manusia, rekonsiliasi, dan sistem pengendalian intern terhadap kualitas laporan keuangan
sebesar 0,465 atau 46,5%, sisanya sebesar 53,5% dipengaruhi oleh faktor-faktor lain.