Uji Model Struktural atau Inner Model

BAB III METODE PENELITIAN

E. Metode Analisis Data

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

43 untuk konstruk dependen, Stone-Geisser-square test untuk predictive relevance dan uji t serta signifikan dari koefisien parameter jalur struktural.

a. R-square

Dalam menilai model dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Interprestasinya 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, 2018). Nilai R-square 0,75, 0,50, 0,25 dapat disimpulkan bahwa model kuat, moderat dan lemah, hasil dari PLS R-square mempresentasikan jumlah varian dari konstruk yang dijelaskan oleh model (Ghozali, 2018).

b. Q-Square

Q-Square mengukur seberapa baik nilai observasi dihasilkan oleh model juga estimasi parameternya. Nilai Q-Square > 0 menunjukkan model memiliki predictive relevance, sebaliknya jika nilai Q-Square <

0 menunjukkan model kurang memiliki predictive relevance (Ghozali, 2018). Besaran Q-Square memiliki nilai dengan rentang 0 < Q2 < 1, dimana semakin medekati 1 berarti model semakin baik. Besaran Q2 ini setara dengan korfisien determinasi total pada analisis jalur (path analysis). Nilai Q-Square 0,02, 0,15, 0,35 dapat disimpulkan bahwa nilai predictive relevance lemah, moderate dan kuat. Perhitungan Q- Square dilakukan dengan rumus:

44 Q2 = 1- (1-R12) (1-R22) ... (1-Rp2)

Dimana R12, R22, .... Rp2 adalah R-Square variabel endogen.

c. Goodness of Fit (GoF)

GoF untuk overall fit index dapat digunakan kriteria goodness of fit index yang dikembangkan oleh Tenenhaus pada tahun 2014 dengan sebutan GoF Index. Index ini dikembangkan untuk mengevaluasi model pengukuran dan model struktural dan disamping itu menyediakan pegukuran sederhana untuk keseluruhan dari prediksi model (Ghozali, 2018). Nilai GoF index ini diperoleh dari average communalities dikalikan dengan nilai R2 model. Nilai GoF ini terbentang antara 1-0 dengan interprestasi nilai ini adalah 0,1 (GoF Kecil), 0,25 (GoF Moederat) dan 0,36 (GoF Besar) (Ghozali, 2018). Formula GoF Index yaitu:

GoF = √𝐶𝑜𝑚 𝑥 𝑅2

Com bergaris atas adalah average communalities dan R2 bergaris atas adalah rata-rata model R2.

d. Uji hipotesis

Dalam penelitian ini menggunakan analisis jalur (path analysis) untuk menganalisis pola antar hubungan variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel eksogen dengan variabel endogen. Seluruh pengujian dan analisis data menggunakan bantuan smartPLS 3. Setiap analisis yang dipilih untuk memecahkan permasalahan statistik tidak lepas dari asumsi yang harus

45 ditaati agar kesimpulan yang diperoleh dapat dipertanggungjawabkan.

Dasar yang digunakan untuk menguji hipotesis ini adalah nilai yang terdapat pada Path Coefficient unuk menguji model struktural. Diagram jalur memberikan secara eksplisit hubungan kausalitas antar variabel.

Model bergerak dari kiri ke kanan dengan implikasi prioritas hubungan kausal variabel yang bergerak ke sebelah kiri. Setiap nilai menggambarkan jalur dan koefisien jalur (Ghozali, 2018). 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.

Gambar 3.1

Model Struktural Penelitian

BAB IV

HASIL DAN PEMBAHASAN

A. Gambaran Umum Penelitian 1. Tempat dan Waktu Penelitian

Penelitan dilakukan terhadap akuntan publik yang bekerja di Kantor Akuntan Publik yang berada di wilayah DKI Jakarta. KAP tersebut terebar di 5 wilayah yaitu Jakarta Utara, Jakarta Pusat, Jakarta Timur, Jakarta Barat dan Jakarta Selatan. Auditor yang berpartisipasi dalam penelitian ini terdiri dari auditor junior, auditor senior, supervisor, manajer auditor dan partner.

Pengumpulan data daam penelitian ini dilaksanakan melalui penyebaran kuesioner secara langsung mendatangi responden,secara tidak langsung melalui perantara kepada responden yang bekerja di KAP dan menggunakan form google.doc. Penggunaan media online form google.doc untuk mempermudah proses pengumpulan data terutama karena waktu penyebaran kuesioner pada masa sibuk auditor. Daftar pertanyaan dalam form goggle.doc telah disesuaikan dengan kebutuhan penelitian. Data distribusi penyebaran kuesioner disajikan pada tabel 4.1.

Tabel 4.1 Data Sampel Penelitian

No. Keterangan Jumlah Presentase

1 Jumlah kuesioner yang disebar 105 100%

2 Jumlah kuesioner yang tidak kembali 22 21%

3 Jumlah seluruh kuesioner yang dapat diolah 83 79%

Sumber: data primer yang diolah

47 Kuesioner dalam bentuk fisik yang disebar sebanyak 105 dan jumlah tidak kembali sebanyak 22 buah atau 21%, hal ini dikarenakan waktu penyebaran kuesioner bertepatan dengan masa sibuk auditor, dimana banyak auditor tidak berada di kantor. Kuesioner yang dapat diolah sebanyak 83 buah atau 79%. Data distribusi penyebaran kuesioer penelitian dapat dilihat pada tabel 4.2.

Tabel 4.2

Data Distribusi Sampel Penelitian No. Sumber

Kuesioner

Kuesioner yang Dikirim

Kuesioner yang Tidak

Kembali

Kuesioner yang Diolah

1 Jakarta Selatan 45 13 32

2 Jakarta Utara 15 - 15

3 Jakarta Barat 20 - 20

4 Jakarta Timur 20 6 14

5 Jakarta Pusat 5 3 2

Total 105 22 83

Sumber: data primer yang diolah 2. Karakteristik dan profil responden

Responden dalam penelitian ini adalah akuntan publik yang bekerja di KAP wilayah DKI Jakarta. KAP tersebut tersebar di lima wilayah yaitu Jakarta Utara, Jakarta Timur, Jakarta Barat, Jakarta Pusat, dan Jakarta Selatan. Auditor yang menjadi responden adalah auditor yang mimiliki pengalaman minimal 1 tahun atau pernah melakukan proses audir. Berikut ini adalah deskripsi mengenai identitas responden dalam penelitian ini yang terdiri atas jenis kelamin, lama bekerja sebagai akuntan publik, pendidikan terakhir, dan jabatan terakhir.

48 a. Deskripsi responden berdasarkan jenis kelamin

Tabel 4.3 menunjukan hasil uji deskripsi responden jenis berdasarkan jenis kelamin.

Tabel 4. 3

Hasil Uji Deskripsi Responden Berdasarkan Jenis Kelamin

Sumber: data primer yang diolah

Tabel 4.3 diatas menunjukkan bahwa sebanyak 46 orang atau 55,4%

responden didominasi oleh jenis kelamin perempuan dan sisanya 37 orang atau sebesar 44,6% responden berjenis kelamin laki-laki. Hal ini dikarenakan responden berjenis kelamin perempuan lebih memiliki waktu luang dan kesediaan untuk berpartisipasi dalam penelitian ini.

b. Deskripsi responden berdasarkan lama bekerja

Tabel 4.4 merupakan hasil uji deskripsi responden berdasarkan lama bekerja sebagai auditor.

Tabel 4. 4

Hasil Uji Deskripsi Responden Berdasarkan Lama Bekerja

Sumber: data primer yang diolah

Frequency Percent Valid Percent

Cumulative Percent

Valid Laki-laki 37 44.6 44.6 44.6

Perempuan 46 55.4 55.4 100.0

Total 83 100.0 100.0

Frequency Percent Valid Percent

Cumulative Percent

Valid 0-5 60 72.3 72.3 72.3

6-10 16 19.3 19.3 91.6

11-15 3 3.6 3.6 95.2

16-20 1 1.2 1.2 96.4

>20 3 3.6 3.6 100.0

Total 83 100.0 100.0

49 Berdasarkan tabel 4.4, terlihar bahwa mayoritas responden telah lama bekerja sebagai auditor selama 0-5 tahun dengan jumlah 60 responden atau 72,3%. Sementara 16 responden atau sebanyak 19,3%

telah bekerja sebagai auditor selama 6-10 tahun. Auditor dengan lama bekerja selama 11-15 tahun dan lebih dari 20 tahun masing-masing sebanyak 3 responden atau 3,6%, dan 1 responden atau 1.2% telah lama bekerja sebagai auditor selama 16-20 tahun.

c. Deskripsi responden berdasarkan pendidikan terakhir

Tabel 4.5 merupakan hasil uji deskripsi responden berdasarkan pendidikan terakhir.

Tabel 4. 5

Hasil Uji Deskripsi Responden Berdasarkan Pendidikan Terakhir

Sumber: Data primer yang diolah

Berdasarkan tabel 4.5, terlihat bahwa responden dengan pendidikan terakhir. Strata satu lebih mendominasi yaitu dengan jumlah 65 responden atau 78,3%. 9 responden memiliki pendidikan terakhir Diploma atau sebesar 10,8%. Sementara 5 responden atau sebanyak 6,0% sedang menjalani Strata dua. Responden yang memiliki pendidikan terakhir Strata dua sebanyak 2 responden atau 2,4%. Dan

Frequency Percent Valid Percent

Cumulative Percent

Valid D3 9 10.8 10.8 10.8

S1 65 78.3 78.3 89.2

Sedang S2 5 6.0 6.0 95.2

S2 2 2.4 2.4 97.6

Sedang S3 1 1.2 1.2 98.8

S3 1 1.2 1.2 100.0

Total 83 100.0 100.0

50 responden yang sedang studi S3 atau telah memiliki gelar Strata tiga masing-masing 1 responden atau sebesar 1,2%.

d. Deskripsi responden berdasarkan jabatan

Tabel 4.6 merupakan hasil statistic deskripsi responden berdasarkan jabatan.

Tabel 4.6

Hasil Uji Deskripsi Responden Berdasarkan Jabatan

Sumber: Data primer yang diolah

Berdasarakan table 4.6 terlihat bahwa responden dengan jabatan junior auditor mendominasi dengan jumlah 46 responden atau sebesar 55,4%. 24 responden atau sebesar 28,9% merupakan senior auditor, 8 responden atau sebesar 9,6% merupakan supervisor, 3 responden atau sebesar 3,6% merupakan manajer auditor dan 2 responden atau sebesar 2.4% merupakan partner.

B. Hasil Uji Instrumen Penelitian 1. Hasil Uji Deskriptif

Hasil uji deskriptif terhadap variabel-variabel yang digunakan dalam penelitian ini yaitu ketidakjelasan peran, kelebihan peran, konflik peran, perilaku disfungsional auditor dan kinerja auditor ditunjukan dalam table 4.7

Frequency Percent Valid Percent

Cumulative Percent

Valid Partner 2 2.4 2.4 2.4

Supervisor 8 9.6 9.6 12.0

Manajer 3 3.6 3.6 15,7

Senior 24 28.9 28.9 44.6

Junior 46 55.4 55.4 100.0

Total 83 100.0 100.0

51 Tabel 4.7

Hasil Uji Statistik Deskriptif

Sumber: Data primer yang diolah

Tabel 4.7 menjelaskan bahwa pada variabel ketidakjelasan peran memiliki jawaban minimum sebesar 6 dan maksimum sebesar 24, dengan rata-rata total jawaban 10,63 dan standar deviasi 4,6923. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 4,6923 dari nilai rata- rata jawaban responden 11,63 atas pernyataan tentang variabel ketidakjelasan peran yang besarnya . Variabel kelebihan peran memiliki jawaban minimum responden sebesar 3 dan maksimum sebesar 11, dengan rata-rata total jawaban 6,10 dan standar deviasi 1,9915. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 1,9915 dari nilai rata-rata jawaban responden 6,10 atas pernyataan tentang variabel kelebihan peran yang besarnya. Variabel konfik peraan memiliki jawaban minimum sebesar 8 dan maksimum sebesar 32, dengan rata-rata total jawaban 14,61 dan standar deviasi 5,7991. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 5,7991 dari nilai rata-rata jawaban responden 14,61 atas pernyataann tentang konflik peran. Variabel perilaku disfungsinal audir memiliki jawaban mininum sebesar 20 dan maksimum sebesar 53, nilai rata-rata total jawaban 39,16 dan standar deviasi 6,6341. Nilai standar

N Minimum Maximum Mean Standar Deviasi Ketidakjelasan Peran 83 6 24 10,63 4,6923 Kelebihan Peran 83 3 11 6,10 1,9915 Konflik Peran 83 8 32 14,61 5,7991 Perilaku Disfungsional Audit83 20 53 39,16 6,6341 Kinerja Auditor 83 36 75 53,05 9,7166

52 deviasi menunjukkan adanya penyimpangan sebesar 6,6341 dari nilai rata- rata responden 39,16 atas pernyataan tentang perilaku disfungsional audit.

Variabel kinerja auditor memiliki jawaban minimum sebesar 36 dan maksimum sebesar 75, nilai rata-rata total jawaban 53,05 dan standar deviasi 9,7166. Nilai standar deviasi menunjukkan adanya penyimpangan sebesar 9,7166 dari nilai rata-rata jawaban responden 53,05 atas pernyataan tentang variabel kinerja audirtor yaitu sebesar. Berdasarkan hasil uji statistik deskriptif dapat diambil kesimpulan bahwa rata-rata jawaban responden untuk variabel ketidakjelasan peran, kelebihan peran, konflik peran, disfungsional audit dan kinerja auditor adalah.

2. Hasil Uji Outer Model atau Measurment Model

Terdapat kriteria di dalam penggunaan teknik analisis data dengan smart SmartPLS untuk menilai outer model yaitu Convergent Validity, Discriminant Validity dan Reliability.

a. Hasil Convergent Validity

Convergent Validity dari model pengukuran reflektif indikator dinilai berdasarkan korelasi antara item score atau component score yang diestimasi dengan software SmartPLS. Ukuran reflektif individual dikatakan tinggi jika berkorelasi lebih tinggi dari 0,70 dengan konstruk yang diukur. Namun menurut Chin (1998) dalam Ghozali (2015:74) untuk penelitian tahap awal dari pengembangan skala pengukuran nilai loading 0,50 sampai 0,60 dianggap cukup memadai. Dalam penelitian ini akan digunakan batas loading factor 0,50.

53 Tabel 4.8

Outer Loading

KA PDA RA RC RO

KA_1 0,757

KA_2 0,858

KA_3 0,859

KA_4 0,803

KA_5 0,805

KA_6 0,803

KA_7 0,873

KA_8 0,872

KA_9 -0,239

KA_10 0,837

KA_11 0,872

KA_12 0,837

KA_13 0,724

KA_14 0,759

KA_15 0,859

PDA_1 0,819

PDA_2 0,819

PDA_3 0,839

PDA_4 -0,570

PDA_5 0,857

PDA_6 0,837

PDA_7 0,709

PDA_8 0,832

PDA_9 0,776

PDA_10 0,805

PDA_11 0,802

PDA_12 0,757

RA_1 0,706

RA_2 0,224

RA_3 0,283

RA_4 -0,804

RA_5 0,233

RA_6 0,225

RC_1 0,771

RC_2 0,895

Bersambung pada halaman selanjutnya

KA PDA RA RC RO

RC_3 0,757

RC_4 0,632

RC_5 0,642

RC_6 0,473

RC_7 0,637

RC_8 0,616

RO_1 0,987

RO_2 0,897

RO_3 0,895

Sumber: Data primer yang diolah

Hasil pengolahan dengan menggunakan SmartPLS dapat dilihat pada tabel 4.8. Nilai outer model atau korelasi antar konstruk dengan variabel pada awalnya belum memenuhu Convergent Validity terdapat tiga puluh lima dengan nilai loading factor kurang dari 0,50 yaitu indikator KA_(9), PDA_(4), RA_(2,3,4,5,6) dan RC_(6). Untuk itu indikator tersebut harus dikeluarkan dari model.

Tabel 4.9

Outer Loading Modifikasi

KA PDA RA RC RO

KA_1 0,754

KA_2 0,856

KA_3 0,863

KA_4 0,805

KA_5 0,809

KA_6 0,807

KA_7 0,875

KA_8 0,871

KA_10 0,838

KA_11 0,867

KA_12 0,834

KA_13 0,727

KA_14 0,758

Bersambung pada halaman selanjutnya

KA PDA RA RC RO

KA_15 0,857

PDA_1 0,831

PDA_2 0,835

PDA_3 0,862

PDA_5 0,846

PDA_6 0,835

PDA_7 0,715

PDA_8 0,829

PDA_9 0,761

PDA_10 0,787

PDA_11 0,782

PDA_12 0,777

RA_1 1,000

RC_1 0,909

RC_2 0,935

RC_3 0,92

RC_4 0,85

RC_5 0,868

RC_7 0,852

RC_8 0,829

RO_1 0,985

RO_2 0,908

RO_3 0,896

Sumber: Data primer yang diolah

Modifikasi model dilakukan dengan mengeluarkan indikator- indikator yang memiliki nilai loading factor dibawah 0,50 dan dilakukan run ulang. Pada model modifikasi sebagaimana pada tabel 4.9 tersebut menunjukkan bahwa semua loading factor memiliki nilai diatas 0,50 sehingga menunjukkan tiap indikator signifikan terhadap konstruknya atau menunjukkan nilai seluruh variabel dinyatakan valid.

56 b. Hasil Discriminant Validity

Discriminant Validity dilakukan untuk memastikan bahwa setiap konsep dari masing-masing variabel laten berbeda dengan variabel lainnya. Model mempunyai Discriminant Validity yang baik jika setiap nilai loading yang paling besar dengan nilai loading yang lain terhadap variabel latennya. Hasil pengujian Discriminant Validity dpaat dilihat pada tabel 4.10.

Tabel 4.10 Cross Loading

KA PDA RA RC RO

KA_1 0,754 0,450 -0,070 -0,096 0,076 KA_2 0,856 0,269 0,045 -0,060 -0,012 KA_3 0,863 0,229 -0,055 -0,099 0,061 KA_4 0,805 0,34 -0,088 -0,096 0,055 KA_5 0,809 0,335 -0,089 -0,071 0,121 KA_6 0,807 0,382 -0,067 -0,093 -0,031 KA_7 0,875 0,428 -0,128 -0,122 0,123 KA_8 0,871 0,257 -0,042 -0,222 0,064 KA_10 0,838 0,310 -0,200 -0,045 0,136 KA_11 0,867 0,231 0,010 -0,108 -0,086 KA_12 0,834 0,196 0,026 -0,071 -0,038 KA_13 0,727 0,187 -0,021 -0,044 -0,075 KA_14 0,758 0,171 -0,006 -0,055 -0,006 KA_15 0,857 0,238 -0,065 -0,180 -0,048 PDA_1 0,322 0,831 -0,210 0,171 0,256 PDA_2 0,264 0,835 -0,277 0,126 0,109 PDA_3 0,320 0,862 -0,216 0,174 0,181 PDA_5 0,233 0,846 -0,250 0,001 0,101 PDA_6 0,282 0,835 -0,310 0,054 0,041 PDA_7 0,312 0,715 -0,109 0,025 0,053 PDA_8 0,288 0,829 -0,157 0,170 0,186 PDA_9 0,159 0,761 -0,149 0,069 -0,037 PDA_10 0,256 0,787 -0,258 0,035 -0,086

Bersambung pada halaman selanjutnya

KA PDA RA RC RO

PDA_11 0,353 0,782 -0,107 0,059 0,009 PDA_12 0,457 0,777 -0,149 0,169 0,220 RA_1 -0,078 -0,249 1,000 -0,029 -0,150 RC_1 -0,052 0,112 -0,021 0,909 0,210 RC_2 -0,159 0,134 -0,024 0,935 0,099 RC_3 -0,132 0,019 0,001 0,920 0,149 RC_4 -0,153 0,011 -0,009 0,850 0,131 RC_5 -0,132 0,000 0,09 0,868 0,161 RC_7 -0,161 0,004 0,024 0,852 0,164 RC_8 -0,145 -0,018 0,078 0,829 0,112 RO_1 0,072 0,162 -0,167 0,134 0,985 RO_2 0,019 0,032 -0,097 0,236 0,908 RO_3 -0,037 0,048 -0,094 0,160 0,896 Sumber: Data primer yang diolah

Tabel 4.10 menunjukkan bahwa konstruk ketidakjelasan peran memberikan nilai lebih tinggi terhadap indikatornya RA_1 dibandingkan konstruk lainnya sehingga memiliki Discriminant Validity yang baik. Konstruk kelebihan peran memberikan nilai indikator yang lebih tinggi terhadap indikatornya dibandingkan dengan konstruk lainnya terhadap indikator RO_1, RO_2 dan RO_3 sehingga memiliki Discriminant Validity yang baik.

Untuk variabel konflik peran (RC_1, RC_2, RC_3, RC_4, RC_5, RC_7, RC_8) nilai indikator yang muncul lebih tinggi terhadap indikatornya dibandingkan dengan konstruk lainnya, sehingga memiliki Discriminant Validity yang baik. Konstruk perilaku disfungsional audit juga mmeberikan nilai indikator yang lebih tinggi terhadap indikatornya dibandingkan dengan konstruk lainnya terhadap indikator PDA_1, PDA_2, PDA_3, PDA_5, PDA_6, PDA_7, PDA_8, PDA_9, PDA_10,

58 PDA_11 dan PDA_12 sehingga Discriminant Validity yang baik. Hal yang sama juga berlaku pada konstruk kinerja auditor yang memberikan nilai indikator yang lebih tinggi terhadap indikatornya dibandingkan dengan konstruk lainnya terhadap indikator KA_1, KA_2, KA_3, KA_4, KA_5, KA_6, KA_7, KA_8, KA_10, KA_11, KA_12, KA_13, KA_14 dan KA_15 sehingga dapat disimpulkan memiliki Discriminant Validity yang baik.

Semua nilai loading factor untuk setiap indikator dari masing- masing variabel laten sudah memiliki nilai loading factor paling besar dibanding nilai loading factor variabel laten lainnya. Hal ini berarti bahwa semua variabel laten sudah memiliki Discriminant Validity yang baik dimana konstruk laten memprediksi indikator pada blok mereka lebih baik dibandingkan dengan indikator di blok lainnya sehingga dapat disimpulkan semua variabel laten memiliki Discriminant Variabel yang baik.

c. Hasil Reliability

Kriteria Reliability dapat dilihat dari nilai Composite Reliability dan Cronbach Alpha dari masing-masing konstruk. Konstruk dikatakan memiliki reliabilitas yang tinggi mempunyai nilai Composite Reliability di atas 0,70 dan mempunyai nilai Cronbach Alpha di atas 0,60.

59 Tabel 4.11

Composite Reliability dan Cronbach Alpha

Composite Reliability

Cronbach Alpha

Ketidakjelasan Peran 1,000 1,000

Kelebihan Peran 0,951 0,941

Konflik Peran 0,960 0,970

Perilaku Disfungsional Audit 0,953 0,947

Kinerja Auditor 0,967 0,964

Sumber: Data primer yang diolah

Berdasarkan tabel 4.11 Composite Reliability variabel ketidakjelasan peran sebesar 1,000, variabel kelebihan peran 0,951, variabel konflik peran 0,960, variabel perilaku disfungsional audit 0,953 dan variabel kinerja auditor 0,967 yang berarti semua variabel telah memiliki nilai Composite Reliability di atas 0,70 dapat disimpulkan semua konstruk memenuhi kriteria reliabilitas. Cronbach Alpha variabel ketidakjelasan peran sebesar 1,000, variabel kelebihan peran 0,941, variabel konflik peran 0,970, variabel perilaku disfungsional audit 0,947 dan variabel kinerja auditor 0,964 sehingga menunjukkan tingkat konsistensi jawaban responden dalam setiap konstruk memiliki reliabilitas yang baik.

3. Hasil Uji Inner atau Structural Model

Pengujian inner model atau model struktural dilakukan untuk melihat hubungan antar konstruk, nilai signifikan dan R-square dari model penelitian. Model strukturan dievakuasi dengan menggunakan R-square untuk konstruk dependen, uji t, serta signifikan dari koefisien parameter jalur struktural.

60 Gambar 4.1

Gambar Inner Model Sebelum Modifikasi Sumber: Data primer yang diolah

61 Gambar 4.2

Gambar Inner Model Setelah Modifikasi Sumber: Data primer yang diolah

62 Gambar 4.3

Model Struktural Hasil Bootstrapping Sumber: Data primer yang diolah

63 a. Hasil R-square

Dalam menilai model dengan PLS dimulai dengan melihat R-square untuk setiap variabel laten dependen. Uji Goodness fit model adalah pengujian terhadap model struktural yang dilakukan dengan menilai nilai R-square (Ghozali, 2015:78). Tabel 4.12 merupakan hasil estimasi R-square dengan menggunakan SmartPLS.

Tabel 4. 12 Nilai R-square

R-Square Perilaku Disfungsional Audit 0,082

Kinerja Auditor 0,145

Sumber: Data primer yang diolah

Dalam penelitian ini menggunakan 2 buah variable yang dipengaruhi oleh variabel lainnya yaitu perilaku disfungsional audit yang dipengaruhi oleh variabel ketidakjelasan peran, kelebihan peran, dan konflik peran serta variabel kinerja auditor yang dipengaruhi oleh variabel perilaku disfungsional audit.

Pada tabel 4.12 menunjukkan nilai R-square untuk variabel perilaku disfungsional audit diperoleh sebesar 0,082 dan untuk variabel kinerja auditor sebesar 0,145. Hasil ini menunjukkan bahwa variabel ketidakjelasan peran, kelebihan peran, dan konflik peran secara simultan mampu menjelaskan variabel perilaku disfungsional audit sebesar 8,2% dan sisanya 91,8% diterangka oleh variabel lainnya yang tidak dihipotesiskan dalam model. Hasil selanjutnya untuk variabel ketidakjelasan peran, kelebihan peran, konflik peran, dan perilaku disfungsional audit mampu menjelaskan

64 variabel kinerja auditor sebesar 14,5% dan sisanya 85,5% diterangkan oleh variabel lainnya yang tidak dihipotesiskan dalam model. Menurut Chin (1998) dalam Ghozali (2015:78) nilai R-square ini termasuk dalam kategori moderat menuju tinggi.

b. Hasil Q-Square

Q-square mengukur seberapa baik nilai observasi dihasilkan oleh model dan juga estimasi parameternya. Suatu model dianggap mempunyai nilai predictive relevance yang relevan jika nilai Q-square lebih besar dari 0 (nol). Besaran Q-square memiliki nilai dengan rentang 0<Q²<1, model semakin baik jika nilai Q-square mendekati 1. Nilai Q-square diperoleh dari:

Q²= 1 – ( 1 – R12 ) ( 1 - R22 )

= 1 – (1-(0, 082²)) ( 1-(0,145²))

= 1 – (1- 0,006724) (1- 0,021025)

= 1 – (0,993276) (0,993276)

= 1 – (0,972392372) Q² = 0,027608

Hasil perhitungan Q-square pada penelitian ini 0,027608 yang berarti bahwa 2,76% variabel independen dan intervening ini layak untuk menjelaskan variabel dependen yaitu kinerja auditor.

c. Hasil Goodness of Fit (GoF)

Evaluasi model yang terakhir dengan melihat GoF dari model. Evaluasi goodness of fit model dilakukan untuk purification dan refinement terhadap

65 uji validitas atau reliabilitas konstruk (Ghozali, 2015:45) sehingga GoF ini digunakan untuk memvalidasi performa gabungan inner model dan outer model. Nilai GoF ini terbentang aantara 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). Nilai GoF diperoleh dari:

GoF= √𝐶𝑜𝑚 x R² = √(0,7944) (0,1135) = √(0,0902)

GoF = 0,3003

Hasil perhitungan GoF dalam penelitian ini menunjukkan nilai 0,3003, lebih besar dari 0,25. Sehingga model dalam penelitian ini memiliki kemampuan moderat dalam menjelaskan data empiris.

d. Hasil Uji Hipotesis

Hasil uji hipotesis dilakukan untuk melihat pengaruh suatu konstruk terhadap konstruk lainnya dengan melihat koefisien parameter dan nilai t- statistik (Ghozali, 2015:80). Dasar yang igunakan dalam menguji hipotesis adalah nilai yang terdapat pada output Path Coefficient untuk menguji model struktural. Hasil hipotesis yang diajukan, dapat dilihat dari besarnya t-statistik. Nilai t-statistik dibandingkan dengan nilai t-tabel yang ditentukan dalam penelitian ini adalah sebesar 1,9901 dimana diketahui nilai df sebesar 81 (jumlah sampel dikurangi dua: 83-2) dan α sebesar 0,05 (two tailed).

Batasan untuk menerima dan menolak hipotesis yang diajukan adalah ± 1,9896, dimana apabila nilai t-statistik berada pada rentang nilai -1,9896

66 dan 1,9896 maha hipotesis akan ditolak atau dengan kata lain menerima hipotesis nol (Ho).

Tabel 4.13

Path Coefficient (Mean, STDEV, T-Value) Original

Sample (O)

Sample Mean

(M)

Standard Deviatio

n (STDEV)

T-Statistic

(IO/STDEV) P Value

RA → PDA -0,235 -0,240 0,118 1,985 0,052 RO → PDA 0,075 0,043 0,204 0,368 0,713 RC → PDA 0,111 0,061 0,223 0,498 0,619 PDA → KA 0,380 0,393 0,153 2,492 0,013

Sumber: Data primer yang diolah

Tabel 4.13 diatas menunjukkan bahwa pengaruh PDA (perilaku disfungsional audit) terhadap KA (kinerja auditor) sebesar 0,380 dan signifikan pada signifikan pada 0,05 (2,492>1,9896). Pengaruh RA (ketidakjelasan peran) terhadap PDA (perilaku disfungsional audit) sebesar -0,235 dan tidak signifikan pada 0,05 (1,985<1,9896). Pengaruh RC (konflik peran) terhadap PDA (perilaku disfungsional audit) sebesar 0,111 dan tidak signifikan pada 0,05 (0,498<1,9896). Pengaruh RO (kelebihan peran) terhadap PDA (perilaku disfungsional audit sebesar 0,075 dan tidak signifikan pada 0,05 (0,368<1,9896).

C. Pembahasan

1. Pengaruh Ketidakjelasan Peran Terhadap Perilaku Disfungsional Audit

Hasil pengujian atas hipotesis ketidakjelasan peran terhadap perilaku disfungsional audit yang dilakukan dengan metode bootstrapping

67 menunjukkan nilai p-value 0,052 dengan nilai t-statistik sebesar 1,985.

Nilai p-value > 0,05 dan nilai t-statistik tersebut lebih kecil dari t-tabel 1,9896. Hal ini berarti ketidakjelasan peran tidak memiliki pengaruh dan tidak signifikan terhadap perilaku disfungsional audit. Hal ini berarti hipotesis pertama (H1 ditolak).

Hasil penelitian ini tidak sejalan dengan penelitian yang dilakukan oleh Triono (2020), Prabangkara et al. (2021) dan Shbail (2018), yang menyatakan bahwa ketidakjelasan peran berpengaruh positif terhadap perilaku disfungsional audit. Tetapi hasil penelitian ini sejalan dengan penelitian yang dilakukan oleh Devy et al. (2022) dan Sipayung et al.

(2021), yang menyatakan bahwa ketidakjelasan peran terhadap perilaku disfungsional audit.

Ketidakjelasan peran atau role ambiguity adalah tidak cukupnya informasi yang diberikan serta tidak adanya arah dan kebijakan yang jelas, kepastian tentang otoritas, kewajiban dan hubungan dengan lainnya dan ketidakpastian sanksi dan ganjaran terhadap perilaku yang dilakukan.

Ditolaknya hipotesis dalam penelitian ini diduga karena responden dalam penelitan ini adalah auditor pemula yang memiliki pengalaman kerja relatif singkat. Hal ini mengindikasikanbahwa ketika auditor dihadapkan oleh ambiguitas peran maka belum tentu akan berniat untuk melakukan perilaku disfungsional audit. Hal ini disebabkan kebanyakan responden adalah auditor pemula yang memiliki pengalaman kerja relatif singkat 0-5 tahun, jadi belum mengerti tentang perilaku-perilaku menyimpang dalam

68 pengauditan. Selain itu masih berpegang kokoh dengan kode etik auditor yang telah dipelajari di waktu pendidikan. Ambiguitas peran cenderung dialami oleh auditor senior, sehingga walaupun mereka mengalami ambiguitas peran namun dapat mengatasinya dengan pengalaman dan kemampuan yang cukup.

Berdasarkan teori planned behaviour, fenomena ketidakjelasan peran tersebut dimungkinkan terbentuk karena normatif subjektif yang sudah ada di Kantor Akuntan Publik (KAP) tersebut. Norma subjektif tersebut berupa budaya dalam melakukan perilaku disfungsional audit yang sudah menjadi kebiasaan atau budaya, sehingga tidak menunjukan niatan (intention). Jika sebuah kebiasaan sudah membudaya pada sebuah instansi, maka akan berdampak pada perilaku pegawai serta kinerja perusahaan atau organisasi.

Selain itu berdasarkan teori peran, responden yang didominasi oleh auditor junior yang memiliki pengalaman 0-5 tahun memungkinkan mereka tidak memiliki intensi untuk bertindak menyimpang dalam melakukan audit. Hal tersebut mereka takutkan mengganggu atau membahayakan awal karir mereka di ranah akuntan publik.

2. Pengaruh Kelebihan Peran Terhadap Perilaku Disfungsional Audit Hasil pengujian atas hipotesis kelebihan peran terhadap perilaku disfungsional audit yang dilakukan dengan metode bootstrapping menunjukkan nilai p-value 0,713 dengan nilai t-statistik sebesar 0,368.

Nilai p-value > 0,05 dan nilai t-statistik tersebut lebih kecil dari t-tabel 1,9896. Hal ini berarti kelebihan peran tidak memiliki pengaruh dan tidak

Dalam dokumen DINA INAWATI-FEB jurnal akuntansi jurnal akuntansi jurnal akuntansi (Halaman 58-62)