57

1.1 Definisi Variabel dan Operasional Variabel Penelitian

1.1.1 Definisi Variabel

Variabel merupakan suatu atribut atau sifat atau nilai dari orang,

obyek atau kegiatan yang mempunyai variasi tertentu yang ditetapkan

oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya

(Sugiyono 2009: 38). Oleh karena itu, definisi variabel operasional adalah

seperangkat petunjuk yang lengkap tentang apa yang harus diamati dan

bagaimana mengukur variabel tersebut. Dalam penelitian ini, variabel yang

diteliti diklasifikasikan menjadi dua variabel, yaitu:

a. Variabel Terikat atau Dependen

Variabel terikat merupakan variabel yang mempengaruhi atau yang

menjadi akibat karena adanya variabel bebas (Sugiyono, 2009: 39).

Variabel terikat yang digunakan dalam penelitian ini adalah audit

judgment.

Audit judgment yaitu kebijakan auditor dalam menentukan pendapat

mengenai hasil auditnya yang mengacu pada pembentukan suatu gagasan,

pendapat atau perkiraan tentang suatu objek, peristiwa, status, atau jenis

peristiwa lainnya (Jamilah, dkk., 2007). Pengukuran audit judgment adalah

dengan memodifikasi kuesioner yang dikembangkan oleh Rizsqi

Puspitasari, yang terdiri dari 6 butir pertanyaan.

b. Variabel Bebas atau Independen

Variabel bebas adalah variabel yang mempengaruhi atau yang

menjadi sebab perubahannya atau timbulnya variabel terikat (Sugiyono,

 58

2009: 39). Variabel bebas (independen) yang digunakan dalam penelitian

adalah tekanan ketaatan dan pengalaman auditor. Dalam variabel ini,

peneliti menggunakan kuesioner yang dikembangkan oleh Jamilah, dkk

dan Ika Sukriah.

b. Variabel Pemoderasi

Variabel pemoderasi pada penelitian ini adalah gender. Suatu konsep

kultural yang berupaya membuat pembedaan (distinction) dalam hal peran,

perilaku, mentalitas, dan karakteristik emosional antara laki-laki dan

perempuan yang berkembang dalam masyarakat. Gender merupakan

variabel pemoderasi yang dibedakan menjadi dua kategori yaitu pria dan

wanita. Skala pengukuran digunakan skala nominal 1 = laki-laki, 0 =

perempuan.

1.1.2 Operasional Variabel Penelitian

Sesuai dengan judul skripsi yang diteliti yaitu pengaruh tekanan

ketaatan dan pengalaman auditor terhadap judgment audit dengna

dimoderasi oleh gender, Maka terdapat tiga variabel penelitian, yaitu:

1. Pengaruh tekanan ketaatan sebagai variabel bebas (X1).

2. Pengalaman audit sebagai variabel bebas (X2).

3. Audit Judgment sebagai variabel terikat (Y).

4. Gender sebagai variabel pemoderasi (Z1).

 59

Operasionalisasi variabel diperlukan untuk menentukan jenis dan

indikator serta skala pengukuran dari variabel-variabel yang terkait

dalam penelitian ini, sehingga pengujian hipotesis dapat dilakukan

dengan benar.

Operasionalisasi variabel diperlukan untuk menentukan jenis dan

indikator serta skala pengukuran dari variabel-variabel yang terkait dalam

penelitian ini, sehingga pengujian hipotesis dapat dilakukan dengan benar.

Tabel 3.3
Definisi Operasional Variabel

Variabel Definisi Indikator Skala

Tekanan Tekanan yang Ketaatan auditor terhadap Ordinal

Ketaatan (X1) diterima oleh standar profesional auditor.
(Jamilah, S., auditor dalam
menghadapi
Z. Fanani dan atasan dan klien
G. untuk
Chandrarin. melakukan
2007:26). tindakan
menyimpang
dari standar
etika.
Pengalaman Pengalaman Indikator dalam variabel Ordinal
auditor (X2) dalam pengalaman adalah:
(Sukriah, Ika melakukan  Lamanya bekerja
audit baik dari sebagai auditor
Dkk. 2009.
segi waktu,  Banyaknya tugas
Jurnal. pemeriksaan yang
maupun
Simposium telah dilakukan.
jumlah
Nasional penugasan
Akuntansi yang pernah
XII. ditangani.
Palembang)
Audit Audit judgment  Materialitas Ordinal
Judgment (Y) mengacu pada  Risiko audit
(Bonner, pembentukan  Going Concern
ide, pendapat
 60

1999) atau perkiraan

tentang objek,
peristiwa,
keadaan, atau
jenis lain dari
fenomena.
Judgment
cenderung
mengambil
prediksi
tentang masa
depan atau
evaluasi dari
situasi saat ini.
Gender (Z1). Suatu konsep Gender merupakan variabel Nominal
(Jamilah, S., kultural yang dummy dimana 1 = pria dan
berupaya 0 = wanita.
Z. Fanani dan
membuat
G. pembedaan
Chandrarin. (distinction)
2007:26). dalam hal peran,
perilaku,
mentalitas, dan
karakteristik
emosional
antara laki-laki
dan perempuan
yang
berkembang di
masyarakat.

1.2 Populasi dan Sampel

Menurut Sugiyono (2013) Populasi adalah wilayah generalisasi yang

terdiri dari obyek atau subyek yang mempunyai kualitas dan karakteristik

tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian

ditarik kesimpulannya.

Populasi yang digunakan dalam penelitian ini adalah Kantor

Akuntan Publik di Banten. Adapun alasan mengapa penulis mengambil

 61

Kantor Akuntan Publik di Banten menjadi tempat penelitian karena Kantor

Akuntan Publik merupakan tempat bernaung nya para auditor independen.

1.3 Metode Pengambilan Sampel

Pengambilan sampel pada penelitian ini dilakukan dengan teknik

simple random sampling, yang didasarkan pada kriteria sebagai berikut:

(1) auditor yang bekerja pada Kantor Akuntan Publik di Banten; (2) level

auditor senior dan junior.

1.4 Tempat dan Waktu Penelitian

Adapun tempat akan dijadikan tempat penelitian adalah Kantor

Akuntan Publik (KAP) di Banten. Salah satu alasan mengapa penulis

memilih Kantor Akuntan Publik (KAP) di Banten untuk menjadi sampel

adalah karena Kantor Akuntan Publik (KAP) memenuhi kriteria yang akan

di teliti oleh penulis. Sehingga membantu dalam mengumpulkan data.

Tabel 3.2
Jadwal Penelitian

No Kegiatan Januari Februari Maret April Mei

1 Pra Survey
√
2 Penulisan Usulan
Penelitian √

3 Pencarian data
√

4 Analisis data
√
 62

5 Penulisan laporan
penelitian √

1.5 Metode Pengumpulan data

Jenis data dalam penelitian ini adalah data primer merupakan data

yang didapat dari sumber pertama baik dari individu atau perseorangan

seperti hasil dari wawancara atau hasil pengisian kuesioner yang biasa

dilakukan oleh peneliti (Umar, 2013:42). Data dalam penelitian ini

bersumber dari kuisioner yang telah dijawab oleh responden para pemakai

laporan keuangan dan auditor baik pria maupun wanita yang bekerja pada

Kantor Akuntan Publik (KAP) di Banten.

Cara penyebaran kuisioner adalah sebagai berikut :

1. Kuesioner diserahkan langsung kepada responden yang cocok untuk

sampel penelitian yaitu auditor yang bekerja pada Kantor Akuntan

Publik (KAP) di Banten.

2. Peneliti menyerahkan kuesioner kepada petugas kantor perusahaan

untuk diberikan kepada responden, kemudian responden tersebut

mengembalikan kembali ke petugas kantor perusahaan untuk

diserahkan kepada peneliti.

1.6 Metode Analisis Data

Data penelitian akan dianalisis guna mencapai tujuan penelitian melalui:

 63

1.6.1 Statistik deskriptif

Analisis ini berisi tentang bahasan secara deskriptif mengenai

tanggapan yang diberikan responden pada kuesioner. Statistik deskriptif

adalah statistik yang digunakan untuk menganalisa data dengan cara

mendeskripsikan atau menggambarkan data yang telah terkumpul

sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku

untuk umum (Sugiyono, 2002:112).

1.6.2 Uji Instrumen Penelitian

1.6.2.1 Uji Kualitias Data

Uji kualitas data dilakukan meliputi uji reliabilitas dan uji validatas

dengan software Partial Least Square (PLS).

1.6.2.1.1 Uji Reabilitas

Uji reliabilitas dimaksudkan untuk mengukur internal consistency

suatu kuesioner yang merupakan indikator dari variabel atau konstruk.

Pengukuran reabilitas dilakukan dengan kriteria uji composite reliability

dan cronbach alpha. Konstruk dinilai Composite Reability maupun

Cronbach alpha diatas 0,7 (Ghozali, 2006).

1.6.2.1.2 Uji Validitas

Uji validitas digunakan untuk mengukur sah atau valid tidaknya

suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan

kuesioner tersebut mampu mengungkapkan suatu yang akan diukur oleh

 64

kuesioner tersebut. Uji validitas dilakukan dengan membandingkan nilai

square root of average variance extracted (AVE) setiap konstruk dengan

korelasi antara konstruk dengan konstruk lainnya dalam model. Apabila

nilai akar kuadrat dari AVE setiap konstruk lebih besar daripada nilai

korelasi antara konstruk lainnya dalam model maka masing masing

indikator pernyataan adalah valid (Ghozali, 2006).

1.7 Rancangan Pengujian Hipotesis

1.7.1 Structural Equation Modelling (SEM) melalui Partial Least Square

(PLS)

Pengumpulan data yang dilakukan dengan pendekatan Structural

Equation Model (SEM) dengan menggunakan software Partial Least

Square (PLS). PLS adalah model persamaan struktural (SEM) yang

berbasis komponen atau varian (variance). Menurut Ghozali (2006) PLS

merupakan pendekatan alternatif yang bergeser dari pendekatan SEM

berbasis kovarian menjadi berbasis varian. SEM yang berbasis kovarian

umumnya menguji kausalitas/teori sedangkkan PLS lebih bersifat

predictive model.

PLS merupakan metode analisis yang powerfull (Wold, 1985 dalam

Ghozali 2006) karena tidak didasarkan pada banyak asumsi. Misalnya,

data harus terdistribusi normal, sampel tidak harus besar. Selain dapat

digunakan untuk mengkonfirmasi teori, PLS juga dapat digunakan untuk

menjelaskan ada tidaknya hubungan antar variabel laten. PLS dapat

 65

sekaligus menganilisis konstruk yang dibentuk dengan indikator refleksif

dan formatif. Hal ini tidak dapat dilakukan oleh SEM yang berbasis

kovarian karena akan menjadi unidentified model.

Model persamaan struktural merupakan persamaan teknik analisis

multivariate yang memungkinkan peneliti untuk menguji hubungan antar

variabel yang kompleks baik recursive maupun non recursive untuk

memperoleh gambaran menyeluruh tentang keseluruhan model. Tidak

seperti model multivariate biasa (analisis faktor regresi berganda) SEM

dapat menguji bersama-sama yaitu :

a. Model struktural: hubungan antara konstruk independen dan dependen

b. Model measurement: hubungan (nilai loading) antara indikator dengan

konstruk (variabel laten).

Digabungkannya pengujian model struktural dengan model

pengukuran tersebut memungkinkan untuk :

a. Menguji kesalahan pengukuran (measurement error) sebagai bagian

yang tidak terpisahkan dari SEM.

b. Melakukan analisis faktor bersamaan dengan pengujian hipótesis Dalam

analisis dengan menggunakan PLS ada 2 hal yang dilakukan yaitu:

1.7.1.1 Menilai Outer Model atau Measurement Model

Ada tiga kriteria untuk menilai outer model yaitu Convengent

Validity, Diseriminant Validity, dan Composite Reliability. Convergent

validity dari model pengukuran dengan refleksif indikator dinilai

berdasarkan korelasi antara item score/component score yang dihitung

 66

dengan PLS. ukuran refleksif individual dikatakan tinggi jika berkorelasi

lebih dari 0,70 dengan konstruk yang diukur.

Namun, menurut Chin (1998) dalam Ghozali (2006) untuk penelitian

tahap awal dari pengembangan skala pengukuran nilai loading 0,5 sampai

0,6 dianggap cukup memadai. Discriminant Validity dari model

pengukuran dengan refleksif indikator dinilai berdasarkan Cross Loading

pengukuran dengan konstruk. Jika korelasi konstruk dengan item

pengukuran lebih besar daripada ukuran konstruk lainnya, maka hal

tersebut menunjukkan konstruk laten memprediksi ukuran pada blok

mereka lebih baik daripada ukuran blok lainnya.

Metode lain untuk menilai Discriminant Validity adalah

membandingkan nilai Root Of Average Variance Extracted (AVE) setiap

konstruk lebih besar daripada nilai korelasi antara konstruk dengan

konstruk lainnya dalam model, maka dikatakan memiliki nilai

Discriminant Validity yang baik (Fornell dan Larcker, 1981 dalam Ghozali

2006). Berikut ini rumus untuk menghitung AVE :

Sumber: Ghozali, I (2011)

Dimana λi adalah component loading ke indikator ke var (εi) = 1 -

λi2. Jika semua indikator di standardized, maka uraian ini sama dengan

average communalities dalam blok. Pengukuran ini dapat digunakan untuk

 67

mengukur reliabilitas component score variabel laten dan hasilnya lebih

konservatif dibanding dengan composite reliability. Direkomendasikan,

nilai AVE harus lebih besar dari nilai 0,50 (Ghozali, 2011).

Composite reliability blok indikator yang mengukur suatu konstruk

dapat dievaluasi dengan dua macam ukuran yaitu internal consistency

yang dikembangkan oleh Werts et. al (1979) dalam Ghozali (2011),

dengan menggunakan output yang dihasilkan PLS maka composite

reliability dapat dihitung dengan rumus:

Sumber: ghozali, I (2011)

Dimana λi adalah component loading ke indikator dan var ( εi ) = 1 -

λi2. Dibanding dengan cronbach’s alpha, ukuran ini

tidakmengasumsikan tau quivalence antar pengukuran dengan asumsi

semua indikator diberi bobot sama. Sehingga cronbach’s alpha

cenderung lower estimate reliability, sedangkan ρc merupakan closer

approximation dengan asumsi estimate parameter adalah akurat. ρc

sebagai ukuran internal consistence hanya dapat digunakan untuk

indikator konstruk refleksif (Ghozali, 2011).

1.7.1.2 Menilai Inner Model atau Structural Model

Pengujian inner model atau model struktural dilakukan untuk

melihat hubungan antara konstruk, nilai signifikasi dan R square dari

 68

model penelitian. Model struktural dievaluasi dengan mengggunakan R-

square untuk konstruk dependen, Stone-Geisser Q-square test untuk

predictive relevance dan uji t serta signifikansi dari koefesien parameter

jalur struktural (Ghozali, 2011). Dalam menilai model dengan PLS,

dimulai dengan melihat R-square untuk setiap variabel laten dependen.

Perubahan nilai R-square dapat digunakan untuk menilai pengaruh

variabel laten independen tertentu terhadap variabel laten dependen,

apakah mempunyai pengaruh yang substantif atau tidak. Pengaruh

besarnya dapat dihitung dengan rumus sebagai berikut:

Sumber: Ghozali, I (2011)

Dimana R2 included dan R2 excluded adalah R-square dari variabel

laten dependen ketika prediktor variabel laten digunakan atau dikeluarkan

di dalam persamaan struktural. Disamping melihat R-square, model PLS

juga direvaluasi dengan melihat Q-Square predictive relevance untuk

model konstruk. Q-Square predictive relevance mengukur seberapa baik

nilai observasi dihasilkan oleh model dan juga estimasi parameternya.

Nilai Q-Square predictive relevance lebih besar dari 0 menunjukkan

bahwa model mempunyai nilai predictive relevance, sedangkan nilai Q-

Square predictive relevance kurang dari 0 menunjukkan bahwa model

kurang memiliki predictive relevance (Ghozali, 2011).