1.
Uji Validitas
Uji validitas memiliki tujuan
untuk meyakinkan bahwa kuesioner yang disusun benar-benar baik dalam mengukur
dan menghasilkan data yang valid. Menurut Sugiyono (2015) menjelaskan,
instrumennya yang valid berarti alat ukur yang digunakan untuk mendapatkan data
itu valid. Valid berarti instrumen tersebut dapat digunakan untuk mengukur apa
yang seharusnya diukur. Validitas adalah ketepatan atau kecermatan suatu
instrument dalam mengukur apa yang ingin diukur.
Menurut Sudarmanto (2015), uji
validitas dilakukan untuk mengetahui apakah alat ukur yang telah disusun dapat
digunakan untuk mengukur apa yang hendak diukur secara tepat. Validitas suatu
instrument akan menggambarkan tingkat kemampuan alat ukur yang digunakan mengungkapkan
sesuatu yang menjadi sasaran pokok pengukuran.
Sunyoto (2013) menyatakan uji
validitas digunakan untuk mengukur sah atau valid tidaknya suatu kuesioner.
Kuesioner dikatakan calid jika pertanyaan pada kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
1.1. Uji
Validitas Variabel Pengendalian Internal (X1)
Dari hasil di atas, diketahui bahwa variabel pengendalian
internal, seluruh pertanyaan memiliki nilai Pearson Corelation atau R hitung di
atas R tabel (0.2303) dan nilai Sig > 0.05, sehingga dapat disimpulkan bahwa
pertanyaan untuk variabel pengendalian internal memenuhi uji validitas.
1.2. Uji
Validitas Variabel Kompensasi (X2)
|
Correlations
|
|
|
Q19
|
Q20
|
Q21
|
Q22
|
Kompensasi
|
|
Q19
|
Pearson Correlation
|
1
|
.439**
|
.375**
|
-.060
|
.680**
|
|
Sig. (2-tailed)
|
|
.000
|
.001
|
.612
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q20
|
Pearson Correlation
|
.439**
|
1
|
.548**
|
.179
|
.826**
|
|
Sig. (2-tailed)
|
.000
|
|
.000
|
.130
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q21
|
Pearson Correlation
|
.375**
|
.548**
|
1
|
.180
|
.779**
|
|
Sig. (2-tailed)
|
.001
|
.000
|
|
.127
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q22
|
Pearson Correlation
|
-.060
|
.179
|
.180
|
1
|
.412**
|
|
Sig. (2-tailed)
|
.612
|
.130
|
.127
|
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Kompensasi
|
Pearson Correlation
|
.680**
|
.826**
|
.779**
|
.412**
|
1
|
|
Sig. (2-tailed)
|
.000
|
.000
|
.000
|
.000
|
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
**. Correlation is significant at the 0.01 level (2-tailed).
|
Dari hasil di atas, diketahui bahwa variabel kompensasi
(X2), seluruh pertanyaan memiliki nilai Pearson Corelation atau R hitung di
atas R tabel (0.2303) dan nilai Sig > 0.05, sehingga dapat disimpulkan bahwa
pertanyaan untuk variabel kompensasi memenuhi uji validitas.
1.3. Uji
Validitas Variabel Moralitas (X3)
|
Correlations
|
|
|
Q23
|
Q24
|
Q25
|
Q26
|
Moralitas
|
|
Q23
|
Pearson Correlation
|
1
|
.563**
|
.505**
|
-.075
|
.741**
|
|
Sig. (2-tailed)
|
|
.000
|
.000
|
.530
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q24
|
Pearson Correlation
|
.563**
|
1
|
.646**
|
-.097
|
.764**
|
|
Sig. (2-tailed)
|
.000
|
|
.000
|
.416
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q25
|
Pearson Correlation
|
.505**
|
.646**
|
1
|
-.080
|
.749**
|
|
Sig. (2-tailed)
|
.000
|
.000
|
|
.502
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Q26
|
Pearson Correlation
|
-.075
|
-.097
|
-.080
|
1
|
.368**
|
|
Sig. (2-tailed)
|
.530
|
.416
|
.502
|
|
.001
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
Moralitas
|
Pearson Correlation
|
.741**
|
.764**
|
.749**
|
.368**
|
1
|
|
Sig. (2-tailed)
|
.000
|
.000
|
.000
|
.001
|
|
|
N
|
73
|
73
|
73
|
73
|
73
|
|
**. Correlation is significant at the 0.01 level (2-tailed).
|
Dari hasil di atas, diketahui bahwa variabel Moralitas (X3),
seluruh pertanyaan memiliki nilai Pearson Corelation atau R hitung di atas R
tabel (0.2303) dan nilai Sig > 0.05, sehingga dapat disimpulkan bahwa
pertanyaan untuk variabel moralitas memenuhi uji validitas.
1.4. Uji
Validitas Variabel Kecurangan (Y)
Dari hasil di atas, diketahui bahwa variabel Kecurangan (Y),
dari 18 pertanyaan ada 2 yang tidak memenuhi uji validitas yaitu pertanyaan ke
30 (Q30) dengan nilai r hitung 0.204 < r tabel 0.2303 dengan nilai sig 0.084
> 0.05 dan pertanyaan ke 32 (Q32) dengan nilai r hitung sebesar 0.227 < r
tabel 0.2303 dengan nilai sig 0.054 > 0.05. selain 2 pertanyaan yang
diajukan tersebut ada 16 pertanyaan yang diajukan untuk menilai kecurangan
dengan nilai r hitung > r tabel dengan seluruh nilai sig < 0.05, sehingga
dinyatakan lulus uji validitas.
2.
Uji Reliabilitas
Tujuan
pengujian reliabilitas adalah untuk meyakinkan bahwa kuesioner yang disusun
benar-benar baik dalam mengukur dan menghasilkan data yang reliable atau
yang dapat dipercaya. Sunyoto (2013) menyatakan reliabilitas adalah alat untuk
mengukur suatu kuesioner yang merupakan indikator dari variabel. Butir
pertanyaan dikatakan reliable atau handal apabila jawaban seseorang
terhadap pertanyaan adalah konsisten.
Pengukuran
keandalan butir pertanyaan dengan sekali menyebar kuesioner kepada responden,
kemudian hasil skor diukur korelasinya antar skor jawaban pada butir pertanyaan
yang sama dengan bantuan komputer SPSS dengan fasilitas cronbach alpha.
Suatu variabel dikatakan reliable jika memberikan nilai cronbach
alpha lebih besar dari 0,60 (Sunyoto, 2013).
Priyatno
(2012) menyatakan bahwa semua item yang valid dimasukkan ke dalam uji reliabilitas,
sedangkan yang tidak valid tidak dimasukkan ke dalam reliabilitas.
Menurut Sekaran dalam Priyatno (2016), pengambilan
keputusan untuk diuji reliabilitas adalah sebagai berikut:
a)
cronbach alpha < 0,6 = reliabilitas kurang baik
b)
cronbach alpha < 0,6 - 0,79 = reliabilitas dapat diterima
c)
cronbach alpha > 0,8 = reliabilitas baik
2.1. Uji
Reliabilitas Variabel Pengendalian Internal (X1)
|
Case
Processing Summary
|
|
|
N
|
%
|
|
Cases
|
Valid
|
73
|
100.0
|
|
Excludeda
|
0
|
.0
|
|
Total
|
73
|
100.0
|
|
a. Listwise deletion based on all variables in the procedure.
|
|
Reliability
Statistics
|
|
Cronbach's
Alpha
|
N of
Items
|
|
.879
|
18
|
Dari hasil di atas, pengujian Reliabilitas untuk variabel
pengendalian internal (X1) memiliki nilai 0.879 > 0.8 maka dapat diambil
kesimpulan bahwa reliabilitas termasuk kategori baik.
2.2. Uji
Reliabilitas Variabel Kompensasi (X2)
|
Case
Processing Summary
|
|
|
N
|
%
|
|
Cases
|
Valid
|
73
|
100.0
|
|
Excludeda
|
0
|
.0
|
|
Total
|
73
|
100.0
|
|
a. Listwise deletion based on all variables in the procedure.
|
|
Reliability
Statistics
|
|
Cronbach's
Alpha
|
N of
Items
|
|
.625
|
4
|
Dari hasil di atas, pengujian Reliabilitas untuk variabel
kompensasi (X2) memiliki nilai 0.625 lebih besar dari 0.6 dan lebih kecil dari
0.79 (0.6 < 0.625 < 0.79) maka dapat diambil kesimpulan termasuk kategori
reliabilitas dapat diterima.
2.3. Uji
Reliabilitas Variabel Moralitas
|
Case
Processing Summary
|
|
|
N
|
%
|
|
Cases
|
Valid
|
73
|
100.0
|
|
Excludeda
|
0
|
.0
|
|
Total
|
73
|
100.0
|
|
a. Listwise deletion based on all variables in the procedure.
|
|
Reliability
Statistics
|
|
Cronbach's
Alpha
|
N of
Items
|
|
.505
|
4
|
Dari hasil di atas, pengujian Reliabilitas untuk variabel
moralitas (X3) memiliki nilai 0.505 lebih kecil dari 0.6 maka dapat diambil
kesimpulan termasuk kategori reliabilitas kurang baik.
2.4. Uji
Reliabilitas Variabel Kecurangan (Y)
|
Case
Processing Summary
|
|
|
N
|
%
|
|
Cases
|
Valid
|
73
|
100.0
|
|
Excludeda
|
0
|
.0
|
|
Total
|
73
|
100.0
|
|
a. Listwise deletion based on all variables in the procedure.
|
|
Reliability
Statistics
|
|
Cronbach's
Alpha
|
N of
Items
|
|
.756
|
18
|
Dari hasil di atas, pengujian Reliabilitas untuk variabel
kecurangan (Y) memiliki nilai 0.756 lebih besar dari 0.6 dan lebih kecil dari
0.79 (0.6 < 0.756 < 0.79) maka dapat diambil kesimpulan termasuk kategori
reliabilitas dapat diterima.
3.
Uji Asumsi Klasik
Ramadhina et
al. (2011) menyatakan bahwa pengujian asumsi klasik diperlukan untuk mengetahui
apakah hasil estimasi regresi yang dilakukan benar-benar bebas dari adanya
gejala heteroskedastisitas, gejala multikolinearitas, dan gejala autokorelasi,
serta normalitas.
Menurut
Priyatno (2012) model regresi linear dapat disebut sebagai model yang baik jika
model tersebut memenuhi beberapa asumsi yang kemudian disebut dengan asumsi
klasik. Harus terpenuhinya asumsi klasik ditujukan untuk memperoleh model
regresi dengan estimasi yang tidak bias dan pengujian dapat dipercaya. Apabila
ada satu syarat aja yang tidak terpenuhi maka hasil analisis regresi tidak
dapat dikatakan bersifat BLUE (Best Linear Unbiased Estimator).
Untuk
mengetahui apakah model persamaan regresi yang digunakan dalam penelitian
memenuhi asumsi klasik, harus dilakukan uji asumsi klasik atas model persamaan
tersebut. Uji asumsi klasik yang dilakukan penulis terdiri dari uji normalitas,
uji multikolinearitas, dan uji heteroskedastisitas.
3.1. Uji
Normalitas
Menurut Ghozali
(2013) uji normalitas bertujuan untuk mengetahui apakah dalam model regresi,
variabel pengganggu aatau residual memiliki distribusi normal. Ada dua cara
yang digunakan untuk mendeteksi apakah residual berdistribusi normal atau tidak
yaitu dengan analisis grafik dan uji statistik.
a)
Analisis Grafik
Metode yang lebih handal adalah dengan melihat normal
probability plot yang membandingkan distribusi kumulatif dari distribusi
normal. Distribusi normal akan membentuk salah satu garis lurus diagonal, dan
ploting data residual akan dibandingkan dengan garis diagonal. Jika distribusi
data residual normal, maka garis yang menggambarkan data sesungguhnya akan
mengikuti garis diagonalnya.
Dari grafik di atas, menunjukkan bahwa letak Plot berada di
sekitar garis diagonal dan tidak ada penyimpangan sehingga menandakan bahwa
data yang diuji terdistribusi normal.
b)
Uji Statistik
Uji statistik yang dapat digunakan untuk
menguji normalitas residual adalah uji statistik non-parametik
Kolmogrov-Smirnov (K-S). jika signifikan (Asymp.sig)<0.05 maka data tidak
berdistribusi normal.
|
One-Sample
Kolmogorov-Smirnov Test
|
|
|
Unstandardized
Residual
|
|
N
|
73
|
|
Normal Parametersa,b
|
Mean
|
.0000000
|
|
Std. Deviation
|
3.20382843
|
|
Most Extreme Differences
|
Absolute
|
.086
|
|
Positive
|
.054
|
|
Negative
|
-.086
|
|
Kolmogorov-Smirnov Z
|
.736
|
|
Asymp. Sig. (2-tailed)
|
.651
|
|
a. Test distribution is Normal.
b. Calculated from data.
|
Dari hasil uji menggunakan SPSS, nilai Asymp.Sig (2-tailed)
pada Uji Kolmogorov Smirnov menunjukkan angka 0.652 > 0.05 yang artinya
tidak ada masalah uji normalitas.
Dari hasil 2 uji di atas dapat disimpulkan bahwa data
terdistribusi normal dan tidak ada masalah normalitas sehingga dinyatakan telah
lulus dan data layak digunakan.
3.2. Uji
Multikolinearitas
Menurut
Ghazali (2013), uji multikolinearitas bertujuan untuk menguji apakah model
regresi ditemukan adanya korelasi antar variabel bebas (independen). Model
regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
independen. Multikolinearitas dapat dilihat dari nilai tolerance dan variance inflation factor (VIF).
nilai tolerance yang rendah sama dengan VIF yang tinggi, karena VIF = 1/tolerance.
Dalam
penelitian ini, metode yang digunakan dalam uji multikolinearitas adalah dengan
melihat nilai VIF. Untuk mengetahui suatu model regresi bebas dari multikolinearitas,
yaitu mempunyai nilai VIF kurang dari 10 dan mempunyai angka tolerance lebih
dari 0,1.
Dari hasil pengujian di atas menunjukkan bahwa nilai
tolerance untuk semua variabel di atas 0.1 dan nilai VIF untuk semua variabel
di atas 1 dan tidak lebih dari 10, sehingga dapat disimpulkan bahwa tidak
terjadi masalah multikolinearitas dan data layak untuk digunakan.
3.3. Uji
Heterokedastisitas
Tujuan
penelitian ini adalah untuk mengkaji apakah dalam sebuah regresi terjadi
kesamaan varians dari residual suatu pengamatan ke pengamatan lain. Jika varian
dari residual suatu pengamatan ke pengamatan lain tetap, makan disebut
homokedastisitas, sedangkan varian berbeda disebut heteroskedastisitas, model
regresi yang baik adalah model yang tidak terjadi heteroskedastisitas.
Menurut
Ghozali (2013), uji heteroskedastisitas bertujuan untuk menguji apakah dalam
model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan
dengan pengamatan lain. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas. Ada beberapa cara yang dapat digunakan untuk
mendeteksi ada atau tidaknya heteroskedastisitas, antara lain:
a)
Uji heteroskedastisitas dengan melihat grafik
plot antara nilai prediksi variabel terikat (dependen) yaitu ZPRED dengan
residualnya SRESID. Deteksi ada tidaknya heteroskedastisitasdapat dilakukan
dengan melihat ada tidaknya pola tertentu pada grafik scatterplot antara
SRESID dan ZPRED. Jika tidak adanya pola yang jelas, serta titik-titik yang
menyebar diatas dan dibawah angka 0 pada sumbu Y, maka data dapat dikatakan
tidak terjadi heteroskedastisitas.
Dari hasil pengujian menggunakan SPSS, terlihat bahwa Plot
menyebar, tidak menumpuk dan tidak membentuk pola, sehingga dapat dinyatakan
bahwa sebaran data tidak mengalami masalah heterokedastisitas.
b)
Uji heteroskedastisitasdengan uji gletser.
Uji gletser mengusulkan untuk meregresi nilai absolute residual terhadap
variabel independen. Jika diperoleh nilai signifikan 0,05 maka dapat
disimpulkan bahwa tidak terjadi problem heteroskedastisitas.
|
Coefficientsa
|
|
Model
|
Unstandardized
Coefficients
|
Standardized
Coefficients
|
t
|
Sig.
|
|
B
|
Std.
Error
|
Beta
|
|
1
|
(Constant)
|
1.569
|
3.679
|
|
.426
|
.671
|
|
Pengendalian Internal
|
-.022
|
.046
|
-.061
|
-.472
|
.639
|
|
Kompensasi
|
-.036
|
.136
|
-.034
|
-.267
|
.791
|
|
Moralitas
|
.199
|
.140
|
.175
|
1.426
|
.158
|
|
a. Dependent Variable: RES_2
|
Dari hasil uji Glejser, tingkat signifikasi untuk semua
variabel independen di atas 0.05, sehingga dapat disimpulkan bahwa data tidak
terkena masalah heterokedastisitas dan layak digunakan.
4.
Analisis Data
Menurut
Sujarweni (2015), analisis data diartikan sebagai upada data yang sudah
tersedia kemudian diolah dengan statistik dan dapat digunakan untuk menjawab
rumusan masalah dalam penelitian. Dengan demikian, teknik analisis data dapat
diartikan sebagai cara melaksanakan analisis terhadap data, dengan tujuan
mengolah data tersebut untuk menjawab rumusan masalah.
4.1. Regresi
Linear Berganda
Analisis
regresi linier berganda merupakan teknik analisis regresi yang dapat digunakan
untuk menguji pengaruh beberapa variabel
independen terhadap satu variabel dependen. Persamaannya dapat ditulis sebagai
berikut:
l
Y = Kecenderungan
Kecurangan (fraud
l
= Konstanta
atau Intercept
l
= Koefisien
Regresi
l
= Pengendaliaan
Internal
l
= Kesesuaian
Kompensasi
l
= Moralitas
Individu
l Ɛ = Error
Dari persamaan regresi di atas, dapat diinterpretasikan
sebagai berikut :
1.
Konstanta sebesar 26.675 berarti jika nilai pengendalian
internal (X1), kompensasi (X2), dan moralitas (X3) bernilai tetap atau 0, maka indikasi
kecurangan adalah sebesar 26.675
2.
Koefisien regresi variabel pengendalian internal
(X1) sebesar 0.416 berarti jika variabel independen lain nilainya tetap dan pengendalian
internal mengalami kenaikan 1%, maka kecurangan (Y) akan mengalami kenaikan
sebesar 0.416%. Koefisien bernilai positif artinya terjadi hubungan positif
antara variabel independen dengan variabel dependen, semakin naik pengendalian internal semakin naik kecurangan,
begitupun sebaliknya.
3.
Koefisien regresi variabel kompensasi (X2)
sebesar 0.243 berarti jika variabel independen lain nilainya tetap dan kompensasi
mengalami kenaikan 1%, maka kecurangan (Y) akan mengalami kenaikan sebesar 0.243%.
Koefisien bernilai positif artinya terjadi hubungan positif antara variabel
independen dengan variabel dependen, semakin naik kompensasi semakin naik kecurangan, begitupun
sebaliknya.
4.
Koefisien regresi moralitas (X3) sebesar 0.744
berarti jika variabel independen lain nilainya tetap dan moralitas mengalami
kenaikan 1%, maka kecurangan (Y) akan mengalami kenaikan sebesar 0.744%.
Koefisien bernilai positif artinya terjadi hubungan positif antara variabel
independen dengan variabel dependen, semakin naik moralitas semakin naik kecurangan, begitupun
sebaliknya.
4.1. Koefisien
Determinasi
Koefisien determinasi ( 
) pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variasi variabel dependen. Nilai koefisien determinasi berada di
antara nol dan satu. Nilai yang
kecil berarti kemampuan variabel variabel independen dalam menjelaskan variabel
dependen amat terbatas. “Nilai yang mendekati satu berarti variabel-varibel
independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi
variasi variabel dependen”. (Ghozali, 2006 : 69).
Besarnya kontribusi variabel independen
terhadap variabel dependen dapat ditentukan dengan rumus koefisien sebagai
berikut:
Sumber: Riduwan dan Kuncoro
(2014:62)
Keterangan:
KP : Nilai koefisien Determinasi
r :
Nilai Koefisien Korelasi
Berdasarkan tabel di atas diperoleh angka R sebesar 0.705
terletak diantara interval 0,71 s/d 0,90. Hal ini menunjukkan bahwa terjadi
hubungan yang sangat kuat antara
pengendalian internal, kompensasi, dan moralitas terhadap kecurangan.
Koefisien determinasi (regresi) untuk mengetahui seberapa besar
kontribusi X terhadap naik turunnya Y. Dari Tabel di atas R Square sebesar 0.475 atau 47.5% hal ini
berarti bahwa prosentase kontribusi variabel pengendalian internal, kompensasi,
dan moralitas terhadap kecurangan sebesar 47.5% sedangkan sisanya sebesar 52.5%
dipengaruhi oleh variabel lain yang tidak dijelaskan dalam penelitian ini.
4.2. Pengujian
korelasi
Menurut Priyatno (2014:123), analisis korelasi
sederhana adalah hubungan antara dua variabel. Dalam perhitungan korelasi akan
didapat koefisien korelasi berkisar antara 0 sampai 1, nilai semakin mendekati
1 atau -1, maka hubungan semakin erat, jika mendekati 0 maka hubungan semakin
lemah. Macam koefisien korelasi yang digunakan pada SPSS adalah korelasi Pearson
atau dikenal juga dengan korelasi product moment dan analisis Kendalls
tau-b dan spearman's Rho.
Pengujian dimaksud untuk mengetahui
apakah terdapat hubungan signifikan atau tidak antar variabel tersebut.
Pengujian menggunakan uji dua sisi (two tailed). Signifikan artinya
nyata atau berarti dengan maksud bahwa hubungan yang terjadi dapat diberlakukan
untuk populasi. Signifikasi hubungan antar variabel yang diteliti dapat
dianalisis dengan ketentuan sebagai berikut:
Jika
probabilitas atau signifikan < 0.05 maka hubungan antar variabel signifikan.
Jika
probabilitas atau signifikasi > 0.05 maka hubungan antar variabel tidak
signifikan.
Menurut Riduwan dan Kuncoro (2014:62),
keeratan korelasi dapat dilihat pada tabel 3.4 dibawah ini:
Tabel 3.4
Interpretasi Koefisien Korelasi Nilai r
|
Interval Koefisien
|
Tingkat Hubungan
|
|
0.80 –
1.000
|
Sangat Kuat
|
|
0.60 –
0.799
|
Kuat
|
|
0.40 –
0.599
|
Cukup Kuat
|
|
0.20 –
0.399
|
Rendah
|
|
0.00 –
0.199
|
Sangat Rendah
|
Sumber: Riduwan dan Kuncoro (2014:62)
|
Correlations
|
|
|
Pengendalian
Internal
|
Kompensasi
|
Moralitas
|
Kecurangan
|
|
Pengendalian Internal
|
Pearson Correlation
|
1
|
.369**
|
.195
|
.626**
|
|
Sig. (2-tailed)
|
|
.001
|
.098
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
|
Kompensasi
|
Pearson Correlation
|
.369**
|
1
|
.217
|
.365**
|
|
Sig. (2-tailed)
|
.001
|
|
.065
|
.001
|
|
N
|
73
|
73
|
73
|
73
|
|
Moralitas
|
Pearson Correlation
|
.195
|
.217
|
1
|
.425**
|
|
Sig. (2-tailed)
|
.098
|
.065
|
|
.000
|
|
N
|
73
|
73
|
73
|
73
|
|
Kecurangan
|
Pearson Correlation
|
.626**
|
.365**
|
.425**
|
1
|
|
Sig. (2-tailed)
|
.000
|
.001
|
.000
|
|
|
N
|
73
|
73
|
73
|
73
|
|
**. Correlation is significant at the 0.01 level (2-tailed).
|
Dari tabel korelasi Pearson dapat
diinterpretasikan sebagai berikut :
1. Hubungan pengendalian internal
dengan kecurangan
Hubungan antara pengendalian internal dengan kecurangan
adalah 0.626 atau 62.6% korelasi tergolong kuat dengan arah hubungan positif.
Artinya jika pengendalian internal mengalami kenaikan maka kecurangan juga akan
mengalami kenaikan, dan apabila pengendalian internal mengalami penurunan maka kecurangan
juga akan menurun. Pada kolom sig (2-tailed) terdapat probabilitas 0,000
(0,000<0,05) artinya ada hubungan yang signifikan antara pengendalian
internal dengan kecurangan.
2. Hubungan kompensasi dengan kecurangan
Hubungan antara kompensasi dengan kecurangan adalah 0.365
atau 36.5% korelasi tergolong rendah dengan arah hubungan positif. Artinya jika
kompensasi mengalami kenaikan maka kecurangan juga akan mengalami kenaikan, dan
apabila kompensasi mengalami penurunan maka kecurangan juga akan menurun. Pada
kolom sig (2-tailed) terdapat probabilitas 0,001 (0,001<0,05) artinya ada
hubungan yang signifikan antara kompensasi dengan kecurangan.
3. Hubungan moralitas dengan kecurangan
Hubungan antara moralitas dengan kecurangan adalah 0.425
atau 42.5% korelasi tergolong cukup kuat dengan arah hubungan positif. Artinya
jika moralitas mengalami kenaikan maka kecurangan juga akan mengalami kenaikan,
dan apabila moralitas mengalami penurunan maka kecurangan juga akan menurun.
Pada kolom sig (2-tailed) terdapat probabilitas 0,001 (0,001<0,05) artinya
ada hubungan yang signifikan antara moralitas dengan kecurangan.
4.3. Pengujian
Hipotesis secara Parsial
Menurut (Ghozali, 2006 : 65) “uji stastistik t pada dasarnya
menunjukkan seberapa jauh pengaruh satu variabel independen secara individual
dalam menerangkan variabel dependen”. Pengujian dilakukan dengan menggunakan significance
level 0,05 (α=5%). Penerimaan atau penolakan hipotesis dilakukan dengan
kriteria sebagai berikut :
a)
Jika nilai signifikan >
0,05 maka hipotesis ditolak (koefisien regresi tidak signifikan). Hal ini
berarti bahwa secara parsial variabel independen tersebut tidak mempunyai
pengaruh yang signifikan terhadap variabel dependen.
b)
Jika nilai signifikan ≤
0,05 maka hipotesis diterima (koefisien regresi signifikan). Hal ini berarti
secara parsial variabel independen tersebut mempunyai pengaruh yang signifikan
terhadap variabel dependen.
1. Pada tabel di atas memperlihatkan hasil pengujian secara
parsial antara variabel pengendalian internal terhadap kecurangan. Dari tabel
tersebut diketahui nilai sig.t sebesar 0.000 < 0.05, selain itu dapat
dilihat nilai t-hitung (5.709) > t-tabel (1.995), dengan demikian maka dapat
disimpulkan bahwa ada pengaruh yang signifikan antara pengendalian internal
dengan kecurangan.
2. Pada tabel di atas memperlihatkan hasil pengujian secara
parsial antara variabel kompensasi terhadap kecurangan. Dari tabel tersebut diketahui
nilai sig.t sebesar 0.261 > 0.05, selain itu dapat dilihat nilai t-hitung (1.132)
< t-tabel (1.995), dengan demikian maka dapat disimpulkan bahwa tidak ada
pengaruh yang signifikan antara kompensasi dengan kecurangan.
3. Pada tabel di atas memperlihatkan hasil pengujian secara
parsial antara variabel moralitas terhadap kecurangan. Dari tabel tersebut diketahui
nilai sig.t sebesar 0.001 < 0.05, selain itu dapat dilihat nilai t-hitung (3.384)
> t-tabel (1.995), dengan demikian maka dapat disimpulkan bahwa ada pengaruh
yang signifikan antara moralitas dengan kecurangan.
4.4. Pengujian
secara simultan
“Uji – F
merupakan pengujian hubungan regresi secara simultan atau bersama-sama”.
(Ghozali, 2006 : 67)
Artinya
tidak semua variabel independen berpengaruh secara simultan.
Artinya
semua variabel independen berpengaruh secara simultan. Untuk menguji hipotesis
ini, digunakan statistik F dengan membandingkan F hitung dengan F tabel dengan
kriteria pengambilan keputusan sebagai berikut:
Jika Fhitung > Ftabel, maka Ha diterima (
)
Jika Fhitung < Ftabel, maka Ho diterima ()
|
ANOVAb
|
|
Model
|
Sum of
Squares
|
df
|
Mean
Square
|
F
|
Sig.
|
|
1
|
Regression
|
728.708
|
3
|
242.903
|
22.678
|
.000a
|
|
Residual
|
739.045
|
69
|
10.711
|
|
|
|
Total
|
1467.753
|
72
|
|
|
|
|
a. Predictors: (Constant), Moralitas, Pengendalian Internal,
Kompensasi
b. Dependent Variable: Kecurangan
|
Dari uji ANOVA atau uji F test tersebut, Fhitung sebesar 22.678
sedangkan Ftabel dengan tingkat signifikansi 5% diperoleh Ftabel sebesar 2,7375 Dalam hal ini maka Fhitung (22.678)
> Ftabel (2,7375), selain itu dari tabel ANOVA, dapat dilihat besar
probabilitas yaitu 0,000. Karena signifikan penelitian kurang dari 0,05 (0,000
< 0,05) artinya ada pengaruh secara signifikan antara pengendalian internal,
kompensasi, dan moralitas secara simultan (bersama-sama) terhadap kecurangan.
