ANALISIS HASIL PENELITIAN
A. Hasil Penelitian 1. Data Penelitian
3. Pengujian Asumsi Klasik a.Uji Normalitas
Pengujian normalitas ini bertujuan untuk mengetahui apakah data yang digunakan telah terdistribusi secara normal. Hasil uji normalitas dengan grafik histogram yang diolah dengan SPSS, normal probability plot serta Kolmogorov-Smirnov Test ditunjukkan sebagai berikut:
Gambar 4.2 Histogram
Hasil uji normalitas tersebut menunjukkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang melenceng ke kiri (skewness) atau dapat disimpulkan bahwa data tersebut tidak normal.
Gambar 4.3 Normal P-P Plot
Sumber : Diolah dari SPSS, 2010
Hasil uji normalitas dengan menggunakan normal probability plot, dimana terlihat bahwa titik-titik menyebar disekitar garis diagonal serta penyebarannya kurang mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi tidak terdistribusi secara normal.
Tabel 4.6
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa Mean .00
Std. Deviation 6.847E8 Most Extreme Differences Absolute .360
Positive .360
Negative -.308
Kolmogorov-Smirnov Z 2.790
Asymp. Sig. (2-tailed) .000
a. Test distribution is Normal. b. Calculated from data
Sumber : Diolah dari SPSS, 2010
Dari data diatas diperoleh nilai Kolmogorov – Smirnov sebesar 2.790 dan signifikan pada 0.05 (karena p = 0.000 < dari 0.05). Hal ini berarti Ha
diterima dan Ho ditolak yang mengatakan bahwa residual tidak terdistribusi secara normal atau dengan kata lain residual tidak berdistribusi normal. Dengan demikian tidak dapat digunakan untuk melakukan Uji t dan Uji F.
Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu tidak normal sehingga dilakukan tindakan perbaikan yaitu dengan menggunakan transformasi seluruh variabel penelitian ke dalam fungsi logaritma natural (Ln). Hasil pengujian ulang data menghasilkan :
Gambar 4.4 Histogram
Sumber : Diolah dari SPSS, 2010
Hasil uji normalitas di atas memperlihatkan bahwa pada grafik histogram di atas distribusi data mengikuti kurva berbentuk lonceng yang tidak menceng (skewness) kiri maupun menceng kanan atau dapat disimpulkan bahwa data tersebut normal.
Gambar 4.5 Normal P-P Plot
Hasil uji normalitas dengan menggunakan normal probability plot, di mana terlihat bahwa titik-titik menyebar di sekitar garis diagonal serta penyebarannya mengikuti garis diagonal sehingga dapat disimpulkan bahwa data dalam model regresi terdistribusi secara normal.
Tabel 4.7
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parametersa Mean .0000000
Std. Deviation .56341356 Most Extreme Differences Absolute .202 Positive .202 Negative -.137 Kolmogorov-Smirnov Z 1.564
Asymp. Sig. (2-tailed) .157
a Test distribution is normal b Calculated from data
Sumber : Diolah dari SPSS, 2010
Nilai Kolmogorov – Smirnov sebesar 1.564 dan tidak signifikan pada 0.05 (karena p = 0.157 > 0.05). Jadi kita tidak dapat menolak Ho yang mengatakan bahwa residual terdistribusi secara normal atau dengan kata lain residual berdistribusi normal. Semua hasil pengujian melalui analisis grafik dan statistik di atas menunjukkan hasil yang sama yaitu normal, dengan demikian telah terpenuhi asumsi normalitas dan bisa dilakukan pengujian asumsi klasik berikutnya pada data.
b. Uji Heteroskedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke pengamatan yang lain. Heteroskedastisitas ini dapat dilihat dengan grafik scatterplot dan uji Glejser. Hasil dari uji heteroskedastisitas dapat dilihat pada grafik scatterplot berikut ini :
Hasil Uji Heteroskedastisitas
Gambar 4.6 Grafik Scatterplot
Sumber : Diolah dari SPSS, 2009
Dari gambar scatterplot di atas, terlihat bahwa titik-titik menyebar secara acak di atas dan di bawah angka 0 pada sumbu Y, serta tidak membentuk pola tertentu atau tidak teratur. Hal ini mengindikasikan tidak terjadi heteroskedastisitas pada model regresi sehingga model regresi layak dipakai.
Sedangkan hasil uji heteroskedastisitas dengan statistik uji glejser setelah seluruh variabel penelitian ditransformasi ke dalam fungsi logaritma natural (Ln) dapat dilihat pada tabel berikut :
Tabel 4.8
Hasil Uji Heteroskedastisitas dengan Uji Glejser Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. B Std. Error Beta 1 (Constant) 1.587 3.916 .405 .687 LN_NPWP .061 .045 .176 1.353 .182 LN_SSP_PPh_25 -.212 .521 -.053 -.406 .686 a. Dependent Variable: Absut
Sumber : Diolah dari SPSS, 2010
Berdasarkan hasil Uji Glejser di atas, dapat dilihat bahwa pada tabel Coefficients(a) nilai sig. semua variabel independen lebih besar dari 0,05 (5%). Sehingga dapat disimpulkan tidak terjadi heteroskedastisitas atau terjadi homoskedastisitas. Dengan demikian terpenuhilah asumsi klasik untuk uji heteroskedastisitas.
c. Uji Autokorelasi
Uji autokorelasi ini digunakan untuk menguji asumsi klasik regresi berkaitan dengan adanya autokorelasi. Model regresi yang baik adalah model yang tidak mengandung autokorelasi. Hasil dari uji autokorelasi dapat dilihat pada tabel berikut ini :
Tabel 4.9
Hasil Uji Autokorelasi Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson 1 .464a .215 .187 .57321 1.086 a. Predictors: (Constant), LN_SSP_PPh_25, LN_NPWP b. Dependent Variable: LN_Penerimaan_PPh_25 Sumber : Diolah dari SPSS 2010
Hasil uji autokorelasi di atas menunjukkan nilai statistik Durbin Watson (DW) sebesar 1,086. Maka Ho diterima, yang artinya dalam model regresi tidak terdapat autokorelasi atau kesalahan pengganggu, sebab DW terletak diantara -2 sampai +2 yang berarti tidak ada autokorelasi.
d. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam sebuah model regresi ditemukan adanya korelasi antarvariabel independen. Hasil dari uji multikolinearitas dapat dilihat pada tabel berikut ini :
Tabel 4.10
Hasil Uji Multikolinearitas
Model Collinearity Statistics Tolerance VIF 1(Constant) Ln_NPWP .999 1.001 Ln_SSP_PPh_25 .999 1.001
a Dependen Variabel : LN_Penerimaan_PPh_25 Sumber : Diolah dari SPSS, 2010
Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF = 1/ Tolerance). Nilai cutoff yang umum dipakai untuk menunjukkan adanya multikolinearitas adalah nilai tolerance < 0.10 atau sama dengan nilai VIF > 5. Dari hasil pengujian di atas, dapat dilihat bahwa angka tolerance Jumlah NPWP (X1), SSP PPh 25 (X2) > 0,10 dan VIF-nya < 5. Hasil perhitungan nilai
Tolerance juga menunjukkan tidak ada variabel independen yang memiliki
nilai Tolerance kurang dari 0.10. Ini mengindikasikan bahwa tidak terjadi multikolinearitas di antara variabel independen dalam penelitian.