46 Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel
independen. Multikolinearitas antara variable independen dengan variable independen
dapat diketahui dengan melihat nilai tolerance dan Variance Inflation Factor VIF. Apabila nilai tolerance lebih kecil dari 0,1 serta nilai VIF lebih besar dari
sepuluh, maka terjadi multikolinearitas. Tetapi, apabila nilai tolerance lebih besar dari 0,1 serta nilai VIF lebih kecil dari sepuluh, maka tidak terjadi
mulltikolinearitas.
Tabel 4.3 Uji Multikolinearitas
Coefficients
a
Model Standardized
Coefficients T
Sig. Collinearity
Statistics Beta
Tolerance VIF
1 Constant
24.190 .000
ln_ST .189
.910 .372
.764 1.309
LN_SP -.512
-2.458 .022
.764 1.309
a. Dependent Variable: LN_PTP
Sumber: diolah dengan SPSS, 2015
Dari tabel diatas terlihat bahwa nilai tolerance sebesar 0,764 dan nilai VIF sebesar
1,309. Maka dapat disimpulkan bahwa tidak terjadi multikolinearitas, karena nilai tolerance lebih besar dari 0,1 dan nilai VIF lebih kecil dari sepuluh.
c. Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang
lain. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi
Universitas Sumatera Utara
47 heteroskedastisitas. Dalam penelitian ini grafik scatterplot digunakan untuk
mengetahui apakah dalam penelitian terjadi heteroskedastisitas. Analisis pada gambar scatterplot yang menyatakan model regresi linier berganda tidak terdapat
heterokedastisitas jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y.
Gambar 4.3 : Uji Heterokedastisittas
Dari grafik Scatterplot di atas terlihat bahwa titik-titik data menyebar secara acak serta tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. titik-titik data
tidak mengumpul hanya di atas dan di bawah saja, penyebaran titik-titik data tidak membentuk pola bergelombang melebar kemudian menyempit dan melebar
kembali, dan penyebaran titik-titik data tidak berpola,sehingga dapat disimpulkan tidak terjadi heteroskedastisitas.
Universitas Sumatera Utara
48
d. Uji Autokorelasi
Uji autokorelasi bertujuan menguji apakah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan
pengganggu pada periode sebelumnya t-1. Model regresi yang baik adalah model regresi yang bebas dari autokorelasi. Untuk mengetahui ada tidaknya
autokorelasi dalam penelitian ini, maka dilakukan pengujian dengan menggunakan uji Durbin-Watson. Dengan ketentuan sebagai berikut:
1 Angka D-W di bawah -2 berarti ada autokorelasi positif, 2 Angka D-W di antara -2 sampai +2 berarti tidak ada autokorelasi,
3 Angka D-W di atas +2 berarti autokorelasi negative
Tabel 4.4 Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .452
a
.204 .138
1.19163 1.256
a. Predictors: Constant, LN_SP, ln_ST b. Dependent Variable: LN_PTP
Sumber: diolah dengan SPSS, 2015 Dari tabel uji autokorelasi diatas, dapat dilihat hasil pengujian Durbin-Watson
menunjukkan nilai 1,256 -2 1,256 +2, yang artinya nilai tersebut beradaa diantara -2 sampai +2. Maka dapat disimpulkan bahwa pada penelitian ini tidak
ada autokorelasi.
4.2.3 Analisis Regresi Linier Berganda
Analisis regresi berganda bertujuan untuk mengetahui ada tidaknya pengaruh antara variable independen LN_ST dan LN_SP, terhadap variable
Universitas Sumatera Utara
49 dependen LN_PTP. Berdasarkan hasil pengolahan data melalu SPSS diperoleh
hasil output sebagai berikut:
Tabel 4.5 Hasil Analisis Regresi Berganda
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
20.637 .853
24.190 .000
ln_ST .178
.196 .189
.910 .372
LN_SP -.345
.140 -.512
-2.458 .022
a. Dependent Variable: LN_PTP
Sumber: diolah dengan SPSS, 2015 Berdasarkan hasil pengolahan data dari tabel diatas dapat dilihat pada tabel kolom
coefficients B, menunjukkan model persamaan regresi berganda sebagai berikut:
Ln_PTP= 20,637 + 0.178Ln_ST - 0,345Ln_SP + e
Keterangan: Ln_PTP
= Logaritma Natural LnPenerimaan Tunggakan Pajak Ln_ST
= Logaritma Natural Ln Surat Teguran Ln_SP
= Logaritma Natural Ln Surat Paksa e
= Error Penjelasan dari persamaan diatas adalah:
a. Konstanta sebesar 20,637 menunjukkan bahwa jika variable independen dianggap konstan maka tingkat penerimaan tunggakan pajak sebesar 20,637
Universitas Sumatera Utara
50 b. Koefisien Ln_ST menunjukkan bahwa apabila terjadi perubahan variable
surat teguran sebesar 1 akan menaikkan variable penerimaan tunggakan pajak sebesar o,178 atau sebesar 17,8 dengan asumsi variabellain konstan.
c. Koefisien Ln_SP bernilai negative menunjukkan bahwa apabila terjadi perubahan variable surat paksa sebesar 1 akan menurunkan penerimaan
tunggakan pajak sebesar 0,345 atau sebesar 34,5 dengan asumsi variable d. lainnya konstan.
e. standar error e menunjukkan tingkat kesalahan pengganggu.
4.2.4 Uji Hipotesis
a. Uji Parsial t-test
Uji parsial bertujuan untuk melihat pengaruh variabel-variabel independen secara individual terhadap variabel dependen. Hipotesis statistik yang diajukan
adalah : H1 : bi ≠ 0 : ada pengaruh
Kriteria yang digunakan dalam menerima atau menolak hipotesis adalah: 1 H1diterima apabila nilai probabilitas level of significant sebesar 0,05,
2 H1 ditolak apabila nilai probabilitas level of significant sebesar 0,05. Hasil pengujian menggunakan uji t dapat dilihat pada tabel berikut:
Universitas Sumatera Utara
51
Tabel 4.6 Uji Parsial
Kesimpulan yang dapat diambil dari analisis tabel diatas adalah: 1. Surat teguran Ln_ST mempunyai nilai signifikansi sebesar 0,372 yang
berarti nilai ini lebih besar dari 0,05. Berdasarkan nilai tersebut surat teguran secara parsial tidak berpengarruh terhadap penerimaan tunggakan pajak
2. Surat paksa Ln_SP mempunyai nilai signifikansi sebesar 0.022 yang berarti nilai ini lebih kecil dari 0,05. Berdasarkan nilai tersebut surat paksa secara
parsial berpengaruh terhadap penerimaan tunggakan pajak.
b. Uji Simultan F-test