1. Mengisi formuir pajak dengan lengkap dan jelas 2. Menghitung jumlah pajak yang terutang dengan benar
3. Membayar pajak yang terutang tepat pada waktunya
4.4 Pengaruh Persepsi Wajib Pajak atas Sanksi Perpajakan dan Kesadaran
Perpajakan Terhadap Kepatuhan Wajib Pajak Di Kantor Pelayanan Pajak Pratama Cibeunying
Untuk melihat apakah persepsi wajib pajak atas sanksi perpajakan dan kesadaran perpajakan secara simultan dan parsial berpengaruh terhadap kepatuhan
wajib pajak di Kantor Pelayanan Pajak Pratama Cibeunying, akan dilakukan analisis regresi linier berganda.
4.4.1 Persamaan Regresi Linier Berganda
Persamaan regresi linier berganda yang akan dibentuk adalah:
ˆ Y
= a + b
1
X
1
+ b
2
X
2
ˆ Y
= nilai taksiran untuk variabel kepatuhan wajib pajak a
= konstanta b
i
= koefisien regresi X
1
= persepsi wajib pajak atas sanksi perpajakan X
2
= kesadaran wajib pajak Dengan menggunakan software SPSS, diperoleh hasil analisis regresi linier
berganda sebagai berikut:
Tabel 4.21 Koefisien Regresi Linier Berganda
Berdasarkan output di atas, diperoleh nilai a sebesar 1,367, nilai b
1
sebesar 0,502 dan b
2
sebesar 0,464. Dengan demikian maka dapat dibentuk persamaan regresi linier berganda sebagai berikut:
ˆ Y
= 1,368+0,502X
1
+ 0,464X
2
Nilai a dan b
i
dalam persamaan di atas dapat diinterpretasikan sebagai berikut:
a = 1,368artinya: jika persepsi wajib pajak atas sanksi perpajakan dan kesadaran
wajib pajak bernilai 0 persen maka kepatuhan wajib pajak akan bernilai 1,368persen.
b
1
= 0,502artinya: jika persepsi wajib pajak atas sanksi perpajakan meningkat
sebesar satu persen sementara kesadaran wajib pajak konstan maka kepatuhan wajib pajak akan meningkat sebesar
0,502persen.
Coefficients
a
1.368 1.271
1.076 .285
.502 .071
.484 7.073
.000 .464
.068 .467
6.826 .000
Constant Persepsi w ajib pajak
atas sanksi perpajakan Kesadaran w ajib pajak
Model 1
B Std. Error
Unstandardized Coefficients
Beta Standardized
Coefficients t
Sig.
Dependent Variable: Kepatuhan w ajib pajak a.
B
2
= 0,464artinya: jika kesadaran wajib pajak meningkat sebesar satu persen
sementara persepsi wajib pajak atas sanksi perpajakan konstan maka maka kepatuhan wajib pajak akan meningkat sebesar
0,464 persen.
4.4.1.1 Pengujian Asumsi Klasik
Sebelum dilakukan pengujian hipotesis menggunakan analisis regressi linier berganda, ada beberapa asumsi yang harus terpenuhi agar kesimpulan dari regressi
tersebut tidak bias, diantaranya adalah uji normalitas, uji multikolinieritas untuk regressi linear berganda, uji heteroskedastisitas dan uji autokorelasi untuk data yang
berbentuk deret waktu. Pada penelitian ini hanya tiga asumsi yang disebutkan diatas diuji, karena data yang digunakan tidak mengandung unsur timeseries sehingga
autokorelasi tidak diuji.
1 Uji Asumsi Normalitas
Asumsi normalitas merupakan persyaratan yang sangat penting pada pengujian kebermaknaan signifikansi koefisien regressi, apabila model regressi
tidak berdistribusi normal maka kesimpulan dari uji F dan uji t masih meragukan, karena statistik uji F dan uji t pada analisis regressi diturunkan dari distribusi normal.
Pada penelitian ini digunakan uji satu sampel Kolmogorov-Smirnov untuk menguji normalitas model regresi.
Tabel 4.22 Hasil Pengujian Asumsi Normalitas
One-Sample Kolmogorov-Smirnov Test
Unstandardize d Residual
N 100
Normal Parametersa,b Mean
.0000000 Std. Deviation
1.38622619 Most Extreme
Differences Absolute
.178 Positive
.178 Negative
-.106 Kolmogorov-Smirnov Z
1.783 Asymp. Sig. 2-tailed
.003 a Test distribution is Normal.
b Calculated from data.
Pada tabel 4.22 dapat dilihat nilai probabilitas asymp. Sig. yang diperoleh dari uji Kolmogorov-Smirnov sebesar 0,003. Karena nilai probabilitas pada uji
Kolmogorov-Smirnov masih lebih besar dari tingkat kekeliruan 5 0.05. Secara visual gambar grafik normal probability plot dapat dilihat pada gambar 4.4 berikut:
Gambar 4.4 Grafik Normalitas
Grafik diatas mempertegas bahwa model regressi yang diperoleh berdisitribusi normal, dimana sebaran data berada disekitar garis diagonal.
2 Uji Asumsi Multikolinieritas
Multikolinieritas berarti adanya hubungan yang kuat di antara beberapa atau semua variabel bebas pada model regresi. Jika terdapat Multikolinieritas maka
koefisien regresi menjadi tidak tentu, tingkat kesalahannya menjadi sangat besar dan biasanya ditandai dengan nilai koefisien determinasi yang sangat besar tetapi pada
pengujian parsial koefisien regresi, tidak ada ataupun kalau ada sangat sedikit sekali
1.0 0.8
0.6 0.4
0.2 0.0
Observed Cum Prob
1.0 0.8
0.6 0.4
0.2 0.0
Ex pec
ted C
um P
rob
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: y
koefisien regresi yang signifikan. Pada penelitian ini digunakan nilai Variance Inflation Factors VIF sebagai indikator ada tidaknya multikolinieritas diantara
variabel bebas.
Tabel 4.23 Hasil Pengujian Asumsi Multikolinieritas
Coefficientsa
Model Collinearity Statistics
Tolerance VIF
1 Constant
X1 .517
1.933 X2
.517 1.933
a Dependent Variable: y
Berdasarkan nilai VIF yang diperoleh seperti terlihat pada tabel 4.23 diatas menunjukkan tidak ada korelasi yang cukup kuat antara sesama variabel bebas,
dimana nilai VIF dari kedua variabel bebas lebih kecil dari 10 sehingga dapat disimpulkan tidak terdapat multikolinieritas diantara kedua variabel bebas.
3 Uji Asumsi Heteroskedastisitas
Heteroskedastisitas merupakan indikasi varian antar residual tidak homogen yang mengakibatkan nilai taksiran yang diperoleh tidak lagi efisien. Untuk menguji
apakah varian dari residual homogen digunakan uji rank Spearman, yaitu dengan mengkorelasikan variabel bebas terhadap nilai absolut dari nilai residualerror.
Apabila koefisien korelasi dari masing-masing variabel independen ada yang signifikan
pada tingkat
kekeliruan 5,
mengindikasikan terjadinya
heteroskedastisitas. Pada tabel 4.50 berikut dapat dilihat nilai signifikansi masing- masing koefisien korelasi variabel bebas terhadap nilai absolut dari residualerror.
Tabel 4.24 Hasil Pengujian Asumsi Heteroskedastisitas
Correlations
X1 X2
absolut Spearmans rho
X1 Correlation Coefficient
1.000 .707
.455 Sig. 1-tailed
. .000
.000 N
100 100
100 X2
Correlation Coefficient .707
1.000 .400
Sig. 1-tailed .000
. .000
N 100
100 100
absolut Correlation Coefficient
.455 .400
1.000 Sig. 1-tailed
.000 .000
. N
100 100
100 Correlation is significant at the 0.01 level 1-tailed.
Berdasarkan hasil korelasi yang diperoleh seperti dapat dilihat pada tabel 4.24 di atas memberikan suatu indikasi bahwa residual error yang muncul dari
persamaan regresi mempunyai varians yang sama tidak terjadi heteroskedastisitas, hal ini ditunjukkan oleh nilai signifikansi sig dari masing-masing koefisien korelasi
kedua variabel bebas dengan nilai absolut error masih lebih besar dari 0,05. Setelah ketiga asumsi regresi diuji dan tidak terjadi pelanggaran, selanjutnya
dilakukan pengujian hipotesis, yaitu pengaruh persepsi wajib pajak atas sanksi perpajakan dan kesadaran wajib pajak terhadap kepatuhan wajib pajak.
4.4.2 Analisis Korelasi