Uji Asumsi Klasik Analisis Data
Berikut ini pada Gambar 5.2 merupakan hasil uji Normalitas P Plot berdasarkan hasil olah data SPSS 16 :
Gambar 5.2 Hasil Uji Normalitas P Plot Pengaruh Persepsi Kebermanfaatan, Kemudahan Penggunaan, dan Kepuasan
Wajib Pajak Dalam Menggunakan e-Filing
Berdasarkan tampilan gambar grafik histogram maupun normal probability plot dapat diketahui bahwa pola grafik histogram
berdistribusi normal. Sedangkan pada grafik normal probalility plot terlihat titik-titik menyebar disekitar garis diagonal, serta
penyebarannya mengikuti arah garis diagonal. Dengan demikian, kedua grafik tersebut memenuhi asumsi normal.
2 Uji Statistik
Uji statistik sederhana dapat dilakukan dengan melihat nilai kurtosis dan skewness dari residual dan juga dengan menggunakan
uji statistic non-parametrik Kolmogorov-SmirnovK-S. Rasio skewness atau rasio kurtosis dapat menunjukkan suatu
data berdistribusi normal atau tidak. Bila rasio skewness dan rasio kurtosis berada diantara -2 hingga +2, maka distribusi data adalah
normal. Berikut ini pada tabel 5.13 merupakan hasil uji statistik
sederhana dengan menggunakan SPSS 16 dimana perhitungannya dengan menggunakan rumusan rasio skewness dan rasio kurtosis.
Tabel 5.13 Hasil uji statistik sederhana
Descriptive Statistics
N Skewness
Kurtosis Statistic Statistic
Std. Error Statistic
Std. Error P
38 -.719
.383 1.015
.750 Valid N listwise
38
Sumber: Data diolah dari program SPSS 16 Berdasarkan hasil uji normalitas sederhana pada tabel 5.13
terlihat bahwa nilai untuk semua rasio berada diantara -2 hingga +2 dengan rumusan skewness 0,7190,383 = -1,877 dan nilai rasio
kurtosis 1,0150,750 = 1,353. Maka dapat disimpulkan -2 -1,877
2 untuk nilai rasio skewness dan -2 1,353 +2 untuk nilai rasio kurtosis yang artinya bahwa distribusi data normal.
Uji statistik non-parametrik juga merupakan salah satu cara untuk melihat data terdistribusi normal dengan melihat besarnya
nilai Kolmogorov-Smirnov Z pada Tabel. Berikut Tabel 5.14 hasil uji normalitas Non-Parametrik berdasarkan hasil olah data dengan
menggunakan SPSS 16: Tabel 5.14 Hasil uji normalitas Non-Parametrik
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 38
Normal Parameters
a
Mean .0000000
Std. Deviation 1.80644755
Most Extreme Differences Absolute
.125 Positive
.062 Negative
-.125 Kolmogorov-Smirnov Z
.771 Asymp. Sig. 2-tailed
.592 a. Test distribution is Normal.
Sumber: Data diolah dari data SPSS 16 Hasil uji Kolmogorov-Smirnov dapat diketahui bahwa
besarnya nilai Kolmogorov-Smirnov 0,771 dan signifikansi pada 0,592. Hal ini berarti signifikansi lebih besar dari 0,05 sehingga
data bisa dikatakan berdistribusi normal.
b. Uji multikolineritas
Uji ini digunakan
untuk mendeteksi
ada atau tidaknya
multikolienieritas di dalam model regresi. Model regresi yang baik seharusnya tidak terjadi korelasi antara variabel independen. Untuk
mendeteksi model tersebut dapat dilihat nilai tolerance dan lawannya Variance Inflation Factor VIF. Tolerance mengukur variabilitas
variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF tinggi. Untuk menunjukkan adanya multikolonieritas,
nilai Tolarance 0,10 atau sama dengan nilai VIF 10. Berikut pada tabel 5.15
Merupakan hasil olah data dengan menggunakan SPSS 16 untuk menguji ada tidaknya multikolinearitas:
Tabel 5.15 Hasil uji multikolinearitas
Sumber: Data diolah dari program SPSS 16
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. Collinearity
Statistics B
Std. Error Beta
Toleranc e
VIF 1
Constant 9.059
5.490 1.650
.108 X1
.035 .268
.024 .130
.897 .870 1.149
X2 .215
.296 .128
.725 .473
.932 1.073 X3
-.155 .313
-.090 -.494 .624
.873 1.146 a. Dependent Variable: P
Berdasarkan data yang telah diolah dan disajikan tabel 5.15 menunjukkan bahwa nilai Tolerance tidak kurang dari 0,10 maka tidak
ada korelasi antar variabel independen. Hasil yang sama juga ditunjukkan dengan menggunakan nilai VIF pada tabel dimana nilai VIF 10 maka
tidak ada korelasi antar variabel independen. Dengan demikian dapat disimpulkan tidak ada multikolonieritas antar variabel independen dalam
model regresi.
c. Uji Heteroskedastisitas
Tujuan dari uji heteroskedastisitas yaitu untuk menguji Apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu
pengamatan ke pengamatan lainnya. Jika variance dari variabel residual satu
pengamatan ke
pengamatan lain
tetap, maka
disebut homoskedastisitas, jika berbeada disebut heteroskadastisitas. Model
regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Berikut pada tabel 5.14 Merupakan hasil uji heteroskedastisitas
berdasarkan hasil oleh SPSS 16: Tabel 5.16 Hasil uji Heteroskedastisitas
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error
Beta 1
Constant 1.969
3.055 .644
.524 X1
-.023 .134
-.030 -.173
.864 X2
-.072 .146
-.090 -.495
.624 X3
.038 .117
.058 .323
.749 a. Dependent Variable: RES2
Sumber: Data diolah dari program SPSS 16
Berdasarkan tabel 5.16 menunjukkan bahwa nilai signifikansi variabel X1 sebesar 0,128 yang artinya lebih besar dari 0,05 maka untuk
variabel persepsi kebermanfaatan penggunaan e-Filing tidak ada heteroskedastisitas. Hal yang sama ditunjukkan melalui hasil output
untuk variabel X2 yaitu persepsi kemudahan penggunaan e-Filing yang memiliki nilai signifikansi 0,248 yang artinya lebih besar dari 0,05, dan
persepsi maka variabel persepsi kemudahan penggunaan e-Filing tidak terjadi heteroskedastisitas. Begitu juga dengan variabel X3 yaitu
persepsi kepuasan penggunaan e-Filing yang memiliki nilai signifikansi 0,172 yang artinya lebih besar dari 0,05, maka variabel persepsi
kepuasan penggunaan e-Filing tidak terjadi heteroskedastisitas. Dengan demikian, dapat disimpulkan bahwa model regresi tidak mengandung
adanya heteroskedastisitas.