Jika signifikasi nilai probabilitasnya lebih
besar dari 5, maka distribusi adalah normal.
3.4.2 Analisis Regresi Berganda
Tekhnik analisis yang dipergunakan dalam penelitian adalah regresi linear berganda dengan
persamaan sebagai berikut: Y = b0 + b1 X1 + b2 X2 + b3 X3 b4 X4 + e
Keterangan : Y
= keberhasilan penerimaan pajak X1
= tingkat kesadaran wajib pajak X2
= tingkat pemahaman wajib pajak X3
= kemampuan wajib pajak X4
= sistem
pemungutan B0
= konstanta intersep B1-4
= koefisien regresi X1,X2,X3,X4 B
= standar error
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3.4.3 Uji Asumsi Klasik
Regresi linear berganda dengan persamaan Y= b0 + b1 X1 + b2 X2 + b3 X3 +b4 X4 +e. Persamaan regresi
diatas harus bersifat BLUE best linear unbiased estimator, artinya pengambilan keputusan melalui uji F
dan uji t tidak boleh bias. Untuk menghasilkan pengambilan keputusan yang BLUE maka harus dipenuhi
diantaranya tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda yaitu :
a. Tidak ada multikolonearity
b. Tidak ada autokorelasi
c. Tidak boleh ada heterokedastisity
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi yang diperoleh tidak
lagi bersifat BLUE, sehinggs pengambilan keputusan melalui uji F dan uji t menjadi bias. Dibawah ini akan
dijelaskan masing-masing asumsi dasar dari BLUE yaitu sebagai berikut :
a. Autokorelasi, Uji Autokorelasi bertujuan untuk
menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dengan kesalahan pengganggu pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan
problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan
satu sama lainnya. Identifikasi ada atau tidaknya gejala autokorelasi dapat dites dengan menghitung
nilai Durbin Watson DW-test. Uji penelitian ini tidak dilakukan karena data penelitian bukan data
time-series Ghozali, 2006:92. b.
Multikolinearity, artinya antara variabel independen yang satu dengan yang lain dalam model regresi
berhubungan secara sempurna atau mendekati sempurna. Diagnosis atau dugaan secara sederhana
terhadap adanya multikolinearitas didalam model regresi.
Dari diagnosis data dugaan adanya multikolinearity tersebut maka perlu adanya pembuktian atau identifikasi
secara statistik ada atau tidaknya gejala multikolinearity yang dilakukan dengan cara menghitung Varance Inflation
Factor VIF. VIF menyatakan tingkat pembengkakan variance,
apabila VIF dari 10 hal ini berarti terdapat
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
multikolinearitas pada persamaan linear Ghozali, 2006:95.
c. Heterokedaksitas, model regresi yang baik adalah
tidak mempunyai heterokedaksitas. Dalam asumsi klasik, salah satu persyaratan yang harus dipenuhi
adalah varian dan komponen pengganggu dianggap konstan dari pengamatan yang satu ke pengamatan
yang lain, anggapan ini dikenal sebagai heterokedaksitas. Situasi atau gejala yang terjadi
tersebut disebut gejala heterokedaksitas. Identifikasi gejala heterokedaksitas dapat menggunakan korelasi
rank spearman Gujarati, 1995: 177. Adapun kriteria uji heterokedaksitas sebagai berikut :
Apabila nilai signifikan hitung sig tingkat
signifikan 0,05 maka Ho diterima berarti tidak terjadi heterokedaksitas.
Apabila nilai signifikan hitung sig tingkat
signifikan 0,05 maka Ho ditolak berarti terjadi heterokedaksitas.
3.4.4 Uji Hipotesis