b. variabel SSP PPh 25 X
2
memiliki nilai minimum 1.480,00, nilai
maksimum 2.247,00, rata-rata SSP 1.784,07 dan standar deviasi sebesar
197,365 dengan jumlah sampel sebanyak 60,
c. variabel Peneriman PPH 25 Y memiliki nilai minimum 2,00, nilai maksimum 5,00, rata-rata Penerimaan PPH 25 4,36 dan standar deviasi
sebesar 6,960 dengan jumlah sampel sebanyak 60.
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
Sumber : Diolah dari SPSS, 2010
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Tabel 4.6
One-Sample Kolmogorov-Smirnov Test
Unstandardized Residual
N 60
Normal Parameters
a
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 H
a
diterima dan H
o
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 :
Universitas Sumatera Utara
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
Sumber : Diolah dari SPSS, 2010
Universitas Sumatera Utara
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 Parameters
a
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 H
o
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Coefficients
a
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 :
Universitas Sumatera Utara
Tabel 4.9 Hasil Uji Autokorelasi
Model Summary
b
Model R
R Square Adjusted R
Square Std. Error of the
Estimate Durbin-Watson
1 .464
a
.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 H
o
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
1Constant Ln_NPWP
.999 1.001
Ln_SSP_PPh_25 .999
1.001
a Dependen Variabel : LN_Penerimaan_PPh_25 Sumber : Diolah dari SPSS, 2010
Universitas Sumatera Utara
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 X
1
, SSP PPh 25 X
2
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.
4. Model dan Teknik Analisis Data
