79
sesuai dengan kriteria bahwa sebaran data disebut berdistribusi normal
apabila memiliki taraf signifikan 0,05 Sumarsono, 2002:40, oleh
karena itu dapat diputuskan bahwa data yang digunakan dalam penelitian ini berdistribusi normal.
4.3.2. Pengujian Asumsi Klasik
4.3.2.1.Multikolinieritas
Tujuan pengujian ini adalah untuk menguji apakah pada model regresi ditemukan adanya korelasi antar variabel independent dapat
menggunakan uji multikolinieritas, karena dalam model regresi linier yang baik seharusnya tidak terjadi korelasi diantara variabel independent.
Identifikasi cara statistik ada atau tidaknya gejala multikolinier dapat dilakukan dengan menghitung VIF Varians Inflation Factor.
Rumus VIF = VIF menyatakan tingkat pembengkakan varians. Apabila varians
10 , hal ini berarti terdapat multikolinier pada persamaan regresi linier.
Ghozali, 2001 : 57.
Tabel 16. Hasil uji Multikolinieritas
Variabel bebas Tolerance
VIF
Pemahaman Wajib Pajak atas PBB X
1
0,966 1,035
Kesadaran Perpajakan Wajib Pajak X
2
0,947 1,056
Kepatuhan Wajib Pajak X
3
0,967 1,035
Sumber : Lampiran 6 Berdasarkan hasil pengujian dapat diketahui bahwa nilai VIF
seluruh variabel bebas dalam penelitian ini lebih kecil dari 10, artinya
80
seluruh variabel bebas pada penelitian ini tidak terjadi gejala multikolinier Ghozali, 2001:57.
4.3.2.2.Uji Autokorelasi
Tujuan pengujian ini adalah menguji apakah dalam sebuah model regresi linier ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pada periode t-1 sebelumnya. Jika terjadi korelasi, maka dinamakan ada problem autokorelasi. Tentu saja model regresi yang
baik adalah regresi yang bebas dari autokorelasi. Autokorelasi pada sebagaian besar kasus ditemukan pada regresi yang datanya time series,
atau berdasarkan waktu berkala, seperti bulanan, tahunan, dan seterusnya Santoso, 2000 : 216, dalam pengujian ini, uji autokorelasi tidak
dilakukan karena data yang digunakan bukan data time series
4.3.2.3.Uji Heteroskedastisitas
Tujuan pengujian ini adalah menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke
pengamatan lain. Jika variance dari residul satu pengamatan ke pengamatan yang lain tetap, maka disebut Homokedastisitas, jika variance
berbeda, disebut heterokedastisitas. Model regresi yang baik adalah tidak terjadi heterokedastisitas. Santoso, 2000 : 208.
Menurut Santoso 2000 : 210, untuk mendeteksi adanya heteroskedastisitas adalah :
81
Nilai probabilitas 0,05 berarti bebas dari heterokedastisitas.
Nilai probabilitas 0,05 berarti terkena heterokedastisitas.
Hasil pengujian heteroskedastisitas pada penelitian ini dapat dilihat pada tabel berikut ini :
Tabel 17. Hasil Pengujian Heteroskedastisitas
No Variabel
Nilai mutlak dari residual
Taraf Signifikansi
1. Pemahaman Wajib Pajak atas PBB X
1
-0,056 0,582
2 Kesadaran Perpajakan Wajib Pajak X
2
-0,013 0,901
3 Kepatuhan Wajib Pajak X
3
-0,016 0,876
Sumber : Lampiran 7 Berdasarkan tabel di atas dapat diketahui bahwa, tingkat signifikan
koefisien Rank Spearman untuk semua variabel bebas terhadap residual adalah lebih besar dari 0,05 yang berarti pada model regresi ini tidak
terjadi heteroskedastisitas. Berdasarkan hasil pengujian yang telah dilakukan dapat
disimpulkan bahwa model analisis regresi linier berganda tersebut telah bebas dari penyimpangan-penyimpangan asumsi klasik, yaitu bebas dari
penyimpangan heteroskedastisitas, multikolinieritas sehingga layak untuk dilakukan pengujian regresi linier berganda.
4.3.3. Hasil Pengujian Regresi Linier Berganda
