memiliki cukup banyak item pertanyaan yang mengukur aspek yang sama.
3. Teknik Bentuk Paralel. Perhitungan reliabilitas dilakukan dengan membuat dua jenis alat
pengukur yang mengukur aspek yang sama. Kedua alat ukur tersebut diberikan pada responden yang sama, kemudian dicari validitasnya
untuk masing-masing jenis.
4. Internal Consistency Reliability
Internal consistency reliability berisi tentang sejauh mana item-item instrumen bersifat homogen dan mencerminkan konstruk yang sama
sesuai dengan yang melandasinya. Suatu variabel dikatakan reliabel jika memberikan nilai cronbach alpha 0,60 Ghozali,2005 atau nilai
cronbach alpha 0,80 Kuncoro, 2003.
2.3 Regresi 2.3.1 Pengertian Regresi
Suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antara dua variabel atau lebih, dengan tujuan untuk membuat prediksi nilai suatu
variabel dependen melalui variabel independen. Analisis regresi adalah teknik statstika yang berguna untuk memeriksa dan
memodelkan hubungan diantara variabel-variabel. Analisis regresi dapat digunakan untuk dua hal pokok, yaitu :
a. Untuk memperoleh suatu persamaan dari garis yang menunjukkan persamaan hubungan antara dua variabel. Persamaan dan garis yang
dihasilkan bisa berupa persamaan garis bentuk linier maupun nonlinier.
Universitas Sumatera Utara
b. Untuk menaksir suatu variabel yang disebut variabel tak bebas terikat dengan variabel lain yang disebut variabel bebas berdasarkan hubungan
yang ditunjukkan persamaan regresi tersebut.
Berdasarkan amatan dan analisis data, penyelesaian regresi ini dapat berupa persamaan linier maupun nonlinier. Oleh karena itu analisis regresi ini
terbagi atas regresi linier dan regresi nonlinier. Yang termasuk ke dalam regresi linier adalah regresi linier sederhana, regresi linier berganda, dan sebagainya.
Ssedangkan yang termasuk regresi nonlinier adalah regresi model parabola kuadratik, model parabola kubik, model eksponen, model geometrik, regresi
logistik, dan sebagainya.
2.3.2 Regresi Logistik
Analisis regresi logistik merupakan salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau dua variabel independen
dengan sebuah variabel dependen kategorik yang bersifat dikotom binary. Variabel kategorik yang dikotom merupakan variabel yang mempunyai dua nilai
variasi yang mewakili kemunculan atau tidak adanya suatu kejadian yang diberi skor 0 atau 1 yaitu dalam hal ini mengenai kesadaran wajib pajak yaitu sadar atau
tidak sadar. Regresi logistik berbeda dengan regresi linear, karena pada regresi linear
menggunakan variabel dependen numerik sedangkan pada regresi logistik menggunakan variabel dependen kategorik yang bersifat dikotomus.
Regresi logistik membentuk persamaan atau fungsi dengan pendekatan maximum likelihood, yang memaksimalkan peluang pengklasifikasian objek yang
diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regresi yang sederhana.
Regresi logistik menghasilkan rasio peluang odds ratios antara keberhasilan atau kegagalan suatu dari analisis.
Disini odds ratio yang dimaksud adalah seber
apa
besar peluang dari suatu variabel dengan
Universitas Sumatera Utara
mempertimbangkan variabel prediktor yang ada. Regresi logistik akan membentuk
variabel prediktorrespon log p1-p yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan
menjadi probabilitas dengan fungsi logit. Tujuan dari analisis regresi logistik
adalah untuk memperoleh model yang paling baik fit dan sederhana yang dapat menggambarkan hubungan antara variabel dependen dan variabel independen.
Regresi logistik dibagi menjadi dua, yaitu : 1. Regresi logistik sederhana
Digunakan untuk mengetahui hubungan antara satu variabel independen dengan satu variabel dependen yang bersifat dikotomus.
2. Regresi logistik ganda Digunakan untuk mengetahui hubungan antara beberapa variabel
independen dengan satu variavel dependen yang bersifat dikotomus.
2.3.3 Asumsi Regresi Logistik
Regresi logistik tidak membutuhkan hubungan linear antara variabel
independen dan variabel dependen.
Regresi logistik dapat menyeleksi hubungan karena menggunakan pendekatan non linear log transformasi untuk memprediksi ods ratio. Ods
dalam regresi logistik sering dinyatakan sebagai probability peluang. Variabel independen tidak memerlukan asumsi multivariate normality.
Asumsi homokedaksitas tidak diperlukan. Variabel independen tidak perlu dirubah kedalam bentuk metric interval
atau ratio.
2.3.4 Persamaan Regresi Logistik
Universitas Sumatera Utara
Regresi logistik menghasilkan rasio peluang yang dinyatakan dengan transformasi fungsi logaritma log, dengan demikian fungsi transformasi log ataupun ln
diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logitp
merupakan log dari peluang odds ratio atau likelihood ratio dengan nilai kemungkinan terbesar peluang adalah 1, dengan demikian persamaan regresi
logistik menjadi:
logitp = log p1-p = ln p1-p 2.1
dimana p bernilai antara 0-1. Model yang digunakan pada regresi logistik adalah:
Log P 1 – p = β
+ β
1
X
1
+ β
2
X
2
+ …. + β
i
X
i
Dimana : P
= kemungkinan bahwa = 1
1
,
2
, … , = variabel independen
,
1
, … , = koefisien regresi.
Rumus untuk fungsi logistik yaitu :
=
1 1+
˗
−
Persamaan linear logistik berganda yang digunakan : =
+
1 1
+
2 2
+ ⋯ +
Bila nilai gx dimasukkan pada fungsi x, maka rumus fungsi x yaitu :
Universitas Sumatera Utara
=
1 1+
− 0+ 1 1+ 2 2+⋯+
Persamaan bentuk umum dari regresi logistik biner :
� =
−
1+
−
Keterangan : � = peluang tingkat kesadaran masyarakat
= nilai estimasi logit = berturut-turut adalah nilai koefisien
Statistik w untuk uji signifikansi parameter regresi logistik :
=
�
Dengan wilayah kritis :
, 2
Keterangan : = nilai koefisien regresi logistik untuk variabel ke-i
� = nilai standard error untuk variabel ke-i = variabel bebas yang digunakan
= taraf nyata
Rumus untuk menyatakan odds ratio :
�
1
1−�
1
�
2
1−�
2
Keterangan : �
1
adalah peluang kejadian kelompok pertama
Universitas Sumatera Utara
�
2
adalah peluang kejadian kelompok kedua
2.3.5 Uji Model Persamaan Regresi Logistik
Uji ini sering disebut juga sebagai uji ketepatan model. Uji ini digunakan untuk mengetahui apakah model regresi logistk sudah sesuai dengan data observasi yang
diperoleh. Untuk menilai ketepatan model regresi logistik dalam penelitian ini diukur dengan nilai chi square dengan Hosmer and Lemeshow Test. Pengujian ini
akan melihat nilai goodness of fit test yang diukur dengan nilai chi square pada tingkat signifikansi, dimana tingkat signifikansi pada penelitian ini adalah 5.
Adapun model pengujiannya adalah sebagai berikut :
� ∶ =
1 1+
− 0+ 1 1+ 2 2+⋯+
2.1
�
1
∶ ≠
1 1+
− 0+ 1 1+ 2 2+⋯+
2.2
Untuk menguji hipotesis digunakan model Hosmer and Lemeshow’s goodness of
fit test. Jika nilai Hosmer and Lemeshow’s goodness of fit test statistik sama
dengan atau kurang dari 0,05, maka hipotesis nol ditolak yang berari ada perbedaan signifikan antara model dengan nilai observasinya atau goodness fit
model tidak baik, karena model tidak dapat memprediksi nilai observasinya. Jika nilai statistik
Hosmer and Lemeshow’s goodness of fit lebih besar dari 0,05, maka hipotesis nol diterima dan berarti model mampu memprediksikan nilai
obsevasinya atau dapat dikatakan model cocok dengan observasinya.
2.3.6 Negelkerke
�
Universitas Sumatera Utara
Nilai Negelkerke
2
ini akan menunjukkan seberapa besar variabel-variabel bebas penelitian ini menjelaskan variabel terikatnya. Nilai Negelkerke
2
biasanya dibentuk dalam persen agar dapat mengetahui dengan pasti seberapa jauh
penjelasan variabel-variabel bebas terhadap variabel terikatnya.
2.3.7 Odds Rasio
Odds ratio didefinisikan sebagai perbandingan dari nilai variabel sukses terhadap variabel bernilai gagal. Dengan kata lain odds rasio menjelaskan seberapa besar
pengaruh variabel sukses dibanding variabel gagal terhadap suatu eksperimen atau observasi. Pada kasus penelitian dengan regresi logistik, nilai ini dapat dilihat dari
nilai ExpB pada hasil analisis data. Hasil tersebut akan menunjukkan pengaruh setiap variabel-variabel bebas terhadap variabel terikatnya
2.4 Pajak