Lidya Purnama Sari : Pengaruh Self Assessment System Terhadap Penerimaan Pajak Penghasilan Di Kantor Pelayanan Pajak Pratama Medan Barat, 2009.
2 nilai Sig. atau signifikan atau probabilitas 0,05, maka distribusi data adalah normal.
Distribusi yang melanggar asumsi normalitas dapat dijadikan menjadi bentuk yang normal dengan beberapa cara sebagai berikut :
1 Transformasi Data
Transformasi data dapat dilakukan dengan logaritma natiral ln, log10, maupun akar kuadrat. Jika ada data yang bernilai negatif, transformasi data
dengan logaritma akan menghilangkannya sehingga julah sampel n akan bekurang.
2 Trimming Trimming adalah memangkas membuang observasi yang bersifat outlier,
yaitu yang nilainya lebih kecil dari µ-2 atau lebih besar dari µ+2 . Metode ini juga mengecilkan sampelnya.
3 Winzorising Winzorising mengubah nilai-nilai outliers menjadi nilai0nilai minimum atau
maksimum yang diizinkan supaya distribusinya menjadi normal. Nilai-nilai observasi yang lebih kecil dari µ-2 akan diubah nilainya menjadi µ+2 dan
nilai-nilai yang lebih besar dari µ+2 akan diubah nilainya menjadi µ-2 .
2. Uji Heterokedastisitas
Uji heterokedastisitas dilakukan untuk menguji apakah dalam sebuah model regresi terjadi ketidaksamaan varians dari residual dari satu pengamatan ke
pengamatan yang lain. Jika varians dari residual dari suatu pengamatan ke
Lidya Purnama Sari : Pengaruh Self Assessment System Terhadap Penerimaan Pajak Penghasilan Di Kantor Pelayanan Pajak Pratama Medan Barat, 2009.
pengamatan lainnya tetap, maka disebut Homoskedastisitas dan jika varians berbeda, maka disebut heteroskedastisitas. Model regresi yang baik adalah yang
tidak terjadi heteroskedastisitas. Untuk mengetahui adanya masalah heteroskesdatisitas, kita bisa menggunakan
korelasi jenjang Spearman, Park test, Goldfeld-Quandt test, BPG tast, White test atau Glejser test. Bila menggunakan korelasi jenjang Spearman, maka kita harus
menghitung nilai korelasi untuk setiap variabel independen terhadap nilai residu, baru kemudian dicari tingkat signifikansinya. Park dan Glejser test memiliki dasar
test yang sama yaitu meregresikan kembali nilai residu ke variabel independen. Salah satu cara untuk mengurangi masalah heteroskesdatisitas adalah menurunkan
besarnya rentang range data. Salah satu cara yang bisa dilakukan untuk menurunkan rentang data adalah melakukan transformasi manipulasi logaritma.
Tindakan ini bisa dilakukan bila semua data bertanda positif.
3. 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. Autokorelasi adalah keadaan dimana variabel error- term pada periode tertentu berkorelasi dengan variabel error-term pada periode
lain yang bermakna variabel error-term tidak random. Pelanggaran terhadap asumsi ini berakibat interval keyakinan terhadap hasil estimasi menjadi melebar
sehingga uji signifikansi tidak kuat. Uji ini dilakukan pada penelitian yang menggunakan data time series. Oleh karena data dalam penelitian ini merupakan
Lidya Purnama Sari : Pengaruh Self Assessment System Terhadap Penerimaan Pajak Penghasilan Di Kantor Pelayanan Pajak Pratama Medan Barat, 2009.
gabungan antara data cross section dan time series, maka harus dilakukan uji autokorelasi terlebih dahulu.
Untuk mendeteksi ada tidaknyanya autokorelasi bisa digunakan tes Durbin Watson D-W. Panduan mengenai angka D-W untuk mendeteksi autokorelasi
bisa dilihat pada tabel D-W, yang bisa dilihat pada buku statistik yang relevan. Namun demikian secara umum bisa diambil patokan:
1 angka D-W di bawah -2 berarti ada autokorelasi positif,
2 angka D-W di antara -2 sampai +2, berarti tidak ada autokorelasi,
3 angka D-W diatas +2 berarti ada autokorelasi negatif.
4. Uji Multikolinearitas
