BAB III

PEMBAHASAN
A. Analisis Variansi Multivariat (MANOVA)
Pada kasus multivariat, analisis sebagai perluasan dari Analisis Variansi
disebut Analisis Variansi Multivariat merupakan teknik analisis data tentang
perbedaan pengaruh beberapa variabel independen dalam skala nominal
terhadap sekelompok variabel dependen dalam skala rasio. Skala nominal
adalah tingkat mengkategorikan obyek yang diteliti dengan angka yang
diberikan pada obyek mempunyai arti sebagai label saja, sedangkan skala rasio
adalah ukuran nilai absolute pada objek yang akan diteliti dan mempunyai nilai
nol (0). Menurut Suryanto (1988: 86) analisis variansi itu disebut Analisis
Variansi Multivariat (MANOVA).
Pada kasus multivariat, misal terdapat sekumpulan sampel acak yang
diambil dari setiap g populasi sebagai berikut:
Populasi 1 : X 11 , X 12 , , X 1 n
Populasi 2 : X 21 , X 22 , , X 2 n

Populasi g : X g 1 , X g 2 , , X g n
terdapat tiga asumsi dasar yang diperlukan oleh sekumpulan sampel acak di
1

atas, yaitu:
X 11 , X 12 , , X 1 n , (l = 1, 2, ,g) adalah sampel acak berukuran
1.
l

nl

dari suatu populasi dengan rata - rata l .

2. Matriks kovariansi antara g populasi sama.
3. Setiap populasi adalah normal multivariat.
Sebelum dilakukan analisis variansi multivariat lebih lanjut, terlebih
dahulu akan diuji ketiga asumsi-asumsi dasar tersebut menyatakan bahwa dari
sekumpulan data multivariat
sampel acak berukuran

n1

X 11 , X 12 , , X 1 n , (l = 1, 2, ,g) merupakan
l

yang diambil dari suatu populasi dengan vektor

26

27
l

rata-rata

dan saling bebas. Pernyataan ini adalah jelas tanpa perlu diuji

karena untuk tujuan uji perbedaan maka sekumpulan data multivariat dari
setiap populasi harus diambil secara acak dan saling bebas satu sama lain.
1. Uji Homogenitas Matriks
Statistika uji diperlukan untuk menguji homogenitas matriks variansH 0 : 1= 2==g=0 dan

kovarians dengan hipotesis

sedikit satu diantara sepasang

H 1 : ada paling

yang tidak sama. Jika dari masing-masing

populasi diambil sampel acak berukuran n yang saling bebas maka penduga tak
l

bias untuk

Sl

adalah matriks

sedangkan untuk

penduga tak

biasnya adalah S,
g

S=

1
( n 1 ) Sl dengan N= n lg
N l=1 l
l=1

Untuk menguji hipotesis di atas dengan tingkat signifikansi , digunakan

kriteria uji berikut:
H0

ditolak jika

MC1 21

( 2 (g 1 ) p ( p+1 ))

MC1> 21

( 2 (g 1 ) p ( p+1))

()

dan

H0

diterima jika

( ) dengan

l=1

l=1

M = ( nl1 ) ln |S| ( nl 1 ) ln |S l|

2 p2 +3 p1
C =1
6 ( p+1 )( g1 )
1

l=1

( nl1 )

1
g

( nl1 )
l=1

Dengan bantuan program SPSS, uji homogenitas matriks varianskovarians dapat dilakukan dengan Uji Boxs M. Jika nilai sig. > , maka H 0

28
diterima sehingga dapat disimpulkan matriks varians-kovarians dari l-populasi
adalah sama atau homogen. Adapun langkah-langkah uji homogenitas varianskovarians menggunakan program SPSS 16 adalah sebagai berikut:
a. Dari worksheet, entry data dilakukan melalui Variable View dan Data View.
b. Dari menu utama SPSS dipilih menu Analyze, kemudian submenu General
Linear Mode dipilih Multivariat.
c. Setelah tampak dilayar tampilan window Multivariat, kemudian melakukan
entry variabel-variabel yang sesuai pada kotak Dependent Variables dan
Fixed Factor(s).
d. Selanjutnya Option dipilih Homogenitas test dan Continue, terakhir OK.
2. Uji Normalitas Multivariat
Metode statistika multivariat MANOVA mensyaratkan terpenuhinya
asumsi distribusi normalitas dengan hipotesis adalah
normal multivariat dan
Berdasarkan

Teorema

multivariat maka

H1:
2.2,

H0:

Data berdistribusi

Data tidak berdistribusi normal multivariat.

jika

( X )t 1 ( X )

X 1 , X 2 , . , X p berdistribusi
berditribusi

normal

2p . Berdasarkan sifat

ini maka pemeriksaan distribusi normal multivariat dapat dilakukan pada setiap
populasi dengan cara membuat q-q plot atau scatter-plot dari nilai
t
) ,i=1,2, , n .
d 2i =( X i X ) S1 ( X i X

(i) dari pembuatan q-q plot ini adalah sebagai berikut (Johnson &
Tahapan
Wichern, 2002: 187)
a)

Mulai

b)

Tentukan nilai vektor rata-rata:

29
c)

Tentukan nilai matriks varians-kovarians: S

d)

Tentukan nilai jarak mahalanobis atau kuadrat general setiap titik

pengamatan

dengan

vektor

rata-ratanya

) ,i=1,2, , n .
d 2i =( X i X ) S1 ( X i X
e)

2
2
2
2
Urutkan nilai d 2 dari kecil ke besar: d (1) d(2) d(3) d (n ) .

f)

Tentukan nilai

pi=

i1/2
, i=1, 2, , n .
n
qi

g)

Tentukan nilai

qi

sedemikian hingga

f ( 2 ) d 2 = pi

atau

((

qi , p ( p i )= p ni+

) )

1
/n
2

h)

2
Buat scatter-plot d (i) dengan qi

i)

Jika scatter-plot ini cenderung membentuk garis lurus dan lebih dari
50% nilai

d 2i 2p ( 0,50 ) , maka

H0

diterima artinya data berdistribusi

normal multivariat.
j)

Selesai

Implementasi pembuatan q-q plot dari nilai

i=1, 2, , n

),
d 2i =( X i X ) S1 ( X i X

dalam macro MINITAB disajikan pada Lampiran 4 halaman

59.
Pada Analisis Variansi Univariat, keputusan dibuat berdasarkan satu
statistika uji yaitu uji F yang nilainya ditentukan oleh hasil bagi dari dua ratarata jumlah kuadrat, sebagai taksiran hasil bagi taksiran variansi-variansi yang

30
bersangkutan. Pada Analisis Variansi Multivariat ada beberapa statistik uji yang
dapat digunakan untuk membuat keputusan, yaitu: (Kattree & Naik, 2000: 66)
a) Pillais Trace. Statistik uji ini paling cocok digunakan jika asumsi
homogenitas matriks varians-kovarians tidak dipenuhi, ukuran-ukuran
sampel kecil, dan jika hasil-hasil dari pengujian bertentangan satu sama lain
yaitu jika ada beberapa vektor rata-rata yang bereda sedang yang lain tidak.
Semakin tinggi nilai statistik Pillais Trace, pengaruh terhadap model
semakin besar. Statistik uji Pilllais Trace dirumuskan sebagai:
p
i
|B|
1
P=
=tr i ( 1+ i ) =tr
(31)
|B+W |
i=1 1+ i
dimana 1 , 2 , , p adalah akar-akar karakteristik dari ( W )1 ( B ) .
( W ) = matriks varians-kovarians galat pada MANOVA
( B ) = matriks varians-kovarians perlakuan pada MANOVA
b) Wilks Lambda. Statistik uji digunakan jika terdapat lebih dari dua

( )

kelompok variabel independen dan asumsi homogenitas matriks varianskovarians dipenuhi. Semakin rendah nilai statistik Wilks Lambda, pengaruh
terhadap model semakin besar. Nilai Wilks Lambda berkisar antara 0-1.
Statistik uji Wilks Lambda dirumuskan sebagai:
p
|W |
U= ( 1+ i)1=
(32)
|B+W |
i=1
c) Hotellings Trace. Statistik uji ini cocok digunakan jika hanya terdapat dua
kelompok variabel independen. Semakin tinggi nilai statistik Hotellings
Trace, pengaruh terhadap model semakin besar. Nilai Hotellings Trace >
Pillais Trace. Statistik uji Hotellings dirumuskan sebagai:
p

T = i =tr i =tr ( W ) ( B ) (33)

1

i=1

d) Roys Largest Root. Statistik uji ini hanya digunakan jika asumsi
homogenitas varians-kovarians dipenuhi. Semakin tinggi nilai statistik
Roys Largest Root, pengaruh terhadap model semakin besar. Nilai Roys

31
Largest Root > Hotellings Trace > Pillais Trace. Dalam hal pelanggaran
asumsi normalitas multivariat, statistik ini kurang robust (kekar)
dibandingkan dengan statistik uji yang lainnya. Statistik uji Roys Largest
Root dirumuskan sebagai:
R= maks=maks ( 1 , 2 , , p ) (34)
akar karakteristik maksimum dari ( W )1 ( B )

B. One-Way MANOVA
Salah satu model MANOVA sebagai perluasan dari One-Way ANOVA
adalah One-Way MANOVA. Model ini dengan pengaruh tetap dapat digunakan
untuk menguji apakah ke-g populasi (dari satu faktor yang sama) menghasilkan
vektor rata-rata yang sama untuk p variabel respon atau variabel dependent
yang diamati dalam penelitian.
Untuk membandingkan vektor rata-rata populasi g berdasarkan bentuk
model

One-Way

ANOVA

l=1, 2, ,g , j=1, 2, , nl

dan

adalah
lj

x lj=+ l + lj ,

dengan

adalah galat yang diasumsikan bebas

dan berdistribusi Np ( 0, ) untuk data multivariat.

Suatu vektor dari pengamatan data multivariat dianalisis berdasarkan
bentuk (2-18) dan bentuk (2-19) mengacu untuk jumlah kuadrat pada model
One-Way MANOVA. Sehingga digunakan,
t

( x lj x ) ( x lj x )

dapat di tulis sebagai berikut :

t

( x lj x ) ( x lj x ) =( ( x l x ) + ( x lj x l ) )( ( xl jx ) + ( x lj x l ) ) ( 35)

32
( x lx )( xl x )t + ( x l x )( x lj xl ) t
+ ( x lj xl ) ( x l x )t + ( x lj xl ) ( x lj x l )t
Jumlah untuk semua pengamatan ke-l berdasarkan bentuk (3-5) dirumuskan
sebagai berikut
t

nl

( x lj x ) ( x lj x ) = nl ( x lx )( xl x ) + ( x lj x l )( xlj x l ) (36)
j=1

nl

j=1

nl

dengan

( x ljx l )=0.

Selanjutnya bentuk (3-6) dijumlahkan untuk semua

j=1

populasi menghasilkan jumlah pengamatan total

nl

( x ljx ) ( x lj x ) = n l ( x l x ) ( x lx )
j=1

l=1

l=1

nl

+ ( x lj x l )( xlj x l ) (37)
l=1 j=1

Untuk bentuk (3-7), misalkan

g

nl

W = ( x lj xl ) ( x lj x l )t
l=1 j =1

( n1 1 ) S 1 + ( n2 1 ) S 2 + .+ ( ng 1 ) S g (38)
dimana Sl adalah matriks kovariansi sampel ke-l. Matriks tersebut mempunyai
peran yang dominan dalam pengujian untuk ada tidaknya pengaruh perlakuan.
Analog pada univariat, hipotesis tanpa pengaruh perlakuan pada
multivariat dapat dirumuskan dengan

33

()

l 1
, dengan l =
lp

Ho : 1= 2== l == g

dan l=1,2, , g .

Dapat diuji kesamaan vektor rata-rata dengan mencari matriks jumlah kuadrat
dan hasil kali untuk perlakuan dan sisa. Secara akuivalen, akan didapat
hubungan ukuran relatif dari galat (sisa) dan total (koreksi) jumlah dari kuadrat
dan hasil kali berdasarkan bentuk (3-7). Untuk perhitungan statistik uji
digunakan tabel MANOVA

TABEL 2. One-Way MANOVA

Sumber

Matriks jumlah dari kuadrat dan

Derajat

hasil kali

kebebasan

Variansi
g

Perlakuan

B= n l ( x l x ) ( x lx )t

g1

l=1

Galat (sisa)

nl

n lg

W = ( x lj xl ) ( x lj x l )t
l=1 j =1

total

nl

B+ W = ( x lj x ) ( x lj x )
l =1 j=1

Pengujian One-Way MANOVA mempunyai hipotesis

dan

l=1
g

n l1
l=1

H 0 : 1== g

H 1 : k l ( k ,l=1,2, , g ) . Ho ditolak jika perbandingan dari variansi

secara umum

34

|
|
g

|W |

nl

|W + B|

l=1 j=1
g

nl

l=1 j=1

Ukuran

|
|
t

( x lj x l ) ( xlj x l )

=|W |/|W + B|

( x lj x ) ( xlj x )

(39)

berdasarkan statistik uji Wilks lambda. Untuk

menentukan distribusi * digunakan statistika uji pada tabel 3 sebagai berikut:

Variabel

Grup
g

p=1
2
g
p=2
2
g

p 1
=2
g

p 1
=3

|W |

Tabel 3. Distribusi dari Wilks lambda

|W + B|

Distribusi sampling untuk data normal multivariat

g

( )( )
( )( )
( )( )
( )( )
nlg
l=1

g1

Fg 1,n g
l

nlg1
l=1

g1

F 2( g 1) ,2 ( n g 1)
l

nl p1
l=1

1
Fp,
p

2 p , 2( nl p2

nl p 1

nl p2
l=1

35
Distribusi sampling data normal multivariat disesuaikan dengan hasil uji F
pada kasus univariat bentuk (2-23), sehingga untuk kasus multivariat Ho
ditolak jika statistika uji berdasarkan tabel 3 lebih besar daripada (>) distribusi
sampling F.
Dengan bantuan program MINITAB 14 dapat dilakukan pengujian
MANOVA. Jika nilai sig. > maka H 0 diterima sehingga dapat disimpulkan
tidak terdapat perbedaan pengaruh perlakuan di antara populasi. Adapun
langkah-langkah pengujian MANOVA menggunakan program MINITAB 14
dalam Lampiran 5 halaman 61.

C. Selang Kepercayaan Simultan untuk Beberapa Pengaruh Perlakuan

Dalam pengujian One-Way MANOVA, diperoleh kesimpulan menerima
atau menolak H0. Ketika H0 diterima maka kasus untuk pengujian One-Way
MANOVA selesai, tetapi jika hipotesis H0 ditolak yaitu terdapat perbedaan atau
paling tidak ada satu

k l , maka digunakan selang kepercayaan simultan

untuk memperkirakan besarnya perbedaan perlakuan antara populasi.

Untuk pasangan yang dibandingkan, pendekatan Bonferroni dapat
digunakan untuk proses selang kepercayaan bersama pada bagian-bagian yang
berbeda seperti
ke-i dari

k l
dengan

atau

k l . Misalkan

i=1, 2, , p

ki

merupakan perlakuan

dan perkiraan dari

adalah

^ k =x k x .
^ ki = x ki x i (310)
sehingga ^ ki ^ li = x ki x li adalah perbedaan di antara dua sampel bebas.

36
Perhatikan bahwa
X
)
Var ( ^ ki ^ li )=Var ( X
ki
li

[(

1
1
E ( X ki X li )
ki li
nk
nl

)) ]
2

li ) 22 ( X ki X li ) 1 ki 1 li + 1 ki 1 li
E ( X ki X
nk
nl
nk
nl

)(

)]
2

ki

ki ) li
( X
nk
nl
( X ki2 )2 ( X ki )( X li ) + ( X li 2 )2 (

( X ki )

( )

( )

( )]

ki
li
ki 2

X
+
X
+
2 ki . li + li
( li ) n ( li ) n
nk
n k nl
nl
k
l

( ) ( )) ( )

E ( X ki2 )2

ki li

. + E ( X li 2 )2 ki +2 ki . li +2 ki . li
n k nl
nk
nk nl
nk nl

( )

li 2 ki 2

2
+
2 ki . li + li
nl
nk
n k n l nl

( )( )
( )
( ( ) ( )) ( ( ) ( ))

E X ki2 ki
nk

+ E X li2 li
nl

ii ii
+ (311)
n k nl

dengan ii adalah diagonal unsur ke-i dari dan ii =sii + s ii ++ s ii .

1

Dari bentuk (3-8) dapat dirumuskan untuk

w ii=( n11 ) sii + ( n21 ) sii + + ( n g1 ) sii
1

ii ( n1 +n2 +n3 ++ ngg(1) )

ii ( ng )
dengan

n=n1 +n2 ++ ng

dan

Sehingga persamaan (3-11) menjadi

w ii

adalah diagonal unsur ke-i dari W.

37
1 1 wii
Var ( X ki X li )= +
(312)
nk n l ng

Pada kasus One-Way MANOVA terdapat p variabel untuk setiap g populasi

dan misalkan

q=Cg2

adalah banyaknya kombinasi dua dari g, apabila

perbedaan-perbedaan memuat dua vektor rata-rata populasi yang digunakan

dan banyaknya perbedaan itu q . Berdasarkan selang kepercayaan dua
sampel-t digunakan nilai kritis t ng ( /2 m) , dengan
m= pq=p C g2= p

)
( 314)
( g!2! ( g2) ! )= p g ( g1
2

dan m adalah jumlah dari pernyataan kepercayaan simultan.

Untuk model MANOVA dengan kepercayaan

( 1 ) , selang kepercayaan

simultan untuk perbedaan ki li adalah

x ki x li t n g

p g (g1)

) (

wii 1 1
+
ng nk nl

Untuk setiap komponen i=1, 2, , p

dan semua l dan k=1, , g .

D. Penerapan pada Data Perpajakan

Kantor Pelayanan Pajak (KPP) adalah tempat pelayanan untuk semua
transaksi perpajakan. Dalam hal pembayaran pajak digunakan Surat Setoran
Pajak (SSP) oleh setiap wajib pajak. Besarnya jumlah SSP dapat menunjukkan
kesadaran masyarakat dalam membayar pajak, semakin banyak SSP maka
tingkat kesadaran masyarakat tinggi. Tingkat kesadaran dianalisis oleh masingmasing KPP sebagai tingkat kepatuhan wajib pajak dalam membayar pajak.

38
Untuk mengamati ada tidaknya perbedaan tingkat kepatuhan wajib pajak dalam
membayar Pajak Penghasilan (PPh) di masing-masing KPP menggunakan data
jumlah Surat Setoran Pajak (SSP).
Populasi dalam penelitian ini adalah banyaknya Surat Setoran Pajak
(SSP) untuk penerimaan Pajak Penghasilan (PPh) di KPP Pratama Yogyakarta,
Sleman dan Wonosari yang telah dikeluarkan oleh Direktorat Jenderal Pajak.
Adapun jenis pajak penghasilan yang dianalisis pengaruhnya untuk masingmasing KPP adalah Pajak Penghasilan Pasal 21 (PPh Pasal 21), Pajak
Penghasilan Pasal 22 (PPh Pasal 22), Pajak Penghasilan Pasal 23 (PPh Pasal
23), Pajak Penghasilan Pasal 25/29 OP (PPh Pasal 25/29 OP), Pajak Final dan
FLN. Lima jenis PPh dihitung berdasarkan jumlah SSP perbulan, sehingga
terdapat variabel dependen p = 5.

Masalah dibentuk berdasarkan rancangan sebagai berikut:

Tabel 4. Rancangan Kasus One-Way MANOVA
KPP Pratama
KPP Pratama Sleman
X1
x 111
x 211

x n11

Yogyakarta
X2 X3 X4
x 121 x 131 x 141
x 221 x 231 x 241

x n 21 x n31 x n 41

Keterangan:

X1
23,

X5
x 151
x 251

x n51

X1
x 112
x 212

x n12

X2
x 122
x 222

x n 22

= PPh Pasal 21,

X3
x 132
x 232

x n32
X2

X4
x 142
x 242

x n 42

KPP Pratama Wonosari

X5
x 152
x 252

x n52

X1
x 113
x 213

x n13

X2
x 123
x 223

x n 23

X3
x 133
x 233

x n33

= PPh Pasal 22,

X3

= PPh Pasal

X 4 = PPh Pasal 25/29 Orang Pribadi, dan

Final dan FLN.

X5

X4
x 143
x 243

x n 43

X5
x 153
x 253

x n53

= PPh

39
Masalah diselesaikan menggunakan model One-Way MANOVA untuk
membandingkan pengaruh perlakuan pada populasi

l 1 , l 2 , , l 3

adalah

pemisalan dari ketiga KPP. Perlakuan-perlakuan itu dianalisis secara acak pada
tiap kelompok. Masing-masing kelompok merupakan sampel acak dari
populasi data SSP Penghasilan karena masih banyak SSP perbulannya dari
suatu populasi untuk beberapa periode penerimaan pajak. Tujuan penelitian ini
adalah ingin mengetahui tingkat kepatuhan pembayar pajak atau wajib pajak
pada masing-masing Kantor Pelayanan Pajak dengan menganalisis apakah
banyaknya SSP Penghasilan antara KPP berbeda atau tidak. Data rancangan
jumlah SSP di tiga KPP disajikan pada Lampiran 1 halaman 51. Analisis
statistik meliputi rata-rata dan matriks kovariansi untuk setiap kelompok
populasi g = 3 menggunakan program MINITAB 14 dalam Lampiran 2
halaman 53 diberikan pada tabel berikut:
Tabel 5. Rangkuman Analisis Data
Kelompok

l = 1 (KPP Pratama

Jumlah observasi

n1= 24

Yogyakarta)
l = 2 (KPP Pratama
Sleman)
l = 3 (KPP Pratama
Wonosari)

n2= 24
n3= 12

nl= 60
Total

l=1

Vektor rata-rata sampel

[] []
[ ]

2984
3690
x 1= 1960
2847
482,5

1436,67
587,833
x 3= 287,333
391,083
94,9167

3470
3253
x 2= 1969
1481
447,6

40
Matriks kovariansi sampel
1098587 1522720 859384 87192 93679
1522720 2559598 1261096 84537 123720
S 1= 859384 1261096 890341 101505 95387
87192 84537 101505 1068980 36009
93679 123720 95387 36009 15148

[
[

1151599 1069564 479735 84617 37694,4

1069564 1402116 648695 120098 54955,7
S 2= 479735 648695 491322 86706 41698,1
84617 120098 86706 403655 1944,9
37694 54956 41698 1945 7858,9

302288 133173 69515,6 93917,9 30087,7

133173 77637 35075,9 40369,7 16163,4
S 3= 69516 35076 21883,9 14630,8 9374,5
93918 40370 14630,8 76973,5 7381,5
30088 16163 9374,5 7381,5 4902,8

Sebelum dilakukan pengujian One-Way MANOVA, terlebih dahulu

akan dilakukan pengujian dua asumsi dasar untuk data multivariat sebagai
berikut:
a) Uji Homogenitas Matriks Kovariansi ( )
Karena berdasarkan output SPSS 16 dari tabel Boxs Test pada Lampiran 3
halaman 54 diperoleh nilai signifikansi = 0,000 < = 0,05 maka H0
ditolak. Sehingga dapat disimpulkan bahwa matriks varians-kovarians dari
ketiga populasi berbeda.
b) Uji Normal Multivariat
Karena berdasarkan tabel normal multivariat populasi pada Lampiran 4
halaman 55 untuk tabel populasi satu, populasi dua, dan populasi tiga
diperoleh lebih dari 50%

d 2i 25 ( 0,50 )

maka H0 diterima. Sehingga dapat

disimpulkan bahwa data berdistribusi multinormal dari ketiga populasi.

41
Hasil dari uji homogenitas matriks varians-kovarians tidak dipenuhi
tetapi uji normalitas multivariat untuk kasus di atas dipenuhi. Namun demikian,
analisis masih dapat diteruskan untuk perhitungan MANOVA dengan
menggunakan keputusan pengujian MANOVA. Selanjutnya, akan dilakukan
pengujian hipotesis tentang perbedaan antar vektor-vektor pengaruh perlakuan
yang berasal dari tiga populasi.
a) Uji One-Way MANOVA
Untuk mengetahui tingkat kepatuhan pembayar pajak dengan analisis
jumlah SSP Penghasilan pada populasi lebih dari dua dan asumsi homogenitas
matriks varians-kovarians tidak dipenuhi, maka statistik uji yang cocok
digunakan dalam bentuk One-Way MANOVA adalah statistik uji dari Pillais

Trace:

P=
i=1

i
1+ i

( )

. Berdasarkan output pengujian One-way MANOVA

pada Lampiran 5 halaman 64 untuk statistik uji Pillais Trace diperoleh nilai
signifikansi = < 0,000 <

0,05 maka H0 ditolak. Sehingga dapat

disimpulkan bahwa vektor-vektor pengaruh perlakuan dari ketiga populasi

berbeda. Dengan kata lain, terdapat perbedaan jumlah SSP Penghasilan antara
ketiga KPP.
b) Uji Pengaruh Perlakuan
Selanjutnya, untuk mengetahui perbedaan vektor-vektor pengaruh
perlakuan antara ketiga populasi berdasarkan masing-masing jenis Pajak

42
Penghasilan digunakan selang kepercayaan simultan untuk lebih dari dua
populasi. Adapun rumusan untuk
x ki x li t n g

ki li

( p g (g1)
) ng ( n1 + n1 )
w ii

untuk

adalah

i=1, 2, , 5

dan l ,k =1, 2, 3

dengan,

[ ][ ][ ]
[ ][ ][ ]
[ ][ ][ ]

2984
3470
486
3690
3253
437
x 1 x 2= 1960 1969 = 9
2847
1481
1366
482,5
447,6
34,9

2984
1436,67
1547,33
3690
587,833
3102,167
x 1 x3 = 1960 287,333 = 1672,667
2847
391,083
2455,917
482,5
94,9167
387,5833
3470
1436,67
2033.33
3253
587,833
2664,167
x 2 x 3= 1969 287,333 = 1681,667
1481
391,083
1089,917
447,6
94,9167
352,6833
t ng

0,05
=t
( p g(g1)
)=t ( ( 5) (3)(31)
)=t ( 0,05
30 )
603

57

57

( 0,001667 )

W = ( n11 ) S1 + ( n2 1 ) S 2+ ( n31 ) S3
( 23 ) S 1+ ( 23 ) S2 + ( 11 ) S3
Perhitungan MINITAB 14 dan output hasil pada Lampiran 6 halaman 65
diperoleh

43

55079465 61087434 31564403 4984710 3352559

61087434 91973434 44311025 5150664 4287346
W = 31564403 44311025 32018961 4167915 3256068
4984710 5150664 4167915 34717310 954129
3352559 4287346 3256068 954129 583087

Hasil perhitungan untuk selang pengaruh perlakuan pada tiga populasi

menggunakan program komputer Microsoft Excel disajikan pada Lampiran 7
halaman 67. Perbedaaan untuk masing-masing jumlah SSP Penghasilan di
antara kedua KPP dianalisis menggunakan interval plots pada program
MINITAB 14 dan hasil output pada Lampiran 8 halaman 68.
Berdasarkan Lampiran 7 baris keempat dan baris keenam sampai baris
kelimabelas diperoleh nilai selang kepercayaan untuk batas atas dan batas
bawah memiliki kedua hasil yang positif, sehingga

ki li 0

artinya

terdapat perbedaan pengaruh perlakuan antara kedua KPP terhadap jumlah SSP
Penghasilan ke-i dengan i adalah Pasal 21, Pasal 22, Pasal 23, Pasal 25/29 OP,
Final dan FLN. Untuk interval plots pada Lampiran 8 diperoleh juga hasil
bahwa untuk semua jumlah SSP Penghasilan antara KPP Pratama Wonosari
dengan dua KPP lainnya memiliki perbedaan yang signifikan karena interval
plots dari KPP Pratama Wonosari dengan dua KPP lainnya berada pada kisaran
nilai yang cukup jauh. Sedangkan untuk jumlah SSP keempat PPh di KPP
Pratama Yogyakarta dan KPP Pratama Sleman tidak terdapat perbedaan kecuali
untuk jumlah SSP Penghasilan Pasal 25/29 OP memiliki perbedaan yang
signifikan. Sehingga dari Lampiran 7 dan Lampiran 8 diperoleh kesimpulan
tentang perbedaan pengaruh jumlah SSP kelima Pajak Penghasilan di KPP

44
Pratama Yogyakarta, KPP Pratama Sleman, dan KPP Pratama Wonosari, yaitu
terdapat perbedaan untuk semua jumlah Surat Setoran Pajak Penghasilan di
KPP Pratama Wonosari dengan dua KPP lainnya dan terdapat perbedaan yang
signifikan untuk jumlah SSP Penghasilan Pasal 25/29 OP di KPP Pratama
Yogyakarta dan KPP Pratama Sleman. Sedangkan untuk jumlah SSP
Penghasilan lainnya tidak memiliki perbedaan yang signifikan.