3.5.

1 Analisis Statistik Deskriptif

Statistik deskriptif memberikan gambaran atau deskripsi suatu data yang

dilihat dari nilai rata-rata (mean), standar deviasi, varian, maksimum, minimum,

sum, range, kurtosis, skewness kemencengan distribusi) (Ghozali, 2016).

Pengujian ini dilakukan untuk memberikan gambaran kondisi data yang

digunakan untuk setiap variabel yang dilihat dari rata-rata (mean),standar deviasi,

maksimum, minimum, dan sum..

3.5.2 Uji Asumsi Klasik

Sebelum dilakukan pengujian langkah yang dilakukan sebelumnya adalah

melakukan pengujian asumsi klasik terlebih dahulu yaitu meliputi uji

multikolonieritas, uji autokorelasi, uji heteroskedastisitas, uji normalitas, dan uji

linearitas. Analisis regresi adalah studi mengenai ketergantungan variabel

dependen dengan satu atau lebih variabel independen, dengan tujuan untuk

mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel

dependen berdasarkan nilai variabel independen yang diketahui (Ghozali, 2016).

Analisis tersebut dalam penelitian ini digunakan untuk menjawab bagaimana

pengaruh antara profitabilitas, leverage, ukuran perusahaan, dan komite audit

terhadap penghindaran pajak yang diuraikan sebagai berikut :

3.5.2.1 Uji Normalitas

Uji normalitas bertujuan untuk menguji apakah dalam model regresi,

variabel pengganggu atau residual memiliki distribusi normal. Jika terdapat

normalitas maka residual akan terdistribusi secara normal dan independen

(Ghozali, 2016). Ada dua cara untuk mendeteksi apakah residual berdistribusi

normal atau tidak yaitu dengan analisis grafik dan uji statistik yang dijelaskan

sebagai berikut :

a. Analisis Grafik

Dalam analisis grafik untuk melihat normalitas residual melalui grafik

histogram dan normal probability plot. Jika distribusi data residual normal, maka

garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya

dan ploting data residual akan dibandingkan dengan garis diagonal.

b. Uji Statistik

Uji statistik lain yang dapat digunakan untuk menguji normalitas residual

adalah uji statistik non-parametrik Kolmogorov-Smirnov (K-S). Uji K-S

dilakukan dengan membuat hipotesis:

H0 : Jika nilai signifikan < 0,05, maka data residual berdistribusi tidak normal.

H1 : Jika nilai signifikan > 0,05, maka data residual berdistribusi normal.

3.5.2.2 Uji Multikolonieritas

Uji multikolonieritas bertujuan untuk menguji apakah model regresi

ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang

baik seharusnya tidak terjadi korelasi diantara variabel independen. Uji

multikolonieritas dapat dilihat dari nilai tolerance dan variance inflation factor

(VIF). Nilai tolerance yang rendah sama dengan nilai VIF tinggi (karena VIF =
1/Tolerance). Nilai yang umum dipakai untuk menunjukkan adanya

multikolonieritas adalah nilai tolerance ≤ 0,10 atau sama dengan nilai VIF ≥ 10.

Jika nilai tolerance lebih rendah dari 0,10 berarti bahwa tidak ada korelasi antara

variabel independen sehingga tidak terjadi adanya multikolonieritas. Sedangkan

apabila nilai VIF lebih besar dari 10 maka akan terjadi multikolonieritas antar

independen (Ghozali, 2016).

3.5.2.3 Uji Autokorelasi

Menurut Ghozali (2016) uji autokorelasi bertujuan menguji apakah dalam

model regresi linear ada korelasi antara kesalahan pengganggu pada periode t

dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi

korelasi, maka dinamakan ada problem autokorelasi. Autokorelasi muncul karena

observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Model

regresi yang baik adalah regresi yang bebas dari autokorelasi. Ada beberapa cara

yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi sebagai

berikut :

a. Uji Durbin – Watson (DW test)

Uji Durbin Watson hanya digunakan untuk autokorelasi tingkat satu (first

order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam

model regresi dan tidak ada variabel lagi diantara variabel independen. Dasar

pengambilan keputusannya yaitu angka DW diatas +2 berarti ada autokorelasi

negatif, angka DW diantara -2 sampai +2 berarti tidak ada autokorelasi, dan angka

DW dibawah -2 berarti ada autokorelasi positif

b. Mendeteksi Autokorelasi dengan Run Test

Run test sebagai bagian dari statistik non-parametrik dapat pula digunakan

untuk menguji apakah antar residual terdapat korelasi yang tinggi. Jika antar

residual tidak terdapat hubungan korelasi maka dikatakan bahwa residual adalah

acak atau random. Run test digunakan untuk melihat apakah data residual terjadi

secara random atau tidak (sistematis). Kriteria yang digunakan dalam uji run test

adalah apabila nilai signifikan lebih besar dari 0,05 maka tidak terjadi gejala

autokorelasi dan sebaliknya jika signifikan lebih kecil dari 0,05 maka terjadi

gejala autokorelasi dalam model regresi.

3.5.2.4 Uji Heteroskedastisitas

Menurut Ghozali (2016) uji heteroskedastisitas bertujuan menguji apakah

dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan

ke pengamatan yang lain. Jika variance dari residual satu pengamatan ke

pengamatan lain tetap, maka disebut Homoskedastisitas dan jika berbeda disebut

Heteroskedastisitas. Model regresi yang baik adalah yang Homoskedastisitas atau

tidak terjadi Heteroskedastisitas. Kebanyakan data crossection mengandung

situasi heteroskedastisitas karena data ini menghimpun data yang mewakili

berbagai ukuran (kecil, sedang dan besar). Ada beberapa cara untuk mendeteksi

ada atau tidaknya heteroskedastisitas sebagai berikut :

a. Dengan melihat grafik plot, deteksi ada tidaknya heteroskedastisitas dapat

dilakukan dengan melihat ada tidaknya pola tertentu pada grafik scatterplot. Jika

ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), maka mengindikasikan telah

terjadi heteroskedastisitas. Jika tidak ada pola yang jelas, serta titik-titik menyebar

diatas dan dibawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas.

b. Uji Rank Spearman, pada uji ini heteroskedastisitas terjadi apabila probabilitas

signifikansinya diatas tingkat kepercayaan 5% maka dapat disimpulkan bahwa

model regresi tidak mengandung adanya heteroskedastisitas.

3.5.3 Analisis Regresi Linear Berganda

Analisis regresi pada dasarnya adalah studi mengenai ketergantungan

variabel dependen (terikat) dengan satu atau lebih variabel independen (variabel

penjelas/bebas) dengan tujuan untuk mengestimasi dan/atau memprediksi ratra-

rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel

independen yang diketahui (Gujarat, 2003) dalam (Ghozali, 2016). Pada

penelitian ini analisis regresi bertujuan untuk mengetahui pengaruh variabel

independen (profitabilitas, leverage, ukuran perusahaan,dan komite audit)

terhadap variabel dependen (penghindaran pajak). Dalam pengolahan data ini

menggunakan program software IBM SPSS (Statistic Package for Social

Sciency). Hasil analisis regeresi berupa koefisien untuk masing-masing variabel

independen. Koefisien ini diperoleh dengan cara memprediski nilai variabel

dependen dengan suatu persamaan (Tabachnick,1996) dalam (Ghozali, 2016).

Sehingga bentuk persamaan regresi yang digunakan adalah analisis regresi linear

berganda dan dapat dirumuskan sebagai berikut : Y = α + β1X1 + β2X2 + β3X3 +

β3X4 + e
Keterangan :

Y = Penghindaran Pajak

α = Konstanta

β = Slope atau Koefisien Regresi

X1 = Profitabilitas

X2 = Leverage

X3 = Ukuran Perusahaan

X4 = Komite Audit

e = error

3.5.4 Uji Signifikansi Parameter Individual atau Parsial (Uji t)

Menurut Ghozali (2016) uji t pada dasarnya menunjukkan seberapa jauh

pengaruh satu variabel penjelas / independen secara individual dalam

menerangkan variasi variabel dependen. Hipotesis nol (Ho) yang hendak diuji

adalah apakah suatu parameter (bi) sama dengan nol, atau : Ho : bi = 0 Artinya

apakah suatu variabel independen bukan merupakan penjelas yang signifikan

terhadap variabel dependen. Hipotesis alternatifnya (HA) parameter suatu variabel

tidak sama dengan nol, atau : HA : bi ≠ 0 Artinya variabel tersebut merupakan

penjelas yang signifikan terhadap variabel dependen. Uji parsial atau uji t berguna

untuk menguji pengaruh dari masing-masing variabel independen secara parsial

terhadap variabel dependen. Kriteria Adapun kriteria pengujian secara parsial

dengan tingkat level of significant α = 5% dan tingkat kepercayaan yang

digunakan 95%, yaitu apabila nilai signifikansi t < 0,05, maka H0 ditolak, artinya

ada pengaruh yang signifikan antara satu variabel independen terhadap variabel

dependen. Dan apabila nilai signifikansi t > 0,05, maka H0 didukung, artinya

tidak ada pengaruh signifikan antara satu variabel independen terhadap variabel

dependen (Ghozali, 2011).

3.5.5 Uji Signifikansi Simultan (Uji F)

Menurut Ghozali (2016) uji F pada dasarnya menunjukkan apakah semua

variabel independen dalam model regresi secara bersama-sama memiliki pengaruh

terhadap variabel dependen. Uji F digunakan untuk menguji joint hipotesa bahwa

b1, b2, b3, dan b4 secara simultan sama dengan nol. Adapun kriteria pengujian

adalah:

H0 : Jika nilai signifikan uji F > 0,05, maka tidak terdapat pengaruh variabel

independen secara simultan terhadap variabel dependen.

H1 : Jika nilai signifikan uji F < 0,05, maka terdapat pengaruh variabel

independen secara simultan terhadap variabel dependen.

3.5.6 Koefisien Determinasi (R²)

Menurut Ghozali (2016) koefisien determinasi (R2) pada intinya

mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel

dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R2 yang

kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi

variabel dependen sangat terbatas. Nilai yang mendekati satu berarti variabel-

variabel independen memberikan hampir semua informasi yang dibutuhkan untuk

memprediksi variasi variabel dependen. Setiap tambahan satu variabel

independen, maka R2 pasti meningkat tidak perduli apakah variabel tersebut

berpengaruh secara signifikan terhadap variabel dependen. Oleh karena itu banyak

peneliti menganjurkan untuk menggunakan nilai Adjusted R2 pada saat

mengevaluasi mana model regresi terbaik. Tidak seperti R2, nilai Adjusted R2

dapat naik atau turun apabila satu variabel independen ditambahkan kedalam

model.