2. Terdapat pengaruh positif dan nyata rasio engineering terhadap current ratio
PT Pupuk Kaltim. 3. Terdapat pengaruh negatif dan nyata rasio manajer terhadap
current ratio PT Pupuk Kaltim.
4. Terdapat pengaruh negatif dan nyata on stream factor terhadap current ratio
PT Pupuk Kaltim. 5. Terdapat pengaruh positif dan nyata production rate terhadap
current ratio PT Pupuk Kaltim.
Hipotesis dari model tersebut adalah : H
o
: ß
i
≤ 0 H
1
: ß
i
0; untuk ß
1
, ß
2
, ß
3
dan ß
4
Pengujian hipotesis tersebut menggunakan konsep p-Value. Konsep ini membandingkan taraf nyata α dengan nilai p-Value. Jika
nilai p-Value kurang dari α, maka H
akan ditolak. Dengan menggunakan taraf nyata 5
α = 0,05, maka H akan ditolak jika p-
Value kurang dari 0,05. Penolakan H
berarti peubah bebas berpengaruh nyata terhadap current ratio.
3.4.2 Asumsi-asumsi Regresi Linear Berganda
Parameter yang digunakan dalam persamaan regresi di penelitian ini ditaksir dengan metode ordinary least square OLS. Beberapa
asumsi persamaan regresi linear berganda adalah : a. Normalitas, regresi linear klasik mengasumsikan bahwa tiap e
i
mengikuti distribusi normal e
i
~ N 0,σ
2
. b. Non autokorelasi antar sisaan, artinya tidak ada korelasi serial
antara error, atau cov e
i
,e
j
= 0, dimana i ≠ j.
c. Homoskedastisitas, var ei = σ
2
untuk setiap i, i = 1,2,...n yang artinya ragam dari semua sisaan adalah konstan.
d. Tidak terjadi multikolinearitas, artinya tidak adanya hubungan yang sempurna, atau mendekati sempurna di antara beberapa, atau semua
peubah bebas yang menjelaskan model regresi. Asumsi-asumsi di atas harus dipenuhi untuk menghasilkan nilai
parameter yang BLUE Best Linear Unbiased Estimator. Untuk
mengetahui apakah persamaan regresi dalam penelitian ini sudah memenuhi asumsi-asumsi tersebut, maka perlu dilakukan pengujian
pada masing-masing asumsi. Pengujian tersebut dilakukan sebagai berikut :
a. Uji asumsi normalitas Uji normalitas merupakan uji pada data peubah-peubah yang
digunakan dalam model untuk mengetahui apakah error term e
i
,
,
pada model terdistribusi normal. Uji ini dilakukan jika contoh yang digunakan kurang dari 30 n 30, karena jika contoh lebih dari
30, e
i
biasanya terdistribusi secara normal. Pengujian ini dilakukan dengan uji Normalitas One-Sample Kolmogorov-
Smirnov Test dengan hipotesis pengujian :
H : α = 0, error term terdistribusi normal
H1 : α ≠ 0, error term tidak terdistribusi normal H
akan ditolak, jika probabilitas One-Sample Kolmogorov- Smirnov Test
lebih besar dari α. Jika H ditolak, berarti distribusi
error term tidak mendekati normal, sedangkan jika H
diterima berarti error term terdistribusi normal.
b. Uji asumsi non autokorelasi Autokorelasi autocorrelation adalah hubungan antara residual
satu observasi e
i
dengan residual observasi lainnya e
j
. Untuk mendeteksi adanya autokorelasi dalam model regresi linear dapat
dilihat dari nilai uji statistik Durbin-Watson D-W. Nilai d yang diperoleh dari uji ini berkisar antara 0 hingga 4, kisaran nilai
tersebut pada tabel D-W akan menentukan ada tidaknya autokorelasi.
c. Uji asumsi heteroskedastisitas Heterokedastisitas berarti ada ragam peubah pada model regresi
yang tidak sama konstan. Sebaliknya, jika ragam peubah pada model regresi memiliki nilai yang sama konstan, maka disebut
dengan homoskedastisitas sebagai hal yang diharapkan. Uji asumsi heteroskedastisitas dalam penelitian ini menggunakan metode
analisis grafik dengan mengamati scatterplot diagram tebar, di mana sumbu horizontal menggambarkan nilai Predicted
Standardized dan sumbu vertikal menggambarkan nilai Residual
Studentized . Jika scatterplot membentuk pola tertentu, maka ada
masalah heteroskedastisitas pada model regresi yang dibentuk. Sedangkan jika scatterplot menyebar secara acak, maka
menunjukkan tidak terjadinya masalah heteroskedastisitas pada model regresi yang dibentuk.
d. Uji Multikolinearitas Multikolinearitas adalah kondisi adanya korelasi linear yang
mendekati sempurna antar lebih dari dua 2 peubah bebas. Uji multikolinearitas bertujuan untuk menguji apakah dalam model
regresi yang terbentuk ada korelasi tinggi, atau sempurna di antara peubah bebas, atau tidak. Jika dalam model regresi yang terbentuk
terdapat korelasi yang tinggi, atau sempurna di antara peubah bebas, maka model regresi dinyatakan mengandung gejala
multikolinear. Penelitian ini menggunakan uji multikolinearitas dengan TOL Tolerance dan Variance Inflation Factor VIF. Uji
multikolinearitas dapat dilakukan dengan melihat nilai TOL Tolerance dan Variance Inflation Factor VIF dari masing-
masing variabel bebas terhadap variabel terikatnya. Jika nilai VIF tidak lebih dari 10, maka model dinyatakan tidak terdapat gejala
multikolinearitas.
3.4.3 Koefisien Determinasi
