Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu variabel (Nachrowi djalal
dan Hardius usman:2006). Korelasi ini terjadi antar waktu atau individu. Umumnya kasus
autokorelasi banyak terjadi pada data time series, artinya kondisi sekarang dipengaruhi waktu
lalu. Oleh karena itu, dalam analisis data time series, masalah autokorelasi menjadi pusat
perhatian.
Gambaran mudahnya pada kasus yang lagi ramai sekarang ini tentang Penetapan Upah Minimum
provinsi (UPM) jakarta. Terus, hubungannya apa?. UPM ini selalu dipengaruhi berdasarkan
UPM sebelumnya. Sehingga, dalam penetuan UPM selalu memperhatikan UPM sebelumnya.
Dapat dibayangkan, bagaimana jika UPM tidak terkait dengan waktu sebelumnya. Para buruh
akan mengalami ketidakpastian pada keuangannya sehingga akan menganggu urusan keluarga.
Jauh banget ya. Jadi, autokorelasi sangat berguna pada kehidupan sehari-hari.
Walaupun dalam kehidupan sehari-hari autokorelasi sangat berguna, namun dalam urusan
analisis regresi dalam menggunakan OLS. ini menjadi masalah utama yang harus diselesaikan.
OLS mengasumsikan bahwa error merupakan variabel random yang independent (tidak
berkorelasi agar penduga bersifat BLUE. Atau secara matematis dituliskan:
A. Penyebab autokorelasi
1. Kesalahan model (linier non linier)
2. Penggunaan Lag (inertia) data observasi pada periode sebelumnya dan periode sekarang,
kemungkinan besar akan saling ketergantungan (interdependence)
3. fenomena cobweb Munculnya fenomena sarang laba-laba terutama terjadi pada penawaran
komoditi sektor pertanian Misalnya, panen komoditi permulaan tahun dipengaruhi oleh harga
yang terjadi pada tahun sebelumnya ui tidak lagi bersifat acak (random), tetapi mengikuti suatu
pola yaitu sarang laba-laba.
4. Tidak memasukkan variabel yang penting
5. Manipulasi data
4. Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak
berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal ini terlihat
dari R2.
C. Mendeteksi autokorelasi
1. Metode Grafik
Metode ini merupakan metode yang paling sederhana untuk mendeteksi autokorelasi. Sekaligus
merupakan langkah awal untuk mendeteksi autokorelasi. Sesuai dengan definisinya, metode ini
membandingkan antara residual dengan variabel X. selain itu, dengan membandingkan antara
rasidual ke-t dengan residual ke-(t-1).
Suatu grafik mengindikasikan adanya autokorelasi dapat dilihat dari polanya. Suatu grafik
dikatakan mengandung autokorelasi ketika terdapat pola antara residual dengan waktu atau
antara residual ke-t sampai ke-(t-1).
Pada bagian (a) terlihat bahwa grafiknya membentuk pola siklus sehingga diindikasikan terdapat
autokorelasi. Hal itu juga didukung dengan grafik antara raesidual ke-t dengan residual ke-(t-1)
yang menunjukkan ada hubungan liniear..pada gambar tersebut terdapatnya autokorelasi positif
dan negatif. Autokorelasi positif terlihat pada bagian (a) sedangkan autokorelasi negatif pada
gambar bagian (b).
Setelah mendapatkan statistik uji. Langkah selanjutnya adalah membandingkan dengan tabel
DW. Tabel DW tediri atas dua nilai, yaitu batas bawah (dL) dan batas atas(dl) dan batas
bawah(du). Berikut beberapa keputusan setelah membandingkan DW.
Bila d < dL tolak H0; Berarti ada korelasi yang positif atau kecenderungannya r= 1
Bila dU < d < 4 dU jangan tolak H0; Artinya tidak ada korelasi positif maupun
negatif
3. Uji Run
Uji durbin Watson juga memiliki kelemahan ketika berada antara nilai dL dan dU atau antara (4dU) dan (4-dL) maka keputusannya autokorelasi tidak bisa diketahui mempunyai autokorelasi
apa tidak. Sehingga dilakukan uji lain bisa dengan metode grafik atau metode formal lainnya.
Salah satu uji formal yaitu uji run.
Perinsip kerja uji run sangat sederhana yaitu dengan melihat tanda nilai residual negtaif atau
positif(+) atau negatif (-), tanpa memperhatikan nilainya. Sehingga run yang dimaksud disini
adalah sekelompok nilai residual yang mempunyai tanda sama secara bertusut-turut.
Contoh: (++++++)(-----)(+++++)(----)
Hipotesis:
H0=residual random
H1=tidak demikian
Untuk menghitungnya digunakan beberapa fungsi berikut:
Dimana:
N=jumlah observasi
N1=jumlah run positif(+)