1

BAB I
PENDAHULUAN
A. Latar Belakang
Statistika banyak digunakan dalam memecahkan masala kehidupan
sehari-hari,

baik

dalam

bidang

ekonomi,

kedokteran,

kesehatan,

kependudukan, psikologi, sosial, maupun bidang-bidang yang lain.

Terdapat banyak metode dalam statistika, diantaranya adalah analisis
regresi. Analisis regresi merupakan analisis statistika yang dilakukan
untuk memodelkan hubungan antara variabel dependen dan variabel
independen.
Terdapat dua jenis regresi yaitu regresi linear dan regresi nonlinear.
Regresi linear menyatakan bentuk hubungan di mana variabel dependen
dan variabel independennya berpangkat satu. Regresi linear dibedakan
menjadi dua yaitu regresi linear sederhana dan regresi linear ganda.
Apabila terdapat hubungan linear variabel dependen dengan satu variabel
independen disebut regresi linear sederhana, sedangkan hubungan linear
antara variabel dependen dengan dua atau lebih variabel independen
disebut sebagai regresi linier ganda. Analisis regresi linear ganda lebih
sering digunakan karena suatu peristiwa dapat disebabkan oleh berbagai
faktor yang mempengaruhi, seperti harga suatu barang dipengaruhi oleh
bahan baku, bahan tambahan, biaya pengolahan, biaya transportasi, dan
lain sebagainya.

Asumsi-asumsi yang harus dipenuhi pada analisis regresi klasik

yaitu memenuhi asumsi linearitas (asumsi ini terpenuhi bila pada plot
standardized residual berpencar secara acak), tidak terjadi autokorelasi
dengan melihat nilai Durbin Watson, jika < , maka ada autokorelasi
positif, sedangkan jika 4 < , maka ada autokorelasi negatif, tidak
terjadi multikolinearitas (nilai Variance Inflation Factor (VIF) kurang dari
5), memenuhi normalitas (dengan melihat nilai p-p plot, apabila titik-titik
sisaan menyebar di sekitar garis normal maka asumsi normalitas
terpenuhi), dan tidak terjadi heteroskedastisitas (plot standardized
predicted value dengan sisaan yang dibakukan (studentized residual) tidak
memiliki pola tertentu ).
Salah satu asumsi analisis regresi linear ganda yaitu tidak terdapat
autokorelasi. Apabila terjadi autokorelasi, estimasi metode kuadrat terkecil
memiliki varians yang tidak minimum, sehingga uji statistik tidak dapat
digunakan untuk menarik kesimpulan. Penanganan autokorelasi dapat
dilakukan dengan menggunakan Two Stages Least Square (TSLS),
Generalized Least Square (GLS) dan Feasible Generalized Least Square
(FGLS). GLS digunakan apabila koefisien autokorelasi diketahui, namun
apabila koefisien korelasi tidak diketahui maka digunakan FGLS, dimana
koefisien autokorelasi dapat diduga berdasarkan nilai Durbin Watson, nilai
residual, dan cochrane orcutt iterative procedure. Berdasarkan penjelasan
diatas, inilah yang melatar belakangi pembuatan makalah ini.

B. Rumusan Masalah
Adapun rumusan masalah pada pembuatan makalah ini adalah
sebagai berikut:
1. Bagaimana proses pendeteksian ada tidaknya autokorelasi pada sebuah
data?
2. Bagaimana dampak atau pengaruh yang ditimbulkan autokorelasi
pada sebuah data?
C. Tujuan
Adapun tujuan dibuatnya makalah ini adalah sebagai berikut:
1. Untuk mengetahui proses pendeteksian ada tidaknya autokorelasi pada
sebuah data.
2. Untuk mengetahui

dampak

atau

pengaruh

yang

ditimbulkan

autokorelasi pada sebuah data.

D. Manfaat
Adapun manfaat dibuatnya makalah ini adalah sebagai berikut:
1. Untuk penulis yaitu menambah pengetahuan tentang autokorelasi.
2. Untuk pembaca yaitu sebagai referensi dan menambah pengetahuan
tentang autokorelasi.

BAB II
TINJAUAN PUSTAKA
A. Analisis Regresi Linear

Analisis regresi adalah suatu alat statistic yang dapat digunakan

untuk melihat hubungan sebab akibat. Dalam analisis regresi terdapat
peubah bebas dan peubah tak bebas. Peubah bebas dapat diukur,
sedangkan peubah tak bebas atau yang juga disebut dengan peubah respon
dijelaskan oleh satu atau lebih peubah bebas. Pada analisis regresi linier,
peubah

responnya

memiliki

skala

pengukuran

minimal

interval.

Berdasarkan banyak peubah bebas yang digunakan, analisis regresi linier

dibagi menjadi dua yaitu analisis regresi linear sederhana dan analisis
regresi linear berganda. Analisis regresi linier yang hanya melibatkan satu
peubah bebas disebut analisis regresi linier sederhana, sedangkan analisis
regresi linier dengan peubah respon dipengaruhi oleh lebih dari satu
peubah bebas disebut analisis regresi linear berganda. 1
Dalam analisis regresi linear ganda, terdapat asumsi-asumsi yang
harus dipenuhi, yaitu:2
1. Nilai ekspektasi dari vektor residualnya adalah 0
2. Variansinya konstan untuk semua residual
= 2, = 1, 2, 3, ,
3. Tidak ada autokorelasi antar residual, , = 0,
Asumsi ini menyatakan bahwa nilai kovariansi antara variabel
independen dengan residual adalah nol. Artinya tidak terdapat
korelasi antara residual dengan variabel independen.
4
1 E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16
2 SKRIPSI_DWI-PRIHASTUTI10305141020

4. Tidak terdapat hubungan linear antara variabel independen satu dengan

yang lainnya atau tidak terjadi multikolinearitas.
Analisis regresi harus memenuhi syarat Goodness of fit test yaitu
persamaan regresi yang digunakan dalam proses perhitungan untuk
mengestimasi variabel independen terhadap variabel dependen, oleh
karena itu perlu diadakan pengujian Goodness of fit test. 3
B. Autokorelasi
Autokorelasi (autocorrelation atau yang juga disebut sebagai
korelasi diri) adalah salah satu pelanggaran asumsi dalam regresi linier
berganda. Agar pendugaan parameter dapat bersifat BLUE (best liniear
unbiased estimator) maka dalam regresi linear berganda seharusnya tidak
ada autokorelasi, yaitu nilai covarian antara pengamatan ke Ui dam Uj
memiliki nilai korelasi sama dengan 0 untuk i j.4 Autokorelasi
merupakan gangguan pada fungsi regresi berupa korelasi diantara factor
gangguan (error term). Autokorelasi umumnya terjadi pada penelitian yang
menggunakan data time series namun dapat juga terjadi pada data cross
section.5
Uji autokorelasi adalah untuk melihat apakah terjadi korelasi antara
suatu periode t dengan periode sebelumnya (t -1). Secara sederhana adalah
bahwa analisis regresi adalah untuk melihat pengaruh antara variabel
bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara
3 Jhptump-ump.gdl-kusmiadinu-953.3-babiii.pdf.
4 http://id.wikipedia.org/wiki/Autokorelasi.
5 Buku-ekonometrika.pdf

observasi dengan data observasi sebelumnya. Sebagai contoh adalah

pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah
terhadap dollar. Data tingkat inflasi pada bulan tertentu, katakanlah bulan
Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti
terdapat gangguan autokorelasi pada model tersebut.6
Autokorelasi adalah korelasi yang terjadi antar observasi dalam
satu variabel. 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.7 Uji autokorelasi
digunakan untuk melihat apakah ada hubungan linier antara error
serangkaian observasi yang diurutkan menurut waktu (data time series).
Uji autokorelasi perlu dilakukan apabila data yang dianalisis merupakan
data time series.8
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara
residual pada satu pengamatan dengan pengamatan lain pada model
regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi
dalam model regresi.9 Istilah autokorelasi adalah korelasi di antara anggota
6 http://portal-statistik .blogspot.com
7 http://statistikceria.blogspot.com/2012/12/mendeteksi-ujiautokorelasi-part-1.html
8 http://statistik4life.blogspot.com/2009/12/Autokorelasi/blog-spot.com
9http:// Kel-5-hasby-lia-dani.pdf.

dari observasiobservasi yang diurutkan berdasarkan waktu. Dalam

kaitannya dengan asumsi metode kuadrat terkecil, autokorelasi merupakan
korelasi antara satu variabel gangguan dengan variabel gangguan lain. 10
keberadaan autokorelasi pada OLS memiliki konsekuensi antara lain :
estimasi OL masih linier dan tidak bias, serta konsisten dan secara
asumtotis terdistribusi secara normal, namun estimator-estrimator tersebut
tidak lagi efisien (memiliki varian terkecil).11
C. Penyebab Autokorelasi
Penyebab-penyebab teradinya autokorelasi yaitu sebagai berikut:12
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
6. Menggunakan data yang tidak empiris. Jika data semacam ini
digunakan, terkesan bahwa data tersebut tidak didukung oleh realita.13
10 http://skripsi_dwi-prihastuti10503141020.pdf.
11 http://tutorial-spss-uji-autokorelasi.pdf.
12 http://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part1.html

13 Buku-ekonometrika.pdf

D. Pendeteksian Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara
residual pada satu pengamatan dengan pengamatan lain pada model
regresi. Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi
dalam model regresi.14 Beberapa uji statistic yang sering digunakan adalah
uji Durbin-Watson, uji dengan run test, dan jika data observasi diatas 100
data sebaiknya menggunakan uji lagrange multiplier.15
1. Metode Grafik16
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).
2. Uji Durbin-Watson17

14 http://duwiconsultant.blogspot.com/2011/11/uji-autokorelasi.html
15 http://portal-statistik .blogspot.com/2014/05/uji-asumsiautokorelasi-dengan-uji-durbin-watson.html.
16 http://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part1.html

17 http://statistik4life.blogspot.com/2009/12/Autokorelasi/blogspot.com

Uji autokorelasi perlu dilakukan apabila data yang dianalisis

merupakan data time series.
2

( ei+ ei1 )
d=
ei
dimana:
d = nilai Durbin Watson
ei = jumlah kuadrat sisa
Nilai Durbin Watson kemudian dibandingkan dengan nilai d-tabel.
Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria
sebagai berikut:
1. Jika d < dl, berarti terdapat autokorelasi positif.
2. Jika d > (4 dl), berarti terdapat autokorelasi negative.
3. Jika du < d < (4 dl), berarti tidak terdapat autokorelasi.
4. Jika dl < d < du atau (4 du), berarti tidak dapat disimpulkan.
3. Uji Run18
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
Dalam melakukan pengujian hipotesis, digunakan analisis
interval kepercayaan :
E(run)-1,96 <= run <= E(run)+1,96 run
18 http://statistikceria.blogspot.com/2012/12/mendeteksi-ujiautokorelasi-part-1.html

10

Keputusan:
Apabila nilai Run berada diantara interval tersebut maka terima H 0
sehingga disimpulkan residualnya random dan tidak adanya unsur
autokorelasi.
4. Metode Lagrange Multiplier (LM)19
LM sendiri merupakan teknik regresi yang memasukkan variabel
lag. Sehingga terdapat variabel tambahan yang dimasukkan dalam
model. Variabel tambahan tersebut adalah data Lag dari variabel
dependen. Dengan demikian model dalam LM menjadi sebagai
berikut:
Y = 0 + 1X1+ 2 X2 + 3 Yt-1+ 4 Yt-2 +
Variabel Yt-1 merupakan variabel lag 1 dari Y.
Variabel Yt-2 merupakan variabel lag 2 dari Y.
E. Mengatasi Autokorelasi
Berikut ada beberapa langkah dalam mengatasi autokorelasi:
1. Evaluasi model
Langkah pertama yang harus dilakukan untuk mendeteksi
autokorelasi yaitu dengan mengidentifikasi apakah autokorelasi itu
pure autocorrelation atau karena mis-spesification model.
2. Generalized Least Squared(GLS)
Setelah kita mengetahui ternyata pure autocorrelation . maka
langkah

selajutnya

yaitu

salah

satunya

dengan

melakukan

transformasi. Transformasi ini dilakukan dengan mengurangi nilai

variabel (bebas dan terikat) pada waktu ke-t, dengan waktu ke-(t-1).
GLS ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh

19 Buku-ekonometrika.pdf

11

didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu

dilakukan roh berdasarkan data sampel.
1) First-Difference Method (Pembeda Pertama)
2) Estimasi roh dengan Durbin Watson
3) Estimasi roh berdasarkan residual
3. Newey West Method
Pada metode mengasumsikan bahwa sampel yang digunakan besar.
Dalam perhitungannya digunakan software-software statistic salah
satunya adalah E-views.20

BAB III
METODOLOGI PENELITIAN
A. Lokasi dan Waktu
1. Lokasi : Petani tanaman hias di daerah sawangan depok.
2. Waktu : Bulan April-Mei 2015
B. Jenis Data
Data yang digunakan merupakan data sekunder. Peneliti
mengumpulkan data penjualan per minggu, kunjungan ke website setiap
minggu, event yang diikuti dalam sebulan seperti pameran, atau kegiatan
terkait (dikonversi ke dalam minggu), dan jumlah kunjungan (arrival) ke
gerai/nursery tanaman hias setiap minggu. Kemudian didapatlah data
seperti berikut.
Tabel 1. Data penjualan (per minggu)

20 http://statistikceria.blogspot.com/2012/12/mendeteksi-ujiautokorelasi-part2.html

12

12

C.

Week
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Y
54
56
45
56
58
41
40
40
41
45
45
46
47
48
44
40
45
53
50
52
52
56
45
46
54
38
45
54
54
52

X1
211
200
256
250
234
256
245
250
300
225
228
263
236
241
312
320
322
356
358
357
345
289
267
214
250
263
300
312
325
345

X2
2
2
2
3
4
4
2
1
2
2
1
2
2
4
4
3
3
2
4
3
2
2
3
4
2
1
1
1
2
2

X3
125
122
142
130
125
100
114
117
121
123
125
100
113
140
168
125
145
147
136
146
123
102
104
125
129
178
125
156
124
142

Anali
sis
Data

Pada makalah ini akan di uji ada atau tidaknya autokorelasi yang
terjadi pada data dimana,
Y = sales (pot per minggu
X1 = kunjungan website (per minggu)

13

X2 = event yang diikuti (per minggu)

X3 = kunjungan ke gerai (per minggu)
Dengan menggunakan bantuan spss, kita akan menguji apakah data
diatas mengandung autokorelasi atau tidak dengan metode grafik.
D. Prosedur Penelitian
Adapun prosedur menjalankan uji autokorelasi dapat dijalankan
dengan SPSS sebagai berikut:
1. Buka Aplikasi SPSS anda
2. Buat 4 variabel dengan skala data "Scale" Type "Numeric" Decimal
"2" dengan nama sesuai tabel di atas: X1, X2, X3 dan Y.
3. Masukkan data diatas.
4. Klik Menu, Analyze, Regression, Linear: Setelah terbuka jendela,
Masukkan X1, X2 dan X3 ke kotak Variabel Independent dan
masukkan variabel Y ke kotak Variabel Dependent.
5. Cari tombol "SAVE" lalu klik maka akan muncul jendela baru, cari
"Unstandardized" lalu centang, CONTINUE dan OK lagi sampai
jendela tertutup.
6. Abaikan output dan akan di dapatkan nilai residual pada kolom paling
akhir di jendela SPSS.
7. Pada menu kita pilih analyzeforecastingautocorrelation
8. Kemudian pada kotak dialog autocorrelation kita masukkan variabel
residual

tadi

yang

disini

dinamakan

RES_1

lalu

checklist

autocorrelation dan partial autocorrelation, kemudian klik OK.

14

BAB IV
HASIL DAN PEMBAHASAN
A. Hasil
Langkah-langkah dengan menggunakan spss dalam pengujian
autokorelasi sebagai berikut:

15

15

16

Output yang didapatkan dari proses uji autokorelasi diatas adalah sebagai
berikut.

17

B. Pembahasan
Metode grafik 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). 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).
Dari output autokorelasi baik pada lag pertama maupun lag ke-16
tidak keluar dari garis bartlett. Pada grafik autokorelasi parsial juga baik

18

pada lag pertama hingga ke-16 tidak keluar dari garis Bartlett. Hal ini
menunjukan bahwa model tidak mengandung masalah autokorelasi.

BAB V
PENUTUP
A. Kesimpulan
Adapun kesimpulan yang dapat di tarik dalam makalah ini yaitu
sebagai berikut.
1. Pendeteksian ada atau tidaknya autokorealsi dalam sebuah data dapat
dilakukan dengan empat cara yaitu:
1) Metode Grafik
2) Uji Durbin-Watson
3) Uji Run Test
4) Uji Lagrange Multiplier
Dalam makalah ini, ui yang digunakan adalah uji dengan metode
grafik dan disimpulkan bahwa tidak ada masalah autokorelasi.
2. Akibat-akibat yang ditmbulkan autokorelasi yaitu:

19

1) Penduga-penduga koefisien regresi yang diperoleh dengan

menggunakan OLS tidak lagi BLUE, sekalipun masih tak bias dan
konsisten.
2) Hasil estimasi untuk standar error dan varians koefisien regresi
yang didapat akan underestimate. Dengan demikian nilai koefisien
determinasi (R2) akan besar dan akibatnya uji t, uji F, dan interval
kepercayaan menjadi tidak sahih lagi untuk digunakan.
3) Adanya autokorelasi yang kuat dapat menyebabkan dua variabel
yang tidak berhubungan menjadi berhubungan.
B. Saran

19

Adapun saran untuk makalah ini yaitu sebaiknya dalam pengujia

autokorelasi, uji yang digunakan bias lebih dari satu untuk lebih memperkuat
hasil uji yang didapatkan.

20

DAFTAR PUSTAKA
Buku-ekonometrika.pdf
E-Jurnal Matematika Vol. 3, No.1 Januari 2014, 8-16
http:// Kel-5-hasby-lia-dani.pdf.
http:// mendeteksi-uji-autokorelasi-part-1.html
http://duwiconsultant.blogspot.com/2011/11/uji-autokorelasi.html
http://id.wikipedia.org/wiki/Autokorelasi.
http://portal-statistik .blogspot.com
http://portal-statistik

.blogspot.com/2014/05/uji-asumsi-autokorelasi-dengan-uji-

durbin-watson.html.
http://skripsi_dwi-prihastuti10503141020.pdf.
http://statistik4life.blogspot.com/2009/12/Autokorelasi/blog-spot.com
http://statistik4life.blogspot.com/2009/12/Autokorelasi/blog-spot.com
http://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part-.html
http://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part-1.html
http://statistikceria.blogspot.com/2012/12/mendeteksi-uji-autokorelasi-part2.html
http://tutorial-spss-uji-autokorelasi.pdf.

21

Jhptump-ump.gdl-kusmiadinu-953.3-babiii.pdf.
SKRIPSI_DWI-PRIHASTUTI10305141020

21