Uji Autokorelasi Durbin Watson

1. Pengertian uji autokorelasi

Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk mengetahui adakah
korelasi variabel yang ada di dalam model prediksi dengan perubahan waktu. Oleh karena
itu, apabila asumsi autokorelasi terjadi pada sebuah model prediksi, maka nilai disturbance
tidak lagi berpasangan secara bebas, melainkan berpasangan secara autokorelasi.
2. Mengapa harus dilakukan
Uji autokorelasi di dalam model regresi linear, harus dilakukan apabila data
merupakan data time series atau runtut waktu. Sebab yang dimaksud dengan
autokorelasi sebenarnya adalah: sebuah nilai pada sampel atau observasi tertentu
sangat dipengaruhi oleh nilai observasi sebelumnya.

3. Pengertian autokorelasi
Autokorelasi adalah terjadi korelasi antara observasi ke-i dengan observasi ke-i-1.
Contohnya yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-19.
Sampel ke-19, nilainya dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kita
perhatikan pada contoh tersebut, yaitu ada nilai selisih antara nilai observasi ke-18
dengan ke-19, nilai observasi ke-19 dengan ke-20, dan seterusnya.

Cara perhitungan secara manual perihal asumsi autokorelasi bukanlah dihitung pada
semua variabel, melainkan cukup pada residualnya saja.

Cara Mendeteksi Autokorelasi

Masalah asumsi Autokorelasi dapat dideteksi dengan menggunakan berbagai jenis
analisis, yaitu antara lain:

1. Uji Durbin Watson

2. Uji Breucsh Godfrey
3. Uji Durbin Watson h
4. The Engles ARCH Test.
Uji Durbin Watson
Uji Durbin watson adalah uji autokorelasi yang menilai adanya autokorelasi pada
residual. Uji ini dilakukan dengan asumsi atau syarat antara lain:

1. Model regresi harus menyertakan konstanta.

2. Autokorelasi harus diasumsikan sebagai autokorelasi first order.
3. Variabel dependen bukan merupakan variabel Lag.
4. Autokorelasi first order adalah korelasi antara sampel ke-i dengan sampel ke-
i-1 seperti yang sudah dibahas di atas sebelumnya.
5. Uji Durbin watson akan menghasilkan nilai Durbin Watson (DW) yang nantinya
akan dibandingkan dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin
Upper (DU) dan Durbin Lower DL). Dikatakan tidak terdapat autokorelasi jika
nilai DW > DU dan (4-DW) > DU atau bisa dinotasikan juga sebagai berikut: (4-
DW) > DU < DW. Untuk menentukan autokorelasi negatif atau positif, akan
kami bahas pada artikel berikutnya.
Cara Baca Nilai DW dengan SPSS
Dalam kesempatan ini kami juga akan menjelaskan cara membaca autokorelasi
negatif dan positif. Cara menentukan atau kriteria pengujian autokorelasi berdasarkan
nilai DW adalah sebagai berikut:

Deteksi Autokorelasi Positif:

Jika dw < dL maka terdapat autokorelasi positif,

Jika dw > dU maka tidak terdapat autokorelasi positif,

Jika dL < dw < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.

Deteksi Autokorelasi Negatif:

Jika (4 dw) < dL maka terdapat autokorelasi negatif,

Jika (4 dw) > dU maka tidak terdapat autokorelasi negatif,

Jika dL < (4 dw) < dU maka pengujian tidak meyakinkan atau tidak dapat
disimpulkan.

Contoh Autokorelasi Positif

Pada contoh ini, nilai Durbin Watson Hitung adalah sebesar 0,382. Dimana nilai
tersebut kurang dari nilai DL pada K = 4 dan t = 128, sehingga terdapat masalah
autokorelasi positif.

Nilai DL pada K =4 dan t = 128 berdasarkan tabel Durbin Watson adalah sebesar:
1,66379 sedangkan nilai DU sebesar 1,75960. Untuk mengetahui nilai DU dan DL
secara lengkap, silahkan anda baca artikel kami yang berjudul: Tabel Durbin Watson
dan Cara Membaca.

Contoh Tidak Ada Autokorelasi Positif dan Negatif

Berdasarkan kriteria pengujian di atas, bagaimana jika seandainya nilai DW sebesar
1,98? maka DW 1,98 > DU 1,75960 sehingga tidak ada masalah autokorelasi.

Contoh Autokorelasi Negatif

Seandainya nilai DW 2,9, maka nilai (4-DW) adalah (4-2,9) = 1,1. Karena nilai (4-DW)
1,1 < DL 1,66379 maka terdapat masalah autokorelasi negatif.

Contoh Autokorelasi Tidak Meyakinkan

Dan seandainya nilai DW 2,3 maka (4-DW) adalah (4-2,3) = 1,7 sehingga (4-DW) 1,7
> DL 1,66379 tetapi < DU 1,75960, maka hasil pengujian autokorelasi tidak
meyakinkan.
Jika seandainya nilai DW 1,69? maka jawabannya adalah: 1,69 < DU 1,75960 tetapi
> DL 1,66379 sehingga hasil pengujian autokorelasi tidak meyakinkan.

Kesimpulan Cara Baca Uji Autokorelasi dengan SPSS

Berdasarkan penjelasan di atas, maka dikatakan tidak ada autokorelasi bila nilai DL <
DW > DU dan DL < (4-DW) > DU.

Begitulah cara membaca nilai Durbin Watson setelah anda melakukan uji autokorelasi
dengan SPSS menggunakan metode Durbin Watson test. Semoga bermanfaat.
Terima kasih.

Referensi 2
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

B. Konsekuensi adanya autokorelasi :

1. Estimator yang dihasilkan masih unbiased, konsisten, dan asymptotical
normally distributed. Tetapi tidak lagi efisien->varians tidak minimum (tidak
BLUE)
2. Estimasi standard error dan varian koefisien regresi yang didapat akan
underestimate.
3. Pemerikasaan terhadap residualnya akan menemui permasalahan.
4. Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak
berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal
ini terlihat dari R2.