TUGAS EKONOMETRIKA

KELAS B

NOVEN PRIMA A 135180078

JURUSAN AGRIBISNIS

FAKULTAS PERTANIAN

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

YOGYAKARTA

2020
A. Definisi Autokorelasi

Autokorelasi (bahasa Inggris: autocorrelation atau yang juga disebut

sebagai korelasi diri) adalah salah satu pelanggaran asumsi dalam regresi linier
berganda. Agar pendugaan parameter dapat bersifat BLUE (bahasa Inggris: 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 ǂ j.

Autokorelasi adalah Korelasi yang terjadi antara serangkaian pengamatan yang

tersusun menurut waktu (time series) atau tersusun menurut ruang (cross section).
Autokorelasi merupakan pelanggaran salah satu asumsi dari model regresi klasik,
yaitu: Faktor gangguan dari setiap pengamatan yang berbeda tidak saling
mempengaruhi.

B. Pengertian Data Time Series Cross Section, Blue, dan Linear

Data adalah sebuah kata yang tidak asing terdengar oleh kita. Secara umum, data
dapat diartikan sebagai suatu kumpulan informasi yang diperoleh baik melalui
pengamatan, pengukuran, ataupun survei. Data itu sendiri memuat keterangan-
keterangan tertentu yang dapat menjelaskan suatu kondisi.
Jika dilihat berdasarkan waktu, data dapat dibagi menjadi tiga, yaitu data cross
section (penampang melintang), time series (deret waktu) dan pooled (panel).
Sedikit mengulas mengenai tiga jenis data ini, data cross section merupakan data
yang diperoleh dari suatu pencatatan dalam satu waktu saja yang dapat diperoleh
dari beberapa objek. Misalkan data pendapatan daerah se-Indonesia tahun 2017,
data kasus demam berdarah di Kota Bogor tahun 2017, dan lain sebagainya.
Data time series merupakan data yang diperoleh dari amatan satu objek dari
beberapa periode waktu. Data dari nilai tukar dolar terhadap rupiah merupakan
salah satu bentuk data time series, karena data nilai tukar dicatat setiap waktu
(bisa harian atau bulanan) namun hanya satu nilai tukar saja yaitu dolar terhadap
rupiah. Terakhir, data berdasarkan waktu yang ketiga yaitu
data pooled merupakan data yang sifatnya gabungan dari data cross
section dan time series. Data pooled atau yang lebih sering dikenal sebagai data
panel adalah kumpulan pengamatan yang diperoleh dari beberapa objek dan

1
dicatat pada periode waktu tertentu. Misalnya data pendapatan daerah se-
Indonesia dari tahun 2000-2017. Pada contoh data ini, terdapat berbagai macam
daerah di Indonesia misalkan 34 provinsi dan masing-masing dicacat
pendapatannya dari tahun 2000 hingga 2017.
Data Linear ialah data yang dipresentasikan berhubungan dengan data lainnya
dengan teratur (lurus) sehingga membentuk barisan antara data satu
dengan data lainnya.
BLUE adalah singkatan dari Best, Linear, Unbiased Estimator. Best artinya
memiliki varians yang paling minimum diantara nilai varians alternatif setiap
model yang ada. Linear artinya linier dalam variabel acak (Y). Unbiased artinya
tidak bias atau nilai harapan dari estimator sama atau mendekati nilai parameter
yang sebenarnya.
C. Cara Mendeteksi terjadinya Autokorelasi
1. Penyebab autokorelasi
 Kesalahan model (linier–nonlinier).
 Penggunaan Lag (inertia) è data observasi pada periode sebelumnya dan
periode sekarang, kemungkinan besar akan saling ketergantungan
(interdependence).
 Fenomena cobweb è Munculnya fenomena sarang laba-laba terutama
terjadi pada penawaran komoditi sektor pertanian è Misalnya, panen
komoditi permulaan tahun dipengaruhi oleh harga yang terjadi pada tahun
sebelumnya è ui tidak lagi bersifat acak (random), tetapi mengikuti suatu
pola yaitu sarang laba-laba.
 Tidak memasukkan variabel yang penting
 Manipulasi data
2. Mendeteksi autokorelasi
a. 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).

2
 b. Uji Durbin Watson, pada metode ini, adanya autookorelasi agak sulit
untuk ditentukan karena hanya melalui subjektifitas peneliti. Sehingga,
kemungkinan tiap peniliti memiliki pandangan yang berbeda-beda.
Oleh karena itu, perlu dilakukan pengujian formal yang dapat dipercaya
secara ilmiah. Salah satu cara untuk mengetahui adanya autokorelasi
adalah uji durbin-watson.
c. Uji Breusch-Godfrey(BG)/Lagrange Multiplier(LM)
Uji ini dikembangkan oleh breusch-bodfrey.

Berdasarkan model tersebut Breusch-bodfrey mengasumsikan bahwa

Ut mengikuti autoregresif ordo p(AR(p)), sehingga membentuk model
berikut:

D. Akibat Terjadinya 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.

3
E. Cara Agar Tidak Terjadi 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. Mis-spesifikasi disini
adalah kemungkinan adanya kuadratik model atau modelnya mengandung
kuadratik. Sehingga apabila hasil tersebut masih mengandung autokorelasi
maka autokorelasi tersebut merupakan pure autocorrelation.
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).

Pertama, kita memulai dengan regresi biasa.

dan

Sehingga akan membentuk persamaan umum berikut:

Atau bisa dibentuk menjadi:

4
 Dimana:

Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan

persamaan regresi tanpa intersep. Sedangkan jika (p=0) maka model
regresi yang akan didapat adalah regresi dengan pembeda pertama. GLS
ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh
didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu
dilakukan roh berdasarkan data sampel.
3. Newey – West Method.
Pada metode mengasumsikan bahwa sampel yang digunakan
besar. Dalam perhitungannya digunakan software-software statistic
salah satunya adalah E-views.

5
 DAFTAR PUSTAKA

Nachrowi, Djalal Nachrowi, Hardius Usman. 2006. “Pendekatan Populer dan

Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan”. Jakarta:
Badan Penerbit Universitas Indonesia.
Gujarati, Damodar. 2004. Basic Econometrics (Ekonometrika Dasar). Alih
bahasaSumarno Zain. Jakarta: Penerbit Erlangga..
Wikipedia. 2013. Autokorelasi (https://id.wikipedia.org/wiki/Autokorelasi diakses
17 Oktober 2020)