I. Pengertian Autokorelasi
Autokorelasi merupakan suatu kondisi di mana ada hubungan linier antara error
serangkaian observasi yang diurutkan menurut waktu (data time series). Pengujian
autokorelasi perlu dilakukan apabila data yang dianalisis merupakan data time series
(Gujarati, 1993).
II. Uji Durbin Watson
Uji Durbin Watson ini diperkenalkan oleh statistikawan J. Durbin dan G.S. Watson.
Uji ini hanya cocok untuk untuk pola regresi order pertama.
Asum-asumsi dalam Uji Durbin Watson adalah sebagai berikut.
1. Terdapat intercept dalam model regresi
2. Variabel penjelasnya tidak random (non-stochastics)
3. Tidak ada unsur lag dari variabel dependen di dalam model
4. Gangguan dari µt dihasilkan oleh skema autoregresif order pertama: µt = ρ µt-1 + εt.
Oleh sebab itu, hal tersebut tidak dapat digunakan untuk mendeteksi skema
autoregresif dengan order yang lebih tinggi.
5. µt diasumsikan berdistribusi normal
6. Tidak ada data yang hilang
Langkah-langkah tau tahapan pengujiannya adalah sebagai berikut.
1. Mendapatkan residual dengan cara meregresikan variabel Y dan X menggunakan
metode OLS
2. Menentukan hipotesis
Hipotesis:
a. H0: ρ = 0 (Tidak ada autokerelasi)
H1: ρ ≠ 0 (Ada autokerelasi)
b. H0: ρ = 0 (Tidak ada autokerelasi positif)
H1: ρ > 0 (Ada autokerelasi positif)
c. H0: ρ = 0 (Tidak ada autokerelasi negatif)
H1: ρ < 0 (Ada autokerelasi negatif)
3. Menghitung statistik uji (d)
Statistik uji:
di mana:
d = nilai Durbin Watson
4. Menentukan titik kritis dL dan dU yang dapat dilihat pada d-tabel
5. Membuat keputusan dengan membandingkan nilai Durbin Watson dengan nilai d-
tabel
Hasil perbandingan akan menghasilkan kesimpulan dengan kriteria sebagai berikut.
Hipotesis Nol (H0) Keputusan Jika
Tidak ada autokorelasi positif Tolak H0 0 < d < dL
Tidak ada autokerelasi positif Tidak Ada dL < d < dU
Tidak ada autokerelasi negatif Tolak H0 4 - dL < d < 4
Tidak ada autokerelasi negatif Tidak Ada 4 - dU < d < 4 - d L
Tidak ada autokerelasi positif atau Terima H0 dU < d < 4 - dU
negatif
7. Meregresikan variabel Yt-1 dan Xt-1 untuk memperoleh persamaan regresi, di mana
^ t-1.
persamaan regresi ini akan digunakan untuk menghitung Y
8. Hasilnya diperoleh persamaan regresi sebagai berikut.
Y^ t-1 = -5,80+ 0,0550 Xt-1
9. Menghitung Y^ t-1 dengan mensubstitusikan variabel Xt-1 ke dalam persamaan regresi
di atas.
10. Menghitung ^µt-1 dengan rumus berikut.
^ t-1
^µt-1 = Yt-1 - Y
11. Menghitung jumlahan dari ( ^µt - ^µt-1)2
12. Menghitung jumlahan dari ( ^µt)2
13. Menghitung nilai Durbin-Watson atau d dengan rumus sebagai berikut.
Analysis of Variance
Source DF SS MS F P
Regression 1 35,521 35,521 6,40 0,039
Residual Error 7 38,870 5,553
Total 8 74,391
Analysis of Variance
Source DF SS MS F P
Regression 1 30,355 30,355 5,42 0,053
Residual Error 7 39,200 5,600
Total 8 69,555
Unusual Observations
Data Display
K1 56,7296
Data Display
K2 38,8703
Data Display
K3 1,45946
Sedangkan data hasil perhitungannya adalah sebagai berikut.
C1 C2 C3 C4 C5 C6 C7 C8 C9
Yt Xt Ytopi(t) miu(t) Yt-1 Xt-1 Ytopi(t-1) miu(t-1) (miu(t)-miu(t-1))^2
219,0
6,5 226,63 6,51498 -0,01498 7,62 2 6,2461 1,3739 1,928987654
226,6
5,75 220,63 6,23898 -0,48898 6,5 3 6,66465 -0,16465 0,105189949
220,6
9,2 249,06 7,54676 1,65324 5,75 3 6,33465 -0,58465 5,008151652
249,0
11,03 237,55 7,0173 4,0127 9,2 6 7,8983 1,3017 7,349521
237,5
6,16 237,45 7,0127 -0,8527 11,03 5 7,26525 3,76475 21,3208445
237,4
2,93 238,47 7,05962 -4,12962 6,16 5 7,25975 -1,09975 9,180112217
238,4
2,81 168,35 3,8341 -1,0241 2,93 7 7,31585 -4,38585 11,30136306
168,3
2,61 144,6 2,7416 -0,1316 2,81 5 3,45925 -0,64925 0,267961523
2,96 128,17 1,98582 0,97418 2,61 144,6 2,153 0,457 0,267475152
Contoh:
Hipotesis:
Kemudian di bawah hipotesis nol bahwa hasil berturut-turut (residual) independen, dan
dengan asumsi bahwa N1> 10 dan N2> 10, nomor dari run adalah (asimtotik) terdistribusi
normal dengan :
2 N1 N2
Mean : E ( R )= +1
N
2 2 N 1 N 2 (2 N 1 N 2 −N )
Varians :σ R= 2
( N ) ( N −1)
di mana:
Kembali ke contoh , diketahiu bahwa N1 (jumlah minus) adalah 19 dan N2 jumlah Plus,
adalah 21 dan R = 3. Menggunakan rumus di atas, maka diperoleh:
2 x 19 x 21
Mean : E ( R )= +1 = 10.975
40
2 2 x 19 x 21(2 x 19 x 21−40)
Varians :σ R=
( 40 )2 (40−1)
2
σ R =9.6936
σ ❑R =3.1134
Keputusan:
Gagal tolak H0 pada keyakinan 95%. Sehingga, dapat disimpilkan bahwa residual
menunjukkan adanya autokorelasi. Jika terdapat autokorelasi positif maka jumlah run akan
sedikit, sedangkan pada autokorelasi negatif, jumlah run akan banyak.
Contoh kasus:
Berikut merupakan data lama belajar per hari (Variabel X) dan nilai IPK (Variabel Y) dari 10
mahasiswa Jurusan Statistika ITS.
-+-++---++
Sehingga diperoleh R = 6
3. Mendapatkan Nilai E(R) dan σ R2, di mana diketahui bahwa:
N = 10, N1 = 5, N2 = 5, dan R = 6
Maka perhitungannya adalah sebagai berikut.
2 x5 x5
E ( R )= +1 = 6
10