TAHAPAN CHECK AUTOKERELASI DENGAN METODE DURBIN WATSON DAN

RUN TEST SERTA PENERAPANNYA DENGAN MINITAB

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

Dengan menggunakan gambar, ilustrasinya adalah sebagai berikut.

Penerapan Uji Durbin Watson dengan Minitab

Contoh kasus:
Misalkan, variabel Y (variabel dependen) adalah tingkat inflasi di Amerika Serikat,
sedangkan variabel X (variabel independen) adalah kurs Rupiah terhadap US$ (X). Maka,
modelnya adalah sebagia berikut.
Y = β0 + β1X + ε
Berikut merupakan data selama 10 tahun dari tahun 1979-1988
Y X
7.62 219.02
6.5 226.63
5.75 220.63
9.2 249.06
11.03 237.55
6.16 237.45
2.93 238.47
2.81 168.35
2.61 144.6
2.96 128.17

Dengan menggunakan Minitab, maka langkah-langkahnya adalah sebagai berikut.

1. Buka Minitab, lalu copy data ke dalam Worksheet Minitab. Karena t dimulai pada t=2,
sehingga jumlah datanya adalah 9 seperti berikut.

2. Meregresikan variabel Yt dan Xt untuk memperoleh persamaan regresi, di mana

^ t. Caranya adalah dengan
persamaan regresi ini akan digunakan untuk menghitung Y
memilih Stat – Regression – Regression. Setelah muncul kotal dialog Regression,
masukkan Yt sebagai variabel Response, dan masukkan variabel Xt sebagai variabel
Predictors seperti berikut.
3. Hasilnya diperoleh persamaan regresi sebagai berikut.
Y^ t = -3,91 + 0,0460 Xt
4. Setelah memperoleh persamaan regresi di atas, langkah selanjutnya adalah
menghitung Y^ t dengan mensubstitusikan nilai X ke dalam persamaan regresi tersebut.
5. Menghitung ^µt dengan rumus berikut.
^t
^µt = Yt - Y
6. Memasukkan data, di mana data yang digunakan dimulai dari data pertama. Hal ini
karena t dimulai dari t=2, sehingga t – 1 = 2 -1 = 1 seperti berikut.

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.

Langlah-langkah di atas dikerjakan pada Command Minitab seperti beikut.

MTB > Regress 'Yt' 1 'Xt';

SUBC> Constant;
SUBC> DW;
SUBC> Brief 2.

Regression Analysis: Yt versus Xt

The regression equation is

Yt = - 3,91 + 0,0460 Xt

Predictor Coef SE Coef T P

Constant -3,913 3,823 -1,02 0,340
Xt 0,04601 0,01819 2,53 0,039

S = 2,35646 R-Sq = 47,7% R-Sq(adj) = 40,3%

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

Durbin-Watson statistic = 1,45255

MTB > let c3=(-3,91) + (0,0460*c2)

MTB > let c4=c1-c3
MTB > Regress 'Yt-1' 1 'Xt-1';
SUBC> Constant;
SUBC> DW;
SUBC> Brief 2.
Lanjutan:

Regression Analysis: Yt-1 versus Xt-1

The regression equation is

Yt-1 = - 5,80 + 0,0550 Xt-1

Predictor Coef SE Coef T P

Constant -5,799 5,158 -1,12 0,298
Xt-1 0,05500 0,02362 2,33 0,053

S = 2,36643 R-Sq = 43,6% R-Sq(adj) = 35,6%

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

Obs Xt-1 Yt-1 Fit SE Fit Residual St Resid

7 238 2,930 7,317 0,954 -4,387 -2,03R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1,57699

MTB > let c7=(-5,80) + (0,0550*c6)

MTB > let c8=c5-c7
MTB > let c9=(c4-c8)^2
MTB > let k1=sum(c9)
MTB > prin k1

Data Display

K1 56,7296

MTB > let k2=sum(c4^2)

MTB > prin k2

Data Display

K2 38,8703

MTB > let k3=k1/k2

MTB > prin k3

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

Berdasarkan hasil perhitungan, diperoleh nilai Durbin-Watson 1,45946. Dengan n = 10, k =

1, dan α = 0.05, maka diperoleh d L = 0,8791, dan dU = 1,3197. Karena dU < d < 4-dU maka
dapat disimpulkan bahwa tidak ada autokerelasi, baik autokorelasi positif maupun
autokorelasi negatif.
III. Uji Run Test
Uji Run test digunakan untuk menguji apakah antar residual terdapat korelasi yang
tinggi atau tidak. Jika antara residual tidak terdapat korelasi, maka dapat dikatakan bahwa
residual adalah acak atau random. Uji Run test digunakan untuk melihat apakah residual
terjadi secara acak random atau tidak. Perinsip kerja run test sangat sederhana, yaitu dengan
melihat tanda nilai residual positif(+) atau negatif (-), tanpa memperhatikan nilainya.
Sehingga run yang dimaksud disini adalah sekelompok nilai residual yang mempunyai tanda
sama secara bertusut-turut. 

Contoh:

(---------) (+++++++++++++++++++++) (----------)

Terdapat 9 residual negatif, kemudian diikuti oleh 21 residual positif, dan diikuti 10 residual
negatif, dengan total 40 observasi.

Hipotesis:

H0 : Residual Random (acak)

H1 : Residual tidak Random (tidak acak)

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: 

N = jumlah observasi ( N1+ N2)

N1 = jumlah run positif (+)
N2 = jumlah run negatif (-)

Dalam melakukan pengujian hipotesis, digunakan analisis interval kepercayaan :

Prob ¿ Artinya, probabilitas sebanyak 95 persen bahwa interval sebelumnya akan

mencakup R.

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

Dengan interval kepercayaan 95% untuk maka diperoleh R :

[ 10.975 ±1.96 ( 3.1134 ) ]=(4.8728,17 .0722)

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.

Penerapan Uji Run Test dengan Minitab

Contoh kasus:

Berikut merupakan data lama belajar per hari (Variabel X) dan nilai IPK (Variabel Y) dari 10
mahasiswa Jurusan Statistika ITS.

Lama Belajar (Variabel X) Nilai IPK (Variabel Y)

2 3,25
3 3,32
2 3,16
4 3,78
2,5 3,52
3 3,09
5 2,89
2,5 2,78
4 3,91
1 3,46

Langkah-langkah yang harus dilakukan adalah sebagai berikut.

1. Memperoleh nilai residual dengan meregresikan variabel X dengan variabel Y.

Hasilnya adalah sebagai berikut.
 X Y ^
Y Residual
2 3,25 3,29 -0,04
3 3,32 3,315 0,005
2 3,16 3,29 -0,13
4 3,78 3,34 0,44
2,5 3,52 3,3025 0,2175
3 3,09 3,315 -0,225
5 2,89 3,365 -0,475
2,5 2,78 3,3025 -0,5225
4 3,91 3,34 0,57
1 3,46 3,265 0,195

2. Membuat Run atau runtun berdasarkan data residual seperti berikut.

-+-++---++
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

σ R2¿ 2 x 5 x 5(2 x 5 x 5−10) = 2,222

¿¿
σ R = 1,4906
4. Mendapatkan selang kepercayaan
6 − 1.96 x 1,4906 ≤ R ≤ 6 + 1.96 x 1,4906
3,078424 ≤ R ≤ 8,921576
5. Menarik kesimpulan
Berdasarkan perhitungan di atas, maka dapat disimpulkan bahwa R = 6 berada di
antara selang kepercayaan. Sehingga terjadi gagal tolak H0, artinya residual random
dan tidak terjadi autokorelasi.