MAKALAH TENTANG UJI AUTOKORELASI

Dosen Pengampuh:
Muhammad Ihwal, S.Pd., M.Si.

Disusun Oleh:

Kelompok 6
Faturrahman F1A220078
Abdul Shall Rizky F1A220028
Isnawati Suddin F1A218057
Muhammad Dhamora Teke F1A220107
Muhammad Hasdal Husein Dernal F1A220088
Nindi Arnas F1A220051
Nining Astia Ningsi F1A220089
Nur Aswal F1A219035

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGTAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI

i
2022

ii
 KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa karena dengan
rahmat, karunia, serta taufik dan hidayah-Nya kami dapat menyelesaikan makalah
tentang “Autokorelasi” ini dengan baik meskipun banyak kekurangan didalamnya.
Dan juga kami berterima kasih pada Bapak Dosen mata kuliah Ekonometrika
yang telah memberikan tugas ini kepada kami.

Kami sangat berharap makalah ini dapat berguna dalam rangka menambah
wawasan serta pengetahuan kita mengenai “Autokorelasi”. Kami juga menyadari
sepenuhnya bahwa di dalam makalah ini terdapat kekurangan dan jauh dari kata
sempurna. Oleh sebab itu, kami berharap adanya kritik, saran dan usulan demi
perbaikan makalah yang telah dibuat, mengingat tidak ada sesuatu yang sempurna
tanpa saran yang membangun.

Kendari
, 1 Oktober 2022

Penulis

i
 DAFTAR ISI

KATA PENGANTAR
DAFTAR ISI
BAB I
PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Tujuan
BAB II
KAJIAN PUSTAKA
2.1 Pengertian
2.2 Cara Mendeteksi
2.3 Dampak Autokorelasi
2.4 Cara Penanganan
BAB III
STUDI KASUS
3.1 Data
3.2 Identifikasi
3.2.1 Teknik Analisis Data
3.2.2 Hasil dan Pembahasan
BAB IV
KESIMPULAN
DAFTAR PUSTAKA

ii
 BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Statistika merupakan perpanjangan bidang studi Matematika. Bedanya
statistika lebih fokus kearah data dan pengolahannya. Statistika banyak
diterapkan dalam berbagai bidang mulai tidak terkecuali bidang ekonomi.
Salah satu contoh penerapannya dalam bidang ekonomi yaitu inflasi, uang
beredar, tingkat kemiskinan, jumlah pengangguran, dan lainnya. Bahkan BPS
memiliki kajian khusus untuk bidang perekonomian seperti Sensus Ekonomi.
Terdapat banyak metode dalam statistika, diantaranya adalah analisis
regresi. Analisis regresi memiliki dua tujuan utama yaitu mengeksplorasi
hubungan antara variabel respon dan variabel predictor dan yang kedua
adalah membuat prediksi. Model regresi umumnya dibagi ke dalam tiga
bentuk yaitu model regresi parametrik, model regresi nonparametrik dan
model regresi semiparametrik. Pendekatan model regresi parametrik yang
sering digunakan oleh para peneliti adalah pendekatan model regresi linear
sederhana dan model regresi linear berganda. Regresi linear sederhana adalah
sebuah model statistik yang digunakan untuk menjelaskan dua variabel dalam
fungsional. Sedangkan regresi linear berganda adalah hubungan linear antara
variabel dependen dengan dua atau lebih variabel independen.
Salah satu asumsi analisis regresi 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 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 Dubin Watson, nilai residual, dan Cochrane orcutt iterative procedure.
Berdasarkan penjelasan diatas, inilah yang melatarbelakangi pembahasan
materi ini.

1
1.2 RUMUSAN MASALAH
1. Apa yang dimaksud dengan uji autokorelasi?
2. Bagaimana cara mendeteksi terjadinya autokorelasi?
3. Bagaimana dampak yang diberikan akibat uji autokorelasi?
4. Bagaimana cara penanganan yang dapat dilakukan untuk mengurangi
resiko dari uji autokorelasi?
1.3 TUJUAN
1. Untuk mengetahui apa yang dimaksud dengan uji autokorelasi.
2. Untuk mengetahui cara mendeteksi terjadinya autokorelasi.
3. Untuk mengetahui dampak yang diberikan akibat uji autokorelasi
4. Untuk mengetahui cara penanganan yang dapat dilakukan untuk
mengurangi resiko dari uji autokorelasi.

2
 BAB II
KAJIAN PUSTAKA
2.1 PENGERTIAN
Autokorelasi dikenal sebagai korelasi serial, maksudnya adalah korelasi
antara serial data atau antara data sebelum dengan data sesudahnya dalam data
yang disusun berdasarkan urutan waktu (time series). Dalam data yang disusun
secara cross section (bukan berdasarkan waktu), maka autokorelasi sebetulnya
tidak relevan. Pada data yang disusun secara cross section, autokorelasi hanya
indikasi dari keterkatitan antara satu subjek penelitian dengan penelitian lainnya.
Atau dapat juga dikatakan sebagai kemiripian antara satu obsevasi dengan
observasi lainnya. Secara matematika, autokorelasi dapat membaca pola yang
berulang dari data. hal tersebut menunjukkan adanya pengaruh waktu terhadap
variabel respon. Contohnya pada perubahan harga emas, semakin lama cenderung
naik, artinya terdapat pengaruh waktu atau autokorelasi pada perubahan harga
emas.
Autokorelasi dibagi menjadi dua yaitu autokorelasi positif dan autokorelasi
negatif. seperti kita ketahui bahwa masalah autokorelasi ini merupakan masalah
error, maka kedua jenis autokorelasi di atas juga akan terkait masalah error.
Autokorelasi positif adalah autokorelasi dimana error yang selalu diikuti oleh
error yang sama tandanya. misalnya ketika satu periode sebelumnya positif maka
error berikutnya akan positif. Sebaliknya autokorelasi negatif menyebabkan error
akan diikuti oleh error yang berbeda tanda. misalnya ketika errornya positif maka
akan diikuti oleh error negatif pada periode selanjutnya.

2.2 CARA MENDETEKSI

Untuk mendeteksi terdapat atau tidaknya autokorelasi adalah dengan
melakukan:
1) Uji Run Test
Run test merupakan bagian dari statistik non-parametik yang dapat digunakan
untuk melakukan pengujian, apakah antar residual terjadi korelasi yang tinggi.

3
 Apabila antar residual tidak terdapat hubungan korelasi, dapat dikatakan bahwa
residual adalah random atau acak
2) Uji Durbin-Watson
Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Ada
beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya
autokorelasi. Pendekatan yang sering digunakan untuk menguji ada tidaknya
autokorelasiadalah uji Durbin-Watson (DW Test. (Ghozali, 2014:110)
Pengambilan keputusan ada tidaknya autokorelasi dapat dilihat sebagai berikut:
a. Jika d < dl, berarti terdapat autokorelasi positif
b. Jika d > (4 – dl), berarti terdapat autokorelasi negatif
c. Jika du < dw < (4 – dl), berarti tidak terdapat autokorelasi
d. Jika dl < d < dw atau (4 – du), berarti tidak dapat disimpulkan.
3) Uji Breusch-Godfrey Serial Correlation LM Test.
Dasar pengambilan keputusan uji ini berdasarkan nilai p-value.
Jika uji Breusch-Godfrey Serial Correlation LM Test dengan signifikansi > 0.05
maka model regresi tidak terdapat masalah autokorelasi.
Jika hasil uji Breusch-Godfrey Serial Correlation LM Test dengan signifikansi <
0.05 maka model regresi masih terdapat masalah autokorelasi.
Sebagai contoh misal hasil uji Autokorelasi dengan menggunakan uji Breusch-
Godfrey (LM Test) menunjukkan nilai  probability chi-square dari Obs*R-
squared sebesar 0.2869. Nilai tersebut bernilai diatas 0,05 maka dapat
disimpulkan bahwa tidak terdapat masalah autokorelasi pada model regresi.

2.3 DAMPAK AUTOKORELASI

Dalam analisis regresi yang menggunakan data time series atau data yang
disusun berdasarkan runtun waktu, autokorelasi merupakan syarat utama model
regresi agar tidak bias. Autokorelasi merupakan salah satu masalah error. error ini
biasanya disebut dengan error terms dalam ekonometrik. Autokorelasi merupakan
pelanggaran atas asumsi model OLS (Ordinary Least Square) dimana
mensyaratkan bahwa tidak ada korelais antara error/residual. Lalu apa efeknya
terhadap model jika asumsi ini dilanggar? Tentu yang paling terdampak adalah

4
nilai standard error akan cenderung lebih kecil dari seharusnya. Memang kenapa
jika standard error diestimasi lebih kecil? Tentu akan menyebabkan nilai t hitung
membesar dari seharusnya. Pada gilirannya model menjadi overestimated. Nilai
standard error pada parameter menjadi underestimated dan nilai statistic t, F, dan
koefisien determinasi menjadi overestimated sehingga memberikan kesimpulan
yang menyesatkan tentang arti statistic dan hasil koefisien penduga parameter.

2.4 CARA PENANGANAN

1. Mengubah model regresi ke dalam bentuk persamaan beda umum (generalized
difference equation).

2. Memasukkan variabel lag dari variabel terikat menjadi salah satu variabel
bebas, sehingga data observasi menjadi berkurang 1.

3. Mengeluarkan satu variabel atau lebih variabel bebas yang mempunyai nilai
korelasi sederhana relatif tinggi.

4. Transformasi variabel. Menganalisis ulang model regresi yang sama, tetapi

dengan nilai variabel-variabel yang telah ditransformasikan.

5. Penambahan data baru. Semakin sedikit sampel yang diambil dalam penelitian
akan cenderung meningkatkan adanya gangguan.

5
 BAB III
STUDI KASUS
3.1 DATA
Untuk melakukan analisis pengaruh penduduk terhadap jumlah angkatan
kerja yang bekerja di di Provinsi Sulawesi Tenggara tahun 2019, terdapat satu
variabel independen yang menjadi objek penelitian terhadap dependen. Jumlah
Penduduk merupakan variabel (X) dan Jumlah Angkatan Kerja merupakan
variabel (Y).
Tabel 1.1 Jumlah penduduk terhadap jumlah angkatan kerja yang bekerja di
Provinsi Sulawesi Tenggara pada tahun 2019.
Kabupaten Jumlah Penduduk (X) Jumlah Angkatan kerja (Y)
Buton 102641 43210
Muna 224099 90996
Konawe 254695 118128
Kolaka 261664 98136
Konawe Selatan 314785 153053
Bombana 184570 89655
Wakatobi 95892 44838
Kolaka Utara 150831 82556
Buton Utara 64072 29952
Konawe Utara 63814 29535
Kolaka Timur 133324 103289
Konawe Kepulauan 34219 15197
Muna Barat 81624 32959
Buton Tengah 93091 38243
Buton Selatan 80784 31814
Kota Kendari 392830 182650
Kota Bau-bau 171802 79064

6
Sumber: https://konselkab.bps.go.id/indicator/6/199/1/jumlah-angkatan-kerja-
menurut-kabupaten-kota-di-provinsi-sulawesi-tenggara.html

3.2 IDENTIFIKASI
3.2.1 Teknik Analisis Data
1) Analisis Regresi Linear Sederhana
Analisis regresi linear sederhana adalah alat analisis peramalan nilai
pengaruh satu variabel independen terhadap variabel dependen untuk
membuktikan ada tidaknya hubungan fungsi atau kausal antara variabel
independen dan variabel dependen. Persamaan umum regresi sederhana
sebagai berikut:
Y = β0 + β 1 X +ε

Keterangan:
Y : Jumlah Angkatan Kerja
β0 : Konstanta dari persamaan regresi
β1 : Koefisien regresi dari Jumlah Penduduk
X : Jumlah Penduduk
ε : Galat atau eror (peubah acak)

2) Uji Autokorelasi
Menurut I. Ghozali (2013), Uji Autokorelasi menjelaskan bahwa “Uji
autokorelasi bertujuan untuk menguji apakah dalam model regresi
linier ada korelasi antara kesalahan penganggu (residual) pada periode t
dengan kesalahan penganngu pada periode t-1 (sebelumnya). Model
regresi yang baik adalah regresi yang bebas dari autokorelasi. Untuk
mendeteksi ada tidaknya autokorelasi, dilakukan dengan menggunakan
Uji Durbin Watson (DW) sebagai berikut:
1. Jika d lebih kecil dari du atau lebih besar dari (4-dl) maka hipotesis
nol ditolak, yang berarti terdapat autokorelasi;

7
 2. Jika d terletak antara du dan (4-du), maka hipotesis nol diterima,
yang berarti tidak ada autokorelasi;
3. Jika d terletak antara dl dan du atau diantara (4-du) dan (4-dl), maka
tidak menghasilkan kesimpulan yang pasti.”
3.2.2 Hasil dan Pembahasan
Program:
MTB > Regress;
SUBC> Response 'Y';
SUBC> Nodefault;
SUBC> Continuous 'X';
SUBC> Terms X;
SUBC> Constant;
SUBC> Unstandardized;
SUBC> Tequation;
SUBC> Tdw.

Output:
Regression Equation

Y = 2147 + 0.4536 X

Durbin-Watson Statistic

Durbin-Watson Statistic = 2.14374

Tabel Durbin-Watson, α = 5%:

8
1) Model Persamaan Regresi

2) Hipotesis
H0 = Tidak terdapat autokorelasi
H1 = Terdapat autokorelasi
3) Syarat Pengambilan Keputusan
a. Jika d < dL atau d > 4-dL maka hipotesis nol ditolak, artinya terdapat
autokorelasi
b. Jika dU < d < 4-dU maka hipotesis nol diterima, tidak terdapat autokorelasi
c. Jika dL < d < dU atau 4-dU < d < 4-dL artinya tidak ada kesimpulan
4) Pengambilan keputusan
Dari tabel Durbin-Watson dengan α = 0,05 dapat dilihat bahwa:
n = 17

9
 d = 2.14374
dL = 1.1330
dU = 1.3812
4-dL = 4 - 1.1330 = 2.8670
4-dU = 4 - 1.3812 = 2.6188
Hasil = dU < d < 4-dU
= 1.3812 < 2.14374 < 2.6188
5) Kesimpulan
Berdasarkan hasil diatas dapat disimpulkan bahwa terjadi terima H0 yang
berarti tidak terjadi autokorelasi dalam model regresi.

BAB IV
KESIMPULAN

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. Metode pengujian yang sering digunakan adalah dengan uji
Durbin-Watson (uji DW) dengan ketentuan sebagai berikut:
1) Jika d lebih kecil dari dL atau lebih besar dari (4-dL) maka hopotesis nol
ditolak, yang berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dU), maka hipotesis nol diterima, yang berarti
tidak ada autokorelasi.

10
3) Jika d terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak
menghasilkan kesimpulan yang pasti.
Nilai du dan dl dapat diperoleh dari tabel statistik Durbin Watson yang
bergantung banyaknya observasi dan banyaknya variabel yang menjelaskan.

DAFTAR PUSTAKA
Abadi, A. (1994). Autokorelasi pada model regresi linier (Doctoral dissertation,
FMIPA UNDIP).
Hutasoit, E. (2016). METODE DUA TAHAP DURBIN-WATSON DALAM
MENGATASI MASALAH (Doctoral dissertation, UNIMED).
Kurniawan, R. (2016). Analisis regresi. Prenada Media.

11